欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2025108658313
申请人: 华东交通大学
专利类型:发明专利
专利状态:已下证
专利领域: 医学或兽医学;卫生学
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种面向心电信号分析的多任务深度学习方法,其特征在于,所述方法包括如下步骤:步骤1、对原始心电信号进行预处理,得到标准化后的加噪心电信号;

步骤2、在第一阶段中,利用双向深度特征提取模型对标准化后的加噪心电信号进行降噪处理,得到重构心电信号,基于重构心电信号构建均方误差,将均方误差作为损失函数对双向深度特征提取模型进行训练,得到第一阶段训练后的双向深度特征提取模型;

步骤3、在第二阶段中,提取第一阶段训练后的双向深度特征提取模型的参数作为初始化权重,并嵌入至双向深度特征提取模型中,以得到第二阶段的双向深度特征提取模型,利用第二阶段的双向深度特征提取模型对重构心电信号进行特征提取与优化,以得到优化后的多尺度特征;

步骤4、基于分类器与多层感知机,利用优化后的多尺度特征分别构建心律失常分类任务与心率检测任务,以分别得到心律失常分类结果与心率预测值;

其中,利用双向深度特征提取模型对输入特征进行处理时,具体包括如下子步骤:将输入特征依次经过7层卷积自编码器逐步提取多尺度特征,并在最后3层卷积层中嵌入自注意力机制;

将最后4层编码器的输出特征作为C层特征,并分别对四个C层特征进行一维卷积操作,以分别得到四个P层特征;

将四个P层特征分别进行两倍上采样,以分别得到四个初始Q层特征;

对四个初始Q层特征进行横向融合,得到四个Q层特征;

将四个Q层特征分别进行两倍下采样,以得到四个初始N层特征;

对四个初始N层特征进行横向融合,并与四个C层特征进行残差连接,以得到四个N层特征;

基于四个N层特征,对每个N层特征进行差异计算,得到N层特征之间的差值;

将N层特征之间的差值进行均值计算,得到差异图;

将差异图依次经过三维卷积操作、ReLU激活函数处理、一维卷积操作与激活函数处理,以得到注意力权重图;

分别对四个N层特征进行注意力加权融合,并进行均值计算,以得到输出特征。

2.根据权利要求1所述的面向心电信号分析的多任务深度学习方法,其特征在于,在所述步骤1中,对原始心电信号进行预处理,得到标准化后的加噪心电信号,具体包括如下子步骤:对原始心电信号进行重采样处理,得到重采样心电信号,对重采样心电信号进行加噪处理,得到加噪心电信号;

对重采样心电信号进行标准化处理,得到标准化后的重采样心电信号;

对加噪心电信号进行标准化处理,得到标准化后的加噪心电信号。

3.根据权利要求2所述的面向心电信号分析的多任务深度学习方法,其特征在于,在对原始心电信号进行重采样处理,得到重采样心电信号,对重采样心电信号进行加噪处理,以得到加噪心电信号的步骤中,存在如下关系式:;

其中,表示加噪心电信号,表示原始心电信号,表示低频基线漂移噪声,表示随机因子,表示控制低频基线漂移噪声强度的随机因子,表示工频干扰噪声,表示控制工频干扰噪声强度的随机因子,表示肌电干扰噪声,表示控制肌电干扰噪声强度的随机因子;

在对重采样心电信号进行标准化处理,得到标准化后的重采样心电信号的步骤中,存在如下关系式:;

其中,表示标准化后的重采样心电信号,表示重采样心电信号的均值,表示重采样心电信号的标准差;

在对加噪心电信号进行标准化处理,得到标准化后的加噪心电信号的步骤中,存在如下关系式:;

