一种基于对比学习和CHNet模型的心电分类方法技术

一种基于对比学习和CHNet模型的心电分类方法，涉及心电信号分类领域，首先无标签心电信号经由预处理操作之后得到采样频率、采样点数规格统一的信号，信号传入数据增强层经由两种不同信号的增强组合分别得到增强后的信号，借助CHNet神经网络分别重新编码先前得到的增强信号编码，进行通过设计的对比损失函数计算两种增强信号编码之前的差距，即不同类别之间使其差距更大相同类别之间差距更小。根据损失之间的差异更新CHNet模型，最后添加线性层实现对心电信号的分类。

【技术实现步骤摘要】

本专利技术涉及心电信号分类领域，具体涉及一种基于对比学习和chnet模型的心电分类方法。

技术介绍

1、心电信号分类问题上目前大部分方法都依赖于大量标注数据，标签稀缺问题对心电分类仍然存在限制，而本文的方法可以通过利用无标注的数据和少量标注数据就可以实现较好的分类效果。在对比学习方法中，编码器的设计是至关重要的，目前常见编码器在设计上对心电信号的时序信息和导联间信息的利用上不充分，且易受到各类噪声的影响对于心电信号特征的提取利用不充分。且常见编码器在对数据特征提取时，容易因数据集的不同而导致最终在其他数据集上的分类效果不好，难以有效发挥对比学习的优势。

技术实现思路

1、本专利技术为了克服以上技术的不足，提供了一种提高心电信号分类任务的性能和鲁棒性的心电分类方法。

2、本专利技术克服其技术问题所采用的技术方案是：

3、一种基于对比学习和chnet模型的心电分类方法，包括如下步骤：

4、a)获取原始心电信号x；

5、b)对原始心电信号x进行数据增强，得到增强后的心本文档来自技高网...

【技术保护点】

1.一种基于对比学习和CHNet模型的心电分类方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的基于对比学习和CHNet模型的心电分类方法，其特征在于：步骤a)中从Chapman数据集中获取长度为10秒、采样频率为500Hz的原始心电信号X。

3.根据权利要求1所述的基于对比学习和CHNet模型的心电分类方法，其特征在于，步骤b)包括如下步骤：

4.根据权利要求3所述的基于对比学习和CHNet模型的心电分类方法，其特征在于：步骤b-1)中高斯噪声的均值为0、标准差为1；步骤b-3)中滤波处理时滤波器的阶数为4、截止频率为500。

5...

【技术特征摘要】

1.一种基于对比学习和chnet模型的心电分类方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的基于对比学习和chnet模型的心电分类方法，其特征在于：步骤a)中从chapman数据集中获取长度为10秒、采样频率为500hz的原始心电信号x。

3.根据权利要求1所述的基于对比学习和chnet模型的心电分类方法，其特征在于，步骤b)包括如下步骤：

4.根据权利要求3所述的基于对比学习和chnet模型的心电分类方法，其特征在于：步骤b-1)中高斯噪声的均值为0、标准差为1；步骤b-3)中滤波处理时滤波器的阶数为4、截止频率为500。

5.根据权利要求1所述的基于对比学习和chnet模型的心电分类方法，其特征在于，步骤d)包括如下步骤：

6.根据权利要求5所述的基于对比学习和chnet模型的心电分类方法，其特征在于：hm模块的第一分支的第一一维卷积层的卷积核大小为7，第一分支的第二一维卷积层的卷积核大小为5，第一分支的第三一维卷积层的卷积核大小为5；hm模块的第二分支的第一一维卷积层的卷积核大小为9，第二分支的第二一维卷积层的卷积核大小为9，第二分...

【专利技术属性】
技术研发人员：刘照阳，周书旺，吕建东，徐鹏摇，刘威，徐国璇，刘振宇，
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：