[发明专利]基于生成式对抗网络技术的心电图生成及分类方法

权利要求书

1.一种基于生成式对抗网络的心电图生成及分类方法，其特征在于，包括如下步骤：

(1)下载心电记录数据集，解析所述心电记录数据集中的每条心电记录以获取多条心电曲线，解析得到的多条心电曲线构成样本心电曲线数据集，转至步骤(2)和步骤(3)；

(2)通过RBF神经网络对所述样本心电曲线数据集中的心电曲线进行训练，得到分类模型，转至步骤(7)；

(3)通过GAN生成式对抗网络对所述样本心电曲线数据集中的心电曲线进行训练，得到生成模型和判别模型，转至步骤(4)；

(4)通过所述生成模型生成多条心电曲线，生成的多条心电曲线构成生成心电曲线数据集，转至步骤(5)；

(5)判断所述生成心电曲线数据集中是否有无效心电曲线，如是，则自所述生成心电曲线数据集移除无效心电曲线，转至步骤(6)，如否，则直接转至步骤(6)；

(6)判断所述生成心电曲线数据集中的有效心电曲线心率是否异常，如是，则自所述生成心电曲线数据集移除心率异常心电曲线，转至步骤(7)，如否，则直接转至步骤(7)

(7)通过所述分类模型对所述生成心电曲线数据集中的心率正常心电曲线进行如下分类：正常、左束支传导阻滞、右束支传导阻滞、房性早搏以及室性早搏。

2.根据权利要求1所述的心电图生成及分类方法，其特征在于，步骤(1)中，自MIT医疗数据库网站下载MIT-BTH数据集以构成所述心电记录数据集，每条心电记录由头文件[.hea]，数据文件[.dat]，注释文件[.art]组成，在Matlab环境下解析所述心电记录数据集中的每条心电记录，所述心电曲线以tif的格式存储。

3.根据权利要求1所述的心电图生成及分类方法，其特征在于，每条心电记录包括两个导联，步骤(2)中，在进行训练之前，将样本心电曲线数据集中不包括出现频率最高的修正肢导联Ⅱ的心电记录移除。

4.根据权利要求1所述的心电图生成及分类方法，其特征在于，步骤(2)中，RBF神经网络的sigmoid输出函数如下：

ρ(||x-c_i||)＝exp(-β||x-c_i||²)；

其中，x指的是输入向量，大小为1*m；

N指的是隐藏层的神经元个数；

ci指的是神经元i的中心向量；

ai指的是线性输出层神经元i的权重；

ρ指的是径向基函数，此处选择高斯函数作为径向基函数；

exp(·)指的是以e为底数的对数函数；

β是一个普通的参数，用以优化φ函数和数据之间的匹配。

5.根据权利要求4所述的心电图生成及分类方法，其特征在于，各个聚类的中心采用如下步骤得到：

(2.1)从所述样本心电曲线数据集中任意选择五条心电曲线分别作为五个聚类的中心；

(2.2)计算每条心电曲线与各个中心的距离，每条心电曲线加入与其距离最小的中心所属的聚类，加入聚类的心电曲线为聚类对象；

(2.3)重新计算有变化的聚类的中心；

(2.4)根据如下函数计算方差，

其中，cmax代表最终的每个聚类中，聚类对象与中心的最大距离；

m表示隐藏层的神经元个数；

判断函数是否收敛，如是，则终止训练，各个聚类的中心坐标分别作为各个神经元的中心向量，如否，则转至步骤(2.2)。

6.根据权利要求5所述的心电图生成及分类方法，其特征在于，根据如下函数计算每个聚类的权重,

a的下标i代表隐藏层第i个神经元；

o代表输出层，即隐藏层第i个神经元与输出层之间的权重；

m表示隐藏层的神经元个数；

p代表隐藏层中第i个神经元连接到输出层的所有输入向量的个数；

x_j表示表示第i个神经元中所有连接到输出层的输入向量中的第j个向量。