[發明專利]一種針對含有噪聲標簽的心電圖智能分析方法及心電儀

有效

• 申請號: 202111366375.6
• 申請日: 2021-11-18
• 公開（公告）號: CN114190950B
• 公開（公告）日: 2023-07-28
• 發明（設計）人: 劉昕雯;王歡;李宗瑾
• 申請（專利權）人: 電子科技大學
• 主分類號: A61B5/318
• 分類號: A61B5/318;A61B5/00;G06N3/0464;G06N3/08
• 代理公司: 西安智萃知識產權代理有限公司 61221
• 代理人: 張蓓

1.一種針對含有噪聲標簽的心電圖智能分析方法，其特征在于，包括以下步驟：

步驟S1、首先搭建一個輕量級卷積神經網絡作為分類任務的基礎，并將含有噪聲標簽的心電數據集輸入，并進行基礎的數據學習訓練，訓練后保存模型；

步驟S2、使用所述保存模型對訓練集中所有數據進行標簽預測，接著對訓練集數據進行數據清理，利用卷積神經網絡在訓練過程中先擬合正確信息再對錯誤信息進行過擬合，來減少訓練集中帶有錯誤標簽的數據，訓練并保存過擬合點前訓練好的模型，將與預測結果不一致的數據從數據集中刪除，剩下的數據組成過濾后的訓練集，用過濾后的訓練集來預測訓練集中數據的標簽，比較后刪除與預測標簽不一致的數據，得到數據清理后的數據集；使用過濾后的訓練集對保存的模型繼續進行訓練；從而減少了訓練集中錯誤標記數據的比例，使卷積神經網絡能夠學習正確的樣本內容；

步驟S3、繼續訓練卷積神經網絡，利用拓撲原理，將卷積神經網絡中的損失函數替換為抗噪聲標簽損失函數，并調整參數，抗噪聲標簽損失函數根據模型的當前狀態動態更新預測目標，使用交叉熵目標，同時根據模型的當前狀態在每個小批量中生成新的回歸目標，由當前預測標簽和嘈雜訓練的“硬”版本凸組合產生最終目標，從而減少卷積神經網絡對錯誤標簽數據的關注來提高分類精度，用來對數據清理中沒有清除掉的帶有錯誤標簽的心電數據進行進一步的處理；

步驟S4、將步驟S3得出的模型用過濾后數據集繼續訓練，訓練結束后即可輸入測試樣本，卷積神經網絡對樣本進行評估，得到輸出結果；

所述步驟S3中，將卷積神經網絡中的損失函數替換為抗噪聲標簽損失函數并將參數調至0.1，通過減少卷積神經網絡對錯誤標簽的關注，使卷積神經網絡擁有判斷嘈雜標簽一致性的能力，從而減少帶有錯誤標簽樣本對心電診斷的負面影響；

使用類概率p的最大后驗估計來調整回歸目標，表示為z_k；抗噪聲標簽損失函數為：

其中t_k是數據的訓練目標，β是一個可以調整的參數，p_k是第k次訓練的類概率。

2.根據權利要求1所述的針對含有噪聲標簽的心電圖智能分析方法，其特征在于，所述步驟S1中，首先搭建一個十一層一維卷積神經網絡作為分類任務的基礎，訓練四個批次后保存模型。

3.根據權利要求2所述的針對含有噪聲標簽的心電圖智能分析方法，其特征在于，采用Adam優化器和0.00006的學習率；每個模型訓練100個紀元，批量大小設置為32。

4.根據權利要求1所述的針對含有噪聲標簽的心電圖智能分析方法，其特征在于，將心跳記錄剪裁成長度為250s的片段，作為可輸入的心電數據。

5.一種心電儀，其特征在于，使用權利要求1所述的針對含有噪聲標簽的心電圖智能分析方法。