[發明專利]一種基于無監督領域自適應的心梗定位方法

在審

• 申請號: 202211210994.0
• 申請日: 2022-09-30
• 公開（公告）號: CN115553786A
• 公開（公告）日: 2023-01-03
• 發明（設計）人: 宋立新;李俊翰;王乾
• 申請（專利權）人: 哈爾濱理工大學
• 主分類號: A61B5/321
• 分類號: A61B5/321;A61B5/346;A61B5/352;G06N3/04;G06N3/08
• 代理公司: 哈爾濱市松花江專利商標事務所 23109
• 代理人: 岳泉清

1.一種基于無監督領域自適應的心梗定位方法，其特征在于該方法包括以下步驟：

步驟一：將12導聯ECG數據進行數據清洗、去除基線漂移和噪聲以及心拍分割等數據預處理操作；

步驟二：DA-MBN模型的設計，包括用于提取心梗特征的特征提取器和根據提取到的特征進行分類的分類器，以及網絡的訓練；

步驟三：無監督領域自適應微調網絡方法，包括對無標簽的數據的偽標簽標定和對使用有監督數據訓練出的模型進行自適應微調。

2.根據權利要求1所述的一種基于無監督領域自適應的心梗定位方法，其特征在于：所述的步驟一包括如下過程：

數據集為通過心電采集設備采集的12導聯ECG數據，采樣頻率為1000HZ，之后對其進行預處理，選取心梗五個亞類：前壁MI(AMI)、前間隔MI(ASMI)、前外側MI(ALMI)、下壁MI(IMI)、下外側MI(ILMI)和健康的心拍數據進行訓練，用DB6小波去除數據本身自帶的基線漂移和高頻噪聲，具體而言是選用DB6小波進行9尺度分解，將代表基線漂移的0Hz到1.95Hz的小波系數和代表高頻噪聲的125Hz到500Hz的小波系數乘零，之后再對處理后的小波系數應用多分辨率重構算法，進行逐級重構得到去噪信號，再用自適應滑動窗口的方法對信號中的R峰進行定位，并且取R峰前250個點和R峰后400個點，包括R峰在內一共651個點作為一個心拍，并之后重采樣到256個采樣點并進行歸一化操作之后送入DA-MBN網絡模型。并使用患者間的方法來劃分訓練集和測試集；

3.根據權利要求1所述的一種基于無監督領域自適應的心梗定位方法，其特征在于：所述的步驟二包括如下過程：

首先搭建DA-MBN模型中的特征提取器，包含空間金字塔空洞卷積層、拼接層、殘差塊和注意力層，應用精簡的多分支網絡處理12導聯ECG數據；用多個尺度的一維卷積網絡提取多尺度特征，后通過注意力機制對提取出的不同尺度特征進行加權重新分配；

步驟二所包含的空間金字塔空洞卷積層，由6個并行的分支網絡組成，每個分支由不同尺度的3×1的一維卷積塊和通道注意力機制模塊組成，使用一維卷積是保證每個導聯的特征只與當前導聯相關；所述分支網絡使用膨脹率為1到6的空洞卷積進行特征提取；所述一維卷積塊使用RELU激活函數；經過聚合操作之后通過注意力模塊對每個導聯進行重新加權；同時使用dropout層，按照一定概率隨機舍棄神經元，以減輕模型的過擬合。

之后搭建分類器，所述分類器由全局最大池化層、全連接層、Softmax函數層構成，使用特征提取器所提取到的特征進行分類，得到心梗類別的預測。

步驟二中網絡的訓練使用加權交叉熵損失函數，應用自適應估計矩(Adaptive momentestimation，簡稱Adam)優化器進行反向傳播和梯度更新。損失函數如公式(1)所示：

這里w_i表示每個類別對應的權重，用于平衡樣本不均衡問題，N是類別，F(·)指特征提取器，H(·)為類判別器。x為輸入數據，y為對應的標簽。