其中,表示标准化后的加噪心电信号,表示加噪心电信号的均值,表示加噪心电信号的标准差。

4.根据权利要求3所述的面向心电信号分析的多任务深度学习方法,其特征在于,在所述步骤2中,在第一阶段中,利用双向深度特征提取模型中对标准化后的加噪心电信号进行降噪处理,得到重构心电信号,基于重构心电信号构建均方误差,将均方误差作为损失函数对双向深度特征提取模型进行训练,得到第一阶段训练后的双向深度特征提取模型,对应过程中存在如下关系式:;

其中,表示均方误差,表示样本总数,表示样本的索引,表示第个样本的输入特征,表示第个样本的预测结果,表示第个样本的真实标签。

5.根据权利要求1所述的面向心电信号分析的多任务深度学习方法,其特征在于,在将输入特征依次经过7层卷积自编码器逐步提取多尺度特征,并在最后3层卷积层中嵌入自注意力机制的步骤中,存在如下关系式:;

其中,表示查询矩阵,表示键矩阵,表示值矩阵,表示经过softmax激活函数处理,表示转置,表示键向量的维度;

在基于四个N层特征,对每个N层特征进行差异计算,得到N层特征之间的差值的步骤中,存在如下关系式:;

其中,表示N层第个特征与N层第个特征的差值,表示N层第个特征,表示N层第个特征;

在将N层特征之间的差值进行均值计算,得到差异图的步骤中,存在如下关系式:;

其中,表示差异图;

在将差异图依次经过三维卷积操作、ReLU激活函数处理、一维卷积操作与激活函数处理,以得到注意力权重图的步骤中,存在如下关系式:;

其中,表示注意力权重图,表示经过Sigmoid激活函数处理,表示经过一维卷积操作,表示经过ReLU激活函数处理,表示经过三维卷积操作;

在分别对四个N层特征进行注意力加权融合,并进行均值计算,以得到输出特征的步骤中,存在如下关系式:;

其中,表示输出特征,表示逐元素乘法,表示四个N层特征的均值。

6.根据权利要求5所述的面向心电信号分析的多任务深度学习方法,其特征在于,在所述步骤3中,在第二阶段中,提取第一阶段训练后的双向深度特征提取模型的参数作为初始化权重,并嵌入至双向深度特征提取模型中,以得到第二阶段的双向深度特征提取模型,利用第二阶段的双向深度特征提取模型对重构心电信号进行特征提取与优化,以得到优化后的多尺度特征,具体包括如下子步骤:在第二阶段中,提取第一阶段训练后的双向深度特征提取模型的参数作为初始化权重,并嵌入至双向深度特征提取模型中,以得到第二阶段的双向深度特征提取模型,对应过程中存在如下关系式:;

其中,表示第一阶段训练完成后的参数,表示取最小值,表示双向深度特征提取模型的原始参数,表示经过双向深度特征提取模型特征提取,表示对应的监督目标;

利用第二阶段的双向深度特征提取模型对重构心电信号进行特征提取与优化,以得到优化后的多尺度特征。

7.根据权利要求6所述的面向心电信号分析的多任务深度学习方法,其特征在于,在所述步骤4中,基于分类器与多层感知机,利用优化后的多尺度特征分别构建心律失常分类任务与心率检测任务,分别得到心律失常分类结果与心率预测值,具体包括如下子步骤:基于两层全连接网络构建分类器,利用分类器对优化后的多尺度特征进行心律失常分类,得到心律失常结果;

利用多层感知机对优化后的多尺度特征进行心率检测,得到心率预测值。

8.根据权利要求7所述的面向心电信号分析的多任务深度学习方法,其特征在于,在基于两层全连接网络构建分类器,利用分类器对优化后的多尺度特征进行心律失常分类,得到心律失常结果的步骤中,存在如下关系式:;

其中,表示第层的第个神经元,表示第层的所有神经元的数量,表示从第层中的第个神经元到第层的第个神经元的连接权值,表示第层的第个神经元,表示第层的第个神经元的偏置,表示输出向量中的第个元素,表示输入向量中的第个元素。