[发明专利]一种心电表征自监督学习方法

权利要求书

1.一种心电表征自监督学习方法，其特征在于，包括以下步骤：

步骤1，基于增噪处理和滤波处理实现心电数据转换处理，心电数据转换处理分为预处理阶段、增噪处理阶段和滤波处理阶段；

步骤2，基于对抗学习构建编码器与判别器对抗任务，通过构建心电表征自监督学习模型的对抗学习模块，以实现编码器和判别器的对抗任务；

步骤3，基于回归网络构建心电时空回归任务，通过构建心电表征自监督学习模型的回归模块，以实现心电数据时空回归任务；

步骤4，基于对比学习构建患者对比任务，构建心电表征自监督学习模型的对比学习模块，以实现患者对比任务；

所述的步骤2中编码器分为有梯度编码器E()和无梯度编码器二者结构相同，用于提取心电表征；步骤2中判别器D()用于判别信号所属伪标签类别，根据转换方式定义以及公式(3)生成伪标签pl^δ；

公式(3)为

公式(3)中δ∈{α，β}，α和β分别表示心电原始数据经过增噪处理和滤波处理；

所述的步骤2中对抗任务分为判别器训练和编码器训练两个阶段；判别器训练阶段包括：以无梯度编码器提取的表征为数据集，训练过程中固定无梯度编码器的参数，通过最小化公式(4)生成训练判别器D()，

公式(4)为

公式(4)中N为数据样本量，和表示无梯度编码器提取的表征；

编码器训练阶段包括：以有梯度编码器E()提取的表征为数据集，训练过程中固定判别器D()的参数，通过最小化公式(5)生产训练有梯度编码器E()，

公式(5)为

公式(5)中和分别为噪声增强和噪声滤除处理后的转换数据，和表示有梯度编码器E()提取的表征；

所述的步骤3中回归模块包括两条支路，每条支路均由有梯度编码器E()和回归网络R()组成；时空回归任务分为表征重组和时空回归两个阶段；表征重组包括：根据公式(6)和公式(7)分别重组两条支路中有梯度编码器E()提取的表征，

公式(6)为

公式(7)为

公式(6)和公式(7)中combine()表示重组操作，r_i^α和r_i^β表示有梯度编码器E()提取的表征，K为表征长度，τ为头片段长度；

时空预测阶段包括：表征被分为头片段和尾片段以头片段为回归网络月()的输入得到语义令牌用于预测尾片段根据公式(8)生成的f_k()表示数据和语义令牌的互信息，

公式(8)为

公式(8)中W_k()为映射至的线性函数，其中1≤k≤K-τ；

训练中通过最小化公式(9)、公式(10)和公式(11)来生成最大化数据与语义令牌的互信息，

公式(9)为

公式(10)为

公式(11)为Loss_T＝E_i∈N[Loss_α+Loss_β]；

所述的步骤4中对比学习模块包括两条对比支路，每条支路均由映射网络P()和预测网络Q()组成；患者对比任务分为构建患者级实例集和对比学习两个阶段；构建患者级实例集阶段包括：根据数据集各个实例所属的患者ID信息，通过公式(12)构建患者级实例集patient_set，

公式(12)为patient_set＝{p₁，…p_i，…，p_N}，

公式(12)中N表示数据集实例数量，p_i为患者级实例子集，表示第i个实例所属患者的其他实例，

对比学习阶段包括：以语义令牌和分别作为两条对比支路中映射网络P()的输入，得到映射向量和再以映射向量和作为预测网络Q()的输入，得到预测向量和通过最小化公式(13)、公式(14)、公式(15)和公式(16)，最大化相同患者下实例的映射向量与预测向量的余弦相似度，

公式(13)为

公式(14)为

公式(15)为

公式(16)为Loss_c＝E_i∈N[Loss_intra+Loss_inter]，

公式中sg()表示停止梯度；

通过最小化公式(17)实现模型学习信号的时空及语义有效表征，

公式(17)Loss_F＝λ₁Loss_G+λ₂Loss_T+λ₃Loss_C，

公式(17)中λ₁、λ₂和λ₃分别表示Loss_G、Loss_T和Loss_C的权重。

2.根据权利要求1所述的心电表征自监督学习方法，其特征在于：所述的步骤1中预处理包括对心电原始数据进行频率重采样和幅值归一化处理；步骤1中增噪处理阶段包括：以麻省理工学院噪声压力测试数据库为噪声源，随机截取任意噪声源导联下与心电原始数据等长的基线漂移、肌电噪声及工频噪声片段，根据公式(1)分别在心电原始数据中合成上述三种噪声，

公式(1)为

公式(1)中x_i，l，t第i例第l导联第t时刻下心电数据的采样点幅值，Tab_l，t、Tae_l，t和Tap_l，t分别表示用于合成至x_i，l，t的基线漂移、肌电噪声及工频噪声等噪声的采样点幅值；

步骤1中滤波处理阶段包括：分别采用巴特沃斯滤波器、有限脉冲响应滤波器和无限脉冲响应滤波器去除心电原始数据中的基线漂移、肌电噪声和工频噪声，根据公式(2)生成去噪后的心电数据，

公式(2)为

公式(2)中Tdb_l，t、Tde_l，t和Tdp_l，t分别表示从x_i，l，t中去除的基线漂移、肌电噪声及工频噪声等噪声的采样点幅值。