【技术实现步骤摘要】
本专利技术涉及ecg心电分类，具体涉及一种基于随机掩码和生成式自监督学习的心电分类方法。
技术介绍
1、心电信号是反应心跳变化的一种重要电信号，直观的反映了心脏波形的变化情况，心电信号的变化情况蕴含着许多重要信息，不同的波形都具有不同的意义，因此正确的区分心电信号类别有着重要意义。
2、深度学习的强大能力被利用到社会生活的各个领域，但是深度学习模型的训练依靠大量手工标注数据，且部分领域所使用的标签需要专业人员手工标注因此标注数据稀缺、昂贵。自我监督的预训练显示了其缓解这一问题的潜力，能在一定程度上依靠少量标注数据达到训练训练效果。自监督学习分为生成型和对比型方法，在心电分类领域以往采用对比式自监督较多，而基于生成型的自监督学习则被使用较少。心电样本往往数据样本不平衡问题较多，生成式自监督学习可以通过生成合成样本来增加少数类别的样本数量，从而平衡数据分布。生成方式学习到特征的表示对时间和空间信息更加敏感,因为需要依赖上下文来重构信号,所以编码的特征更具关联性和区分性。
技术实现思路
1、本专利技术为了克服以上技术的不足，提供了一种在无需设计正负样本对和复杂的数据增强方式情况下获得好的心电分类效果的方法。
2、本专利技术克服其技术问题所采用的技术方案是：
3、一种基于随机掩码和生成式自监督学习的心电分类方法，其特征在于，包括，包括如下步骤：
4、a)获取心电数据；
5、b)对获取的心电数据进行预处理，得到处理后的信号x；>
6、c)将处理后的信号x分割成十个心电片段，得到心电列表xl，xl＝{p1,p2,...,p10}，pi为第i个心电片段，i∈{1,2,...,10}，使用python库numpy中的random.rand()函数随机生成7个随机数，使用python库numpy中的numpy.argsort()函数对随机数进行排序得到随机数从小到大排序后的索引值数组，选择索引值数据前七个元素作为心电列表xl需要遮掩的片段，将心电列表xl对应的需要遮掩的片段替换成遮掩标记mask；
7、d)建立编码器模块，将心电列表xl未遮掩的三个心电片段pi、pj、pk输入到编码器模块中，得到融合特征xi、xj、xk，j∈{1,2,...,10}，k∈{1,2,...,10}；
8、e)将融合特征xi替换心电列表xl中的第i个心电片段pi，融合特征xj替换心电列表xl中的第j个心电片段pj，融合特征xk替换心电列表xl中的第k个心电片段pk后得到序列xd；
9、f)建立解码器模块，将序列xd输入到解码器模块中，输出得到特征x′e；
10、g)利用特征x′e对编码器模块进行训练，得到优化后的编码器模块；
11、h)将需要分类的心电数据进行预处理，得到处理后的信号x′；
12、i)将处理后的信号x′输入到优化后的编码器模块中，输出得到融合特征x″，将融合特征x″输入到全连接层中，输出得到分类结果。
13、进一步的，步骤a)中从心电数据集ptb-xl中获取心电数据。
14、进一步的，步骤b)包括如下步骤：
15、b-1)将获取的心电数据使用python中的scipy库的signal.medfilt()函数进行中值滤波处理，得到去除噪声的心电数据；
16、b-2)将去除噪声的心电数据使用python中的sklearn.utils中的resamle()函数进行重采样成5000个样本点，得到处理后的信号x。
17、进一步的，步骤c)中使用python中的for循环和滑动窗口的方式将将处理后的信号x分割成10个长度为500个样本点的心电片段。
18、进一步的，步骤d)包括如下步骤：
19、d-1)编码器模块由第一分支、第二分支、第三分支构成；
