全局引导与局部聚焦网络架构的无监督心电异常检测方法与流程
本发明属于心电异常检测,具体涉及一种全局引导与局部聚焦网络架构的无监督心电异常检测方法。
背景技术:
1、心电图(ecg)是监测心脏电活动的常用工具,鉴于ecg在临床诊断中的关键作用以及减轻医护负担的迫切需求,开发能够自动识别异常ecg信号的系统显得尤为关键。传统监督学习的ecg分类方法依赖大规模标注数据进行模型训练,但由于异常类型繁多且罕见异常样本难以获取,使训练数据难以覆盖所有异常类型,导致模型在面对未见过的异常类型时泛化性能受限。因此,无监督异常检测(unsupervised anomaly detection,uad)方法受到广泛关注。该方法通过学习正常数据的统计特征或结构规律,从而识别偏离正常模式的信号片段。
2、当前无监督ecg异常检测方法主要有利用基于去噪自编码器对12导联ecg进行重建学习,并以重建残差实现异常检测,同时提供可视化方式辅助定位异常区域,以提升结果可解释性。该方案通过“去噪重建”增强了对干扰的适应性,但其异常判别仍主要依赖重建偏差,面对节律长期依赖与局部细粒度形态异常并存的情况时,容易出现“重建误差被噪声放大”或“细微异常被重建能力吸收”的现象,从而影响异常灵敏度与稳定性。还有将lstm引入vae框架以增强对时序依赖的建模能力,并基于重建误差实现异常识别。该思路对于序列型信号具有通用性,但在面向多导联、长时程ecg异常检测时,仍可能存在计算开销随序列长度上升、对不同时间尺度特征兼顾不足等问题,且缺少“先全局后局部”的诊断式结构约束,容易在复杂节律背景下出现表征不稳定或异常定位不精确的情况。
3、现有还有通过对抗式训练的自编码器结构对多变量时序进行无监督异常检测,以提升训练稳定性与异常隔离能力。该方法对通用多变量时序具有参考价值,但直接迁移到ecg场景时,往往仍需进一步处理多导联间耦合关系与心搏节律结构;同时在强噪声或生理伪差干扰下,单纯依赖重构误差仍可能导致误报上升,工程上通常还需要引入更细致的抑噪与可靠性控制机制。
4、利用对抗生成的方式对节律型时间序列进行重建与正则化,通过对比输入与对抗生成结果实现异常节律检测,并支持对异常时刻的定位解释。该方案通过对抗机制强化了重建约束,但对抗训练在不同数据分布下可能存在调参与稳定性成本;同时其异常评分仍以重建偏差为核心,遇到噪声、漂移或导联干扰时,若缺少对“重建可信度”的显式建模,仍可能出现异常分数波动与误判问题。
5、多尺度交叉重建框架,通过全局与局部结构协同学习ecg节律信息与细粒度形态信息,并通过跨尺度融合提升异常检测与定位能力。该类“全局—局部协同”的思路有助于提升细微异常敏感度,但其结构通常较为复杂,可能涉及多分支特征交互、额外的融合模块或趋势建模组件,从而带来实现与部署成本;此外在噪声显著或信号质量波动时,仅靠固定的重建损失与误差度量仍可能难以同时兼顾“抑噪稳定性”和“异常敏感性”。
6、结合时域序列与频谱图(时频表示)的多模态重建网络,并引入跨模态注意力以融合信息,同时输出重建结果与不确定性估计,用于辅助异常检测与定位。该方法通过多模态提升了特征覆盖度,但在工程实现上通常需要额外的时频变换计算以及相应的同步处理流程;同时多模态/多分支结构会增加推理开销与系统复杂度,在资源受限或实时性要求更高的设备部署时,往往需要进一步的轻量化与鲁棒性优化。
7、然而,这些方法大多依赖复杂的网络架构、多模态输入或额外的先验模块,导致模型参数规模大、计算开销高、实现复杂。这种复杂性增加了实际部署难度,因此在保持模型架构简洁、计算负担不增加的前提下,提高对微小异常的感知能力并增强噪声条件下的鲁棒性,仍是该领域亟需解决的问题。
技术实现思路
