[发明专利]基于新型生成对抗网络的心电信号增强方法

说明书

一种基于新型生成对抗网络的心电信号增强方法，通过使用不同隐藏神经元大小的双向长短时记忆神经网络的多分支结构，同时，将不同BiLSTM前向传播的最后一个时间步的输出进行拼接，有效增强了生成器模型对输入数据的理解和表达能力。提出了一个新的心电信号增强模块EEA‑Net，该模块使用了自适应卷积层动态的调整卷积核的大小，使得模型能够更加灵活的处理不同长度的输入序列，同时该模型使用了自适应平均池化层对输入数据进行加权平均池化，以便更好地捕捉输入数据的重要信息。

技术领域

本发明涉及心电信号处理技术领域，具体涉及一种基于新型生成对抗网络的心电信号增强方法。

背景技术

目前由于现有的心电数据库中的正常信号和异常信号严重失衡，导致现有的心电信号分类方法在不平衡心电数据集上的分类效果不佳。因此，有效的心电信号增强技术有助于提升不平衡心电数据的分类效果。

传统的方法主要包括利用数学模型、平移、加噪等方式实现心电信号扩增；现有的深度学习方法主要包括利用过采样技术、编解码结构等生成心电信号。但是，这些方法对于心电信号增强的效果不如预期所想，且对于生成的心电信号质量没有客观的判断标准。生成对抗网络是目前广泛使用的数据扩增方法之一，目前在心电信号处理领域也有了一定的应用。但是，由于当前不平衡心电信号数据集中部分类别的数据量仍然相对较小，因此使用GAN模型合成高质量的数据存在一定的困难。

发明内容

本发明为了克服以上技术的不足，提供了一种基于新型生成对抗网络的心电信号增强方法。

本发明克服其技术问题所采用的技术方案是：

一种基于新型生成对抗网络的心电信号增强方法，包括如下步骤：

a)将采集到的心电信号进行重采样操作；

b)将重采样后的心电信号数据进行归一化处理；

c)利用Pan_Tompkin检测算法提取归一化后的心电信号的R波位置，按R波前m个采样点和R波后n个采样点将归一化后的心电信号进行心拍划分，得到心拍数据集，U＝{U₁,U₂,...,U_t,...,U_Z}，U_t为第t条心拍记录，t∈{1,2,...,Z}，Z为心拍的条数，每条心拍记录的长度为N，每条心拍记录的维度均为1*N维；d)将心拍数据集U以a:b:c的比例划分为训练集X_train、验证集X_val、测试集X_test；

e)建立由生成器网络和鉴别器网络构成的生成对抗网络模型，将随机噪声Noise_fixed按照批次大小batch输入到生成对抗网络模型的生成器网络中，输出得到合成信号集合X_g，随机噪声Noise_fixed的维度为batch*1*N维；

f)将训练集X_train输入到生成对抗网络模型的鉴别器网络中，得到输出标签将合成信号集合X_g输入到生成对抗网络模型的鉴别器网络中，得到输出标签

g)通过博弈的方式训练生成器网络和鉴别器网络；

h)将维度为batch*1*N维的随机噪声N_g输入到训练后的生成器网络中，输出得到增强的心电信号U_g。

优选的，步骤a)中重采样时的采样频率为125Hz。

优选的，步骤d)中a＝7，b＝1.5，c＝1.5。

进一步的，步骤e)包括如下步骤：

e-1)生成器网络依次由第一卷积块、第二卷积块、第三卷积块、多分支双向长短时记忆神经网络模块、EEA-Net模块、全连接层构成；