20、d-2)编码器模块的第一分支依次由python中的torch.nn.multiheadattention建立的多头注意力模块、第一bn层、第一全连接层、relu激活函数、第二bn层、全局平均池化层、第二全连接层构成，将未遮掩的心电片段pi输入到编码器模块的第一分支中，输出得到编码结果pi1，将未遮掩的心电片段pj输入到编码器模块的第一分支中，输出得到编码结果pj1，将未遮掩的心电片段pk输入到编码器模块的第一分支中，输出得到编码结果pk1；
21、d-3)编码器模块的第二分支依次由第一卷积层、第一relu激活函数、平均池化层、第二卷积层、第二relu激活函数、dropout层构成，将编码结果pi1输入到编码器模块的第二分支中，输出得到编码结果pi2，将编码结果pj1输入到编码器模块的第二分支中，输出得到编码结果pj2，将编码结果pk1输入到编码器模块的第二分支中，输出得到编码结果pk2；
22、d-4)编码器模块的第三分支由多维注意力模块mbsa、一维卷积层、最大池化层构成；
23、d-5)多维注意力模块mbsa由第一一维卷积层、残差注意模块rablock、第二一维卷积层、第一最大池化层、记忆模块mbblock、第三一维卷积层、第二最大池化层、relu激活函数构成，将编码结果pi2输入到多维注意力模块mbsa的第一一维卷积层中，输出得到特征p′i2，将编码结果pj2输入到多维注意力模块mbsa的第一一维卷积层中，输出得到特征p′j2，将编码结果pk2输入到多维注意力模块mbsa的第一一维卷积层中，输出得到特征p′k2，残差注意模块rablock由第一分支、第二分支、最大池化层、dropout层构成，第一分支依次由第一一维卷积层、第二一维卷积层、relu激活函数构成，第二分支依次由一维卷积层、python中的torch.nn.multiheadattention建立的多头注意力模块、relu激活函数、最大池化层构成，将特征p′i2输入到残差注意模块rablock的第一分支中，输出得到特征p′i21，将特征p′i21输入到残差注意模块rablock的第二分支中，输出得到特征p′i22，将特征p′i21与特征p′i22相加操作，得到特征p′i23，将特征p′i23依次输入到残差注意模块rablock的最大池化层、dropout层中，输出得到特征p″i2，将特征p′j2输入到残差注意模块rablock的第一分支中，输出得到特征p′j21，将特征p′j21输入到残差注意模块rablock的第二分支中，输出得到特征p′j22，将特征p′j21与特征p′j22相加操作，得到特征p′j23，将特征p′j23依次输入到残差注意模块rablock的最大池化层、dropout层中，输出得到特征p″j2，将特征p′k2输入到残差注意模块rablock的第一分支中，输出得到特征p′k21，将特征p′k21输入到残差注意模块rablock的第二分支中，输出得到特征p′k22，将特征p′k21与特征p′k22相加操作，得到特征p′k23，将特征p′k23依次输入到残本文档来自技高网...
【技术保护点】
1.一种基于随机掩码和生成式自监督学习的心电分类方法，其特征在于，包括，包括如下步骤：
2.根据权利要求1所述的基于随机掩码和生成式自监督学习的心电分类方法，其特征在于：步骤a)中从心电数据集PTB-XL中获取心电数据。
3.根据权利要求1所述的基于随机掩码和生成式自监督学习的心电分类方法，其特征在于，步骤b)包括如下步骤：
4.根据权利要求3所述的基于随机掩码和生成式自监督学习的心电分类方法，其特征在于：步骤c)中使用Python中的for循环和滑动窗口的方式将将处理后的信号X分割成10个长度为500个样本点的心电片段。
5.根据权利要求1所述的基于随机掩码和生成式自监督学习的心电分类方法，其特征在于，步骤d)包括如下步骤：
6.根据权利要求1所述的基于随机掩码和生成式自监督学习的心电分类方法，其特征在于，步骤f)包括如下步骤：
7.根据权利要求1所述的基于随机掩码和生成式自监督学习的心电分类方法，其特征在于，步骤g)包括如下步骤：
8.根据权利要求1所述的基于随机掩码和生成式自监督学习的心电分