1、本发明所要解决的技术问题在于针对上述现有技术中的不足,提供一种全局引导与局部聚焦网络架构的无监督心电异常检测方法。
2、为解决上述技术问题,本发明采用的技术方案是:全局引导与局部聚焦网络架构的无监督心电异常检测方法,该方法包括以下步骤:
3、步骤一、多导联ecg高维信号的掩码化遮蔽与编码:对多导联ecg高维信号序列在时间维进行随机遮蔽以形成掩码区域,遮蔽25%~30%的时间片段,且各导联ecg高维信号同步遮蔽,多导联ecg高维信号的掩码化遮蔽处理后送入一维卷积编码器,将高维信号映射为低维编码特征;
4、步骤二、全局节律表征提取:将低维编码特征输入至轻量化全局上下文特征提取网络,获取全局节律表征;
5、步骤三、局部异常模式增强,过程如下:
6、步骤301、通过多尺度卷积模块捕获不同时间尺度上的局部特征,所述多尺度卷积模块包括至少两个并行的一维卷积分支,各一维卷积分支的卷积核长度各不相同,各一维卷积分支的输入、输出通道数均为256,对各一维卷积分支进行批归一化处理,并采用relu激活;各一维卷积分支输出在通道维进行拼接后,形成拼接特征,再经融合卷积层得到融合特征;
7、步骤302、引入通道注意力机制对融合特征在时间维进行全局平均池化得到通道统计量,再经两层全连接网络与sigmoid激活生成通道门控权重,对于每个通道,将通道门控权重分别乘以该通道在所有时间步上的特征值,得到通道重标定特征,突出局部特征中的异常通道;
8、步骤303、再引入时间注意力机制,时间注意力机制通过两层1×1卷积与非线性激活生成注意力时间权重,第一层1×1卷积后采用relu激活,第二层1×1卷积后采用sigmoid激活以生成注意力时间权重,每个时间步中,将注意力时间权重分别乘以通道重标定特征在该时间步所有通道上的特征值,得到时间重标定特征,突出异常发生的关键时间位置;
9、步骤304、设置残差连接,采用卷积核长度为1的一维卷积对输入通道投影,再与时间重标定特征逐元素相加,得到局部异常增强特征;
10、步骤四、上下文感知特征重加权与判别特征提取,过程如下:
11、步骤401、根据公式,计算竞争性分配权重,其中,为全局节律表征,为汇聚操作,为全连接层关联,为局部异常增强特征,为归一化处理;
12、步骤402、根据公式,计算上下文感知特征,进而放大与异常强相关的判别通道并抑制冗余通道,在不同节律下对局部通道进行差异化重加权,其中,为逐元素相乘运算;
13、步骤五、解码重建与异常判别输出:将上下文感知特征输入一维卷积解码器,通过逐级上采样重建ecg高维信号,输出重建信号和与时间步对应的预测不确定性序列,实现异常信号定位与判别。
14、上述的全局引导与局部聚焦网络架构的无监督心电异常检测方法,步骤二中,所述轻量化全局上下文特征提取网络包括两层一维卷积层,第一层一维卷积层将一维卷积编码器输出的特征通道映射为256个特征通道,第二层一维卷积层保持256个特征通道;两层一维卷积层的卷积核大小均为3、步长均为1、填充均为1,并采用relu激活,用于提取和整合全局上下文特征,输出全局节律表征。
15、上述的全局引导与局部聚焦网络架构的无监督心电异常检测方法,步骤301中,所述多尺度卷积模块包括三个并行的一维卷积分支,三个一维卷积分支的卷积核长度分别取1、3和5,三个一维卷积分支的输入、输出通道数均为256,对各一维卷积分支进行批归一化处理,并采用relu激活;三个一维卷积分支输出在通道维进行拼接后,形成768通道特征,再经融合卷积层得到融合特征,其中,融合卷积层为两层融合卷积层,且卷积核均为3,第一层融合卷积层将768通道特征映射为512通道特征,第二层融合卷积层保持512通道特征。
