买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：齐鲁工业大学(山东省科学院);山东省计算中心(国家超级计算济南中心)

摘要：一种基于自监督学习的多导联心电分类方法，涉及心电信号分类技术领域，首先采用多种不同数据增强的方式对原始信号进行处理，设计合适的编码器模块和利用大量易获得的无标签数据提取心电特征，使编码器学习到更多关于心电信号类别的信息。最后利用少量标注数据微调模型编码器进行特征优化，通过训练模型，不断优化特征提取器的参数，使得生成的特征能够更好地反映输入数据的结构和信息。自监督学习的方式在一定程度上减少心电分类需要大量昂贵人工标注数据造成的阻碍，提高了模型的泛化能力。

主权项：1.一种基于自监督学习的多导联心电分类方法，其特征在于，包括如下步骤：a获取原始心电信号数据X；b将原始心电信号数据X进行预处理操作，得到预处理后的心电信号X′；c建立数据增强单元，将预处理后的心电信号X′输入到数据增强模块中，输出得到增强后的正样本Xa及增强后的负样本Ya；d建立编码器模块，将增强后的正样本Xa输入到编码器模块中，输出得到编码序列Xc，将增强后的负样本Ya输入到编码器模块中，输出得到编码序列Yc；e建立特征维度重构模块，将编码序列Xc输入到特征维度重构模块中，输出得到重构维度后的导联特征Xg，将编码序列Yc输入到特征维度重构模块中，输出得到重构维度后的导联特征Yg；f使用Adam优化器通过对比学习损失训练编码器模块，得到训练后的编码器模块；g将需要分类的心电信号数据Z，替代步骤b中的原始心电信号数据X后重复执行步骤b，得到预处理后的心电信号Z′；h将预处理后的心电信号Z′输入到训练后的编码器模块中，输出得到编码序列Zc；i将编码序列Zc替代步骤e中的编码序列Xc后重复执行步骤e，得到重构维度后的导联特征Zg；j根据导联特征Zg得到最终类别；步骤d包括如下步骤：d-1编码器模块由一维卷积层、时域融合模块TCFN、平均池化层、Dropout层构成；d-2将增强后的正样本Xa输入到一维卷积层中，输出得到特征Xc1，将增强后的负样本Ya输入到一维卷积层中，输出得到特征Yc1；d-3时域融合模块TCFN由第一分支、第二分支、第三分支构成；d-4第一分支由第一卷积块、第二卷积块、第三卷积块、第四卷积块，第一卷积块、第二卷积块、第三卷积块、第四卷积块均依次由第一卷积层、第二卷积层、BatchNormal1d层、ReLU层、MaxPool1d层、Dropout层构成，将特征Xc1输入到第一分支的第一卷积块中，输出得到特征将特征输入到第一分支的第二卷积块中，输出得到特征将特征输入到第一分支的第三卷积块中，输出得到特征将特征输入到第一分支的第四卷积块中，输出得到特征Xc′1，将特征Yc1输入到第一分支的第一卷积块中，输出得到特征将特征输入到第一分支的第二卷积块中，输出得到特征将特征输入到第一分支的第三卷积块中，输出得到特征将特征输入到第一分支的第四卷积块中，输出得到特征Yc′1；d-5第二分支由导联记忆模块LM_Block、跳跃连接模块构成，导联记忆模块LM_Block依次由全局池化层、LSTM层、一维卷积层、Relu激活函数构成，将特征Xc1输入到导联记忆模块LM_Block中，输出得到特征Xc11，将特征Xc11与特征Xc1输入到跳跃连接模块中进行相加操作，得到特征Xc″1，将特征Yc1输入到导联记忆模块LM_Block中，输出得到特征Yc11，将特征Yc11与特征Yc1输入到跳跃连接模块中进行相加操作，得到特征Yc′1′；d-6第三分支由注意力模块、第一一维卷积层、第二一维卷积层、第三一维卷积层、最大池化层构成，将特征Xc1输入到注意力模块中通过python中torch.nn.MultiheadAttention函数进行注意力操作后依次输入到第一一维卷积层、第二一维卷积层、第三一维卷积层、最大池化层中，输出得到编码序列Xc″1′，将特征Yc1输入到注意力模块中通过python中torch.nn.MultiheadAttention函数进行注意力操作后依次输入到第一一维卷积层、第二一维卷积层、第三一维卷积层、最大池化层中，输出得到编码序列Yc′1″；d-7将特征Xc′1、特征Xc″1、编码序列Xc″1′相加后取平均值，得到特征Xc2，将特征Yc′1、特征Yc′1′、编码序列Yc′1″相加后取平均值，得到特征Yc2，将特征Xc2依次输入到编码器模块的平均池化层、Dropout层中，输出得到编码序列Xc，将特征Yc2依次输入到编码器模块的平均池化层、Dropout层中，输出得到编码序列Yc。

全文数据：

权利要求：

百度查询： 齐鲁工业大学(山东省科学院) 山东省计算中心(国家超级计算济南中心) 一种基于自监督学习的多导联心电分类方法