【技术实现步骤摘要】
本专利技术属于心电大模型，具体涉及一种通用心电基座大模型框架构建方法及系统。
技术介绍
1、现有的心电图（electrocardiogram，ecg）分析模型多基于传统的深度学习架构，如基于监督学习的多尺度cnn，lstm，transformer等。这些模型的训练依赖于大量带标签的心电信号数据，且仅适用于特定的心电任务，而标注大量的心电信号依赖于专业医师，标注过程费时费力，临床心电样本标签获取困难，从而限制了人工智能在心电领域的发展。与之相比，无监督预训练大模型不依赖于数据标签，并且能够广泛适用于多种心电分析任务。
2、无监督预训练大模型可以大体分类为以下两种思路：一是基于对比学习的思想，生成增强数据，并在训练过程中约束正负样本之间的距离实现模型训练，如simclr、dino等。另一种是基于掩码建模的方法，通过对掩码的数据进行恢复实现训练任务，如bert，beit等模型。然而，上述模型是为语言或图像设计的，未能充分考虑心电信号的导联特性，因此不能有效地提取心电数据中的信息。这导致了现有无监督预训练大模型无法直接应用于处理心电
【技术保护点】
1.一种通用心电基座大模型框架构建方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的方法，其特征在于：所述获取原始ECG信号作为模型输入并基于三种增强策略进行数据增强训练，得到全体增强数据，包括：
3.根据权利要求2所述的方法，其特征在于：所述通过对所述全体增强数据进行数据重构训练增强VQ-VAE模型，得到分词器和码本的参数，进而获得原始ECG信号的离散表示，包括：
4.根据权利要求3所述的方法，其特征在于：还包括在所述增强VQ-VAE模型中损失函数的基础上，增加样本内部距离损失：
5.根据权利要求4所述的方法，...
【技术特征摘要】
1.一种通用心电基座大模型框架构建方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的方法，其特征在于：所述获取原始ecg信号作为模型输入并基于三种增强策略进行数据增强训练，得到全体增强数据，包括：
3.根据权利要求2所述的方法，其特征在于：所述通过对所述全体增强数据进行数据重构训练增强vq-vae模型，得到分词器和码本的参数，进而获得原始ecg信号的离散表示，包括：
4.根据权利要求3所述的方法，其特征在于：还包括在所述增强vq-vae模型中损失函数的基础上，增加样本内部距离损失：
5.根据权利要求4所述的方法，其特征在于：所述根据原始ecg信号的离散表示构建掩码心电建模任务，根据所述掩码心电建模任务对ecg编码器进行训练，得到心电基座大模型，包括：
6.根据权利要求5所述的方法，其特征在于：所述调用下游任务对所述心电基座...
【专利技术属性】
技术研发人员：孙美琪，许娟，高剑伟，谭巧，史文钊，
申请(专利权)人：神州医疗科技股份有限公司，
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。