[发明专利]一种基于对抗学习的P波识别方法、终端设备及存储介质

权利要求书

1.一种基于对抗学习的P波识别方法，其特征在于，包括以下步骤：

S1：采集心电图数据并对其内的P波进行标记，将心电图数据和对应的P波标记数据共同组成训练集；

S2：构建生成对抗网络模型，设定其中的生成器和判别器的损失函数，通过训练集对生成器和判别器进行迭代训练，使得生成器的损失函数最小，判别器的损失函数最大；

S3：通过训练后的生成器生成待标记心电图数据中的P波标记数据，实现对心电图数据的P波识别。

2.根据权利要求1所述的基于对抗学习的P波识别方法，其特征在于：步骤S1还包括对心电图数据和对应的P波标记数据进行裁剪，裁剪的方法为：

(1)设定数组input_image为心电图数据对应的数组，数组real_image为P波标记数据对应的数组，将input_image和real_image转化为张量，张量维度为[1，1，n，1]，其中n表示原始心电图数据的采样长度；

(2)将input_image和real_image在第一个维度上进行堆叠，将堆叠后的结果记为stacked_image，其维度为[2，1，n，1]；

(3)对stacked_image的第三个维度进行随机抽样，抽样的范围从0到n-s，s表示裁剪大小，然后把从抽样点开始s个点的数据截取出来，记作cropped_image，维度为[2，1，s，1]；

(4)将cropped_image在第一个维度进行拆分，将拆分结果重新赋给input_image和real_image作为裁剪后的结果。

3.根据权利要求1所述的基于对抗学习的P波识别方法，其特征在于：步骤S1还包括对心电图数据和对应的P波标记数据进行归一化处理。

4.根据权利要求1所述的基于对抗学习的P波识别方法，其特征在于：生成器的损失函数total_gen_loss为：

total_gen_loss＝gan_loss+l1_loss

gan_loss＝BinaryCrossentropy(disc_generated_output，ones_like_disc_generated_output)

l1_loss＝reduce_mean(|gen_output-target|)

其中，disc_generated_output表示判别器的输出张量，ones_like_disc_generated_output表示与disc_generated_output格式相同且值全为1的张量，BinaryCrossentropy表示计算二分类交叉熵，gen_output表示生成器的输出张量，target表示生成器的输入对应的真实P波标记数据，reduce_mean表示在所有维度上求均值，gan_loss和l1_loss均为损失函数的中间变量。

5.根据权利要求1所述的基于对抗学习的P波识别方法，其特征在于：判别器的损失函数total_disc_loss为：

total_disc_loss＝real_loss+generated_loss

real_loss＝BinaryCrossentropy(disc_real_output，ones_like_disc_real_output)

generated_loss＝BinaryCrossentropy(disc_generated_output,zeros_like_disc_generated_output)

其中，disc_real_output是心电图数据和其对应的P波标记数据输入判别器后得到的输出，ones_like_disc_real_output是和disc_real_output格式相同但值全为1的张量，BinaryCrossentropy表示计算二分类交叉熵，disc_generated_output是心电图数据和心电图数据通过生成器生成的P波标记数据输入判别器后得到的输出，zeros_like_disc_generated_output是和disc_generated_output格式相同但值全为0的张量，real_loss和generated_loss均为损失函数的中间变量。