16、上述的全局引导与局部聚焦网络架构的无监督心电异常检测方法,步骤302中,通道门控权重取值范围为0~1,所述两层全连接网络中第一层全连接网络将512通道特征映射为64通道特征、第二层全连接网络将64通道特征映射为512通道特征,中间层采用relu激活,通道压缩比设置为8。
17、上述的全局引导与局部聚焦网络架构的无监督心电异常检测方法,步骤303中,注意力时间权重取值范围为0~1,所述第一层1×1卷积将512通道特征映射为64通道特征,所述第二层1×1卷积将64通道特征映射为1通道特征。
18、上述的全局引导与局部聚焦网络架构的无监督心电异常检测方法,步骤五中,将上下文感知特征输入一维卷积解码器,通过逐级上采样重建ecg高维信号,输出重建信号和与时间步对应的预测不确定性序列,为实现对重建信号精度与输出平滑性的联合优化,利用不确定性加权正则损失作为损失函数,所述不确定性加权正则损失的获取过程如下:
19、步骤501、根据公式,计算不确定性引导的重建损失,其中,n为一导联ecg高维信号序列长度,为一导联ecg高维信号序列长度上的时间步编号,为第时间步预测的不确定性估计,为第时间步的真实信号值,为第时间步的重建信号值;
20、步骤502、根据公式,计算时间平滑正则损失,其中,为第时间步的重建信号值;
21、步骤503、根据公式,计算不确定性平滑正则损失,其中,为第时间步的重建不确定性估计值;
22、步骤504、根据公式++,计算不确定性加权正则损失。
23、本发明与现有技术相比具有以下优点:
24、1、本发明采用顺序式“轻量化全局上下文特征提取网络-局部异常模式增强”的单分支架构,通过轻量化全局上下文特征提取网络先建模跨周期节律依赖,并向后续提供上下文信息,再由局部异常模式增强网络在该上下文引导下对原始时序中的局部变化进行细粒度特征提取;局部异常模式增强网络引入多尺度卷积并结合通道注意力与时间注意力,以增强对关键特征通道及关键时间片段的响应;并在局部特征提取后设置上下文感知特征重加权策略,对不同通道的重要性进行自适应调整,以在复杂节律依赖条件下突出异常相关特征、抑制冗余特征。
25、2、本发明采用顺序式“轻量化全局上下文特征提取网络-局部异常模式增强”的单分支架构处理流程,在无需频谱转换或心搏切分等额外处理的情况下完成异常检测与重建,减少了数据处理链路与系统集成复杂度,并有利于在资源受限设备上实现在线推理部署,降低实现复杂度,便于工程部署与实时应用。
26、3、本发明解码重建与异常判别输出中设置不确定性加权正则损失,将不确定性引导的重建误差加权与重建序列时间平滑约束、不确定性序列平滑约束相结合,以在训练中抑制重建过程中的非平稳波动并提升输出稳定性,模型可输出逐时间步的不确定性估计,从而为异常判别提供置信度参考,有助于降低噪声导致的误判,针对现有无监督方法在噪声干扰和不确定性波动下难以抑制随机噪声与伪异常、进而影响重建稳定性的不足,提高噪声干扰与不确定性波动条件下的重建稳定性与鲁棒性。
27、4、本发明采用无监督异常检测思路,通过学习正常模式的统计特征与结构规律识别偏离片段,从机制上具备对未知或罕见异常类型的检测适应性;同时,模型训练中的正则策略有助于在不同数据分布条件下获得较稳定的表现,并可在迁移至新数据集/新设备采集条件时通过参数微调保持性能,相较依赖大规模标注数据、且对未见异常类型泛化受限的监督学习方案,提升对未见异常类型的适应性,并具有跨数据分布的稳定表现基础。
28、综上所述,本发明在不增加模型复杂度的前提下,对幅度细微的局部异常敏感性强,能够检测出小幅异常波形,且在噪声干扰和不确定性波动下,模型仍能有效抑制随机噪声与伪异常,不影响重建结果的稳定性与鲁棒性,从而更好地满足临床对实时、准确心电异常监测的需求,便于推广使用。
29、下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com