[发明专利]一种基于无监督领域自适应的心梗定位方法

权利要求书

1.一种基于无监督领域自适应的心梗定位方法，其特征在于该方法包括以下步骤：

步骤一：将12导联ECG数据进行数据清洗、去除基线漂移和噪声以及心拍分割等数据预处理操作；

步骤二：DA-MBN模型的设计，包括用于提取心梗特征的特征提取器和根据提取到的特征进行分类的分类器，以及网络的训练；

步骤三：无监督领域自适应微调网络方法，包括对无标签的数据的伪标签标定和对使用有监督数据训练出的模型进行自适应微调。

2.根据权利要求1所述的一种基于无监督领域自适应的心梗定位方法，其特征在于：所述的步骤一包括如下过程：

数据集为通过心电采集设备采集的12导联ECG数据，采样频率为1000HZ，之后对其进行预处理，选取心梗五个亚类：前壁MI(AMI)、前间隔MI(ASMI)、前外侧MI(ALMI)、下壁MI(IMI)、下外侧MI(ILMI)和健康的心拍数据进行训练，用DB6小波去除数据本身自带的基线漂移和高频噪声，具体而言是选用DB6小波进行9尺度分解，将代表基线漂移的0Hz到1.95Hz的小波系数和代表高频噪声的125Hz到500Hz的小波系数乘零，之后再对处理后的小波系数应用多分辨率重构算法，进行逐级重构得到去噪信号，再用自适应滑动窗口的方法对信号中的R峰进行定位，并且取R峰前250个点和R峰后400个点，包括R峰在内一共651个点作为一个心拍，并之后重采样到256个采样点并进行归一化操作之后送入DA-MBN网络模型。并使用患者间的方法来划分训练集和测试集；

3.根据权利要求1所述的一种基于无监督领域自适应的心梗定位方法，其特征在于：所述的步骤二包括如下过程：

首先搭建DA-MBN模型中的特征提取器，包含空间金字塔空洞卷积层、拼接层、残差块和注意力层，应用精简的多分支网络处理12导联ECG数据；用多个尺度的一维卷积网络提取多尺度特征，后通过注意力机制对提取出的不同尺度特征进行加权重新分配；

步骤二所包含的空间金字塔空洞卷积层，由6个并行的分支网络组成，每个分支由不同尺度的3×1的一维卷积块和通道注意力机制模块组成，使用一维卷积是保证每个导联的特征只与当前导联相关；所述分支网络使用膨胀率为1到6的空洞卷积进行特征提取；所述一维卷积块使用RELU激活函数；经过聚合操作之后通过注意力模块对每个导联进行重新加权；同时使用dropout层，按照一定概率随机舍弃神经元，以减轻模型的过拟合。

之后搭建分类器，所述分类器由全局最大池化层、全连接层、Softmax函数层构成，使用特征提取器所提取到的特征进行分类，得到心梗类别的预测。

步骤二中网络的训练使用加权交叉熵损失函数，应用自适应估计矩(Adaptive momentestimation，简称Adam)优化器进行反向传播和梯度更新。损失函数如公式(1)所示：

这里w_i表示每个类别对应的权重，用于平衡样本不均衡问题，N是类别，F(·)指特征提取器，H(·)为类判别器。x为输入数据，y为对应的标签。