9.根据权利要求5所述的基于随机掩码和生成式自监督学习的心电分类方法，其特征在于：步骤d-4)中第三分支的一维卷积层的卷积核大小为3；步骤d-5)中多维注意力模块MBSA的第一一维卷积层的卷积核大小为5，第二一维卷积层的卷积核大小为5，第二一维卷积层的卷积核大小为5，残差注意力模块RABlock的第一分支的第一一维卷积层的卷积核大小为3，残差注意力模块RABlock的第一分支的第一二维卷积层的卷积核大小为3，残差注意力模块RABlock的第二分支的一维卷积层的卷积核大小为5，记忆模块MBBlock的第一分支的一维卷积层的卷积核大小为3，记忆模块MBBlock的第二分支的一维卷积层的卷积核大小为3。
10.根据权利要求6所述的基于随机掩码和生成式自监督学习的心电分类方法，其特征在于：步骤f-1)中解码器模块的第一一维卷积层的卷积核大小为5、步长为2，解码器模块的第二一维卷积层的卷积核大小为3；步骤f-2)中第一分支的第一一维卷积层的卷积核大小为5，第一分支的第二一维卷积层的卷积核大小为5，步长为2；步骤f-3)中解码器模块的第二分支的一维卷积层的卷积核大小为3，第二分支的第一Block的第一一维卷积层的卷积核大小为5，第二分支的第一Block的第二一维卷积层的卷积核大小为5，第二分支的第一Branch的第一一维卷积层的卷积核大小为3，第二分支的第一Branch的第二一维卷积层的卷积核大小为3，第二分支的第二Block的第一一维卷积层的卷积核大小为5，第二分支的第二Block的第二一维卷积层的卷积核大小为5，第二分支的第二Branch的第一一维卷积层的卷积核大小为3，第二分支的第二Branch的第二一维卷积层的卷积核大小为3，第二分支的第三Block的第一一维卷积层的卷积核大小为5，第二分支的第三Block的第二一维卷积层的卷积核大小为5，第二分支的第三Block的第三一维卷积层的卷积核大小为5，第二分支的第三Branch的第一一维卷积层的卷积核大小为3，第二分支的第三Branch的第二一维卷积层的卷积核大小为3。
...【技术特征摘要】
1.一种基于随机掩码和生成式自监督学习的心电分类方法，其特征在于，包括，包括如下步骤：
2.根据权利要求1所述的基于随机掩码和生成式自监督学习的心电分类方法，其特征在于：步骤a)中从心电数据集ptb-xl中获取心电数据。
3.根据权利要求1所述的基于随机掩码和生成式自监督学习的心电分类方法，其特征在于，步骤b)包括如下步骤：
4.根据权利要求3所述的基于随机掩码和生成式自监督学习的心电分类方法，其特征在于：步骤c)中使用python中的for循环和滑动窗口的方式将将处理后的信号x分割成10个长度为500个样本点的心电片段。
5.根据权利要求1所述的基于随机掩码和生成式自监督学习的心电分类方法，其特征在于，步骤d)包括如下步骤：
6.根据权利要求1所述的基于随机掩码和生成式自监督学习的心电分类方法，其特征在于，步骤f)包括如下步骤：
7.根据权利要求1所述的基于随机掩码和生成式自监督学习的心电分类方法，其特征在于，步骤g)包括如下步骤：
8.根据权利要求1所述的基于随机掩码和生成式自监督学习的心电分类方法，其特征在于，步骤h)包括如下步骤：
9.根据权利要求5所述的基于随机掩码和生成式自监督学习的心电分类方法，其特征在于：步骤d-4)中第三分支的一维卷积层的卷积核大小为3；步骤d-5)中多维注意力模块mbsa的第一一维卷积层的卷积核大小为5，第二一维卷积层的卷积核大小为5，第二一维卷积层的卷积核大小为5，残差注意力模块rablock的第一分支的第一一维卷积层的卷积核大小为3，残差注意力模...
【专利技术属性】
技术研发人员：王英龙，刘威，舒明雷，周书旺，刘照阳，朱喆，徐鹏摇，
申请(专利权)人：齐鲁工业大学山东省科学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。