一种融合心脏动力学模型和对抗生成网络的心电异常分类方法

技术特征：
1.一种融合心脏动力学模型和对抗生成网络的心电异常分类方法，其特征在于，包括如下步骤：s1.心拍数据集的构建和划分，对获取的心电数据库进行心拍数据截取，构建出心拍数据集，在心拍数据集中划分出gan模型的训练集，以及分类模型的训练集和测试集；s2.确定心脏动力学模型的物理参数，在心拍数据集中筛选出每个心拍类别中最具代表性的数据，提取出代表性数据的形态学特征，形态学特征为心拍中的p波、q波、r波、s波、t波在心拍数据中的位置和幅值，通过统计每个心拍类别的代表性数据的形态学特征的平均值，确定出每个心拍类别的心脏动力学模型的物理参数；s3.构建心脏动力学模型的心拍数据，根据物理参数和心脏动力学模型构建出每个心拍类别的心拍数据,作为训练gan模型的数据基础；s4.gan模型的构建和训练，构建gan模型中的生成器模型和判别器模型,用划分好的gan训练数据集和心脏动力学所构建的数据对gan模型进行训练；s5.分类训练集的补充，使用优化后的gan模型生成不均衡类别的数据，将其并入到分类模型的训练数据集；s6.分类模型的构建和训练，实现心电异常分类，构建1d-resnet分类模型,使用分类模型训练集对1d-resnet分类模型进行训练，利用训练好的1d-resnet分类模型对未知类别的心拍数据进行识别和分类。2.根据权利要求1所述的融合心脏动力学模型和对抗生成网络的心电异常分类方法，其特征在于：所述步骤s1具体步骤为：s11.构建心拍数据集，对心电数据库中患者的心电序列数据进行心拍数据截取处理，将心电序列数据分割成k段心拍数据，即x＝{x
i
,i＝1,2,3,
…
,k}，其中，x
i
代表心电序列数据x被截取后的第i个心拍数据分段，心拍数据是构成心电序列数据x的基本单位；利用pan-tompkins心电qrs检测算法定位出心拍数据中的qrs波，并通过qrs波中的r峰截取出心拍数据，即可形成心拍数据集，其中心拍数据的截取宽度可以设为m个采样点，m应设置为一个固定值，其取值设置范围可在[216,280]区间，以r峰为基准，截取r峰值前1/3m个采样点和r峰值后2/3m个采样点作为一个心拍数据,每个心拍数据可表示为x
i
＝{x1,x2,x3,
…
,x
m
}，其中x
m
为第m个采样点的心电幅值；s12.统计心拍数据集中各个类型的心拍数量，甄别出样本量不均衡的心拍类别。s13.在心拍数据集基础上划分出gan模型的训练集以及分类模型的训练集和测试集，其中，以患者为单位对心拍数据集进行划分，一半患者数据作为gan模型的训练集和分类模型的训练集，另一半患者数据作为分类模型的测试集。3.根据权利要求1所述的融合心脏动力学模型和对抗生成网络的心电异常分类方法，其特征在于：所述步骤s2具体步骤为：s21.将心拍数据集中所有的心拍数据送入1d-resnet分类模型进行训练；s22.1d-resnet分类模型训练完成后，再将心拍数据集中所有的心拍数据送入模型进行测试，在每个心拍类别中，筛选出模型输出概率最高的50个心拍数据，提取其形态学参数，并计算出50个心拍数据的形态学参数的平均值，作为该类别的心脏动力学模型的物理参数。4.根据权利要求1所述的融合心脏动力学模型和对抗生成网络的心电异常分类方法，
其特征在于：步骤s3所述构建心脏动力学模型的心拍数据是：采用每个心拍类别的心脏动力学模型物理参数，输入心脏动力学模型，生成出每个心拍类别的基础心拍数据，作为训练gan模型的数据基础；心脏动力学模型方程如公式(1)所示，其中δθ
i
＝(θ-θ
i
)对2π求余，θ＝atan2(y,x)，ω是轨迹绕极限环移动时的角速度，z-z0表达的是基线漂移，z0的计算方式如公式2所示，z0(t)＝asin(2πf2t) (2)其中a＝0.15mv。5.根据权利要求1所述的融合心脏动力学模型和对抗生成网络的心电异常分类方法，其特征在于：所述步骤s4具体步骤为：s41.在gan模型的训练集中提取出特定类别的心拍数据，作为该心拍类别gan模型的训练集；s42.提取出特定类别的心脏动力学模型的心拍数据,作为该心拍类别gan模型的训练基础；s43.构建gan模型中的生成器模型和判别器模型；s44.训练gan模型，通过特定类别的gan模型的训练集,学习该心拍类别的心脏动力学模型的心拍数据与该心拍类别gan模型的训练集的偏差，构建出特定类别的gan模型，能生成出符合该心拍类别数据分布的心拍数据。6.根据权利要求5所述的融合心脏动力学模型和对抗生成网络的心电异常分类方法，其特征在于：所述生成器模型的结构为：输入一组单位长度为100且满足高斯分布的噪声信号；噪声信号经过六个卷积块和一个卷积层后，再利用reshape函数以单位长度为216将卷积层的输出展平，即可得到生成器模型的输出。7.根据权利要求1所述的融合心脏动力学模型和对抗生成网络的心电异常分类方法，其特征在于：所述步骤s4所述判别器模型的结构为：输入一组需判别的心拍数据；输入数据经过一个一维卷积层、一个leakyrelu函数、四个卷积块和一个一维卷积层后，使用sigmoid函数对输出进行激活，判断该组心拍数据是训练数据还是合成数据。8.根据权利要求1所述的融合心脏动力学模型和对抗生成网络的心电异常分类方法，其特征在于：所述步骤s5具体步骤为：s51.通过构建好特定类别的gan模型，对心拍数据集中样本量不均衡的心拍类别的数据进行心拍数据生成；s52.将生成好的不均衡的心拍数据并入分类模型的训练集，构建出分类数据集。9.根据权利要求1所述的融合心脏动力学模型和对抗生成网络的心电异常分类方法，其特征在于：所述步骤s6具体步骤为：
s61.构建1d-resnet分类模型；s62.使用分类模型的训练集，对1d-resnet分类模型进行训练，优化1d-resnet分类模型的网络参数；s63.使用分类模型的测试集，对完成训练的1d-resnet分类模型进行测试，验证模型的分类性能；s64.利用完成训练和测试的1d-resnet分类模型对未知类别的心拍数据进行识别和分类。10.根据权利要求9所述的融合心脏动力学模型和对抗生成网络的心电异常分类方法，其特征在于：所述1d-resnet模型的结构为：输入一组待判别的心拍数据；输入数据经过一个卷积层后进行批量标准化、再经过五个残差块、一个全连接层、relu激活和一个全连接层，最后使用sigmoid函数对输出进行激活，输出该组心拍数据的分类结果。

技术总结
本发明涉及心电异常分类技术领域，特别涉及一种融合心脏动力学模型和对抗生成网络的心电异常分类方法。本发明对获取的心电数据库进行心拍数据截取，构建出心拍数据集，划分模型训练集；在心拍数据集中筛选出代表性数据，提取其形态学特征，确定出心脏动力学模型的物理参数；构建出心脏动力学模型的心拍数据，作为GAN模型的训练基础；使用GAN训练集