[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

说明书

本发明涉及一种基于对抗学习的P波识别方法、终端设备及存储介质，该方法中包括：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。本发明通过构建的生成对抗网络，实现了对心电图P波的识别，解决了现有技术对P波识别效果差的问题。

技术领域

本发明涉及心电图识别领域，尤其涉及一种基于对抗学习的P波识别方法、 终端设备及存储介质。

背景技术

心电图的P波是心房除极波，代表左右二心房的激动，分析P波对心律失 常的诊断与鉴别诊断具有重要意义。在心电图自动分析中，P波识别往往会面临 比较大的困难，这是因为相比较于心室波QRS-T，P波幅度低，能量小，而且 经常和其他波形重叠。现有的P波识别方法往往基于带通滤波和阈值比对的方 法，普通的窦性P波在伪差干扰比较小的情况下识别成功率可以接受，但是对 于房性P波、逆传P波、未下传等非常规的P波，识别效果就比较差。这些情 况下P波的模式很难用固定的规则来表达，目前只能靠人类医生的经验和直觉 判定。想要在机器上直接编码人类的经验和直觉是困难的，然而，可以将问题 转化为建立P波的条件分布模型。近年来，深度学习领域发展出的生成对抗网 络(GAN)在学习图像数据分布上展现了优异的成果，但由于心电信号相对自然图 像的特殊性，目前尚未有此类应用。

发明内容

为了解决上述问题，本发明提出了一种基于对抗学习的P波识别方法、终 端设备及存储介质。

具体方案如下：

一种基于对抗学习的P波识别方法，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。

进一步的，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。

进一步的，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。

进一步的，生成器的损失函数total_gen_loss为：

total_gen_loss＝gan_loss+l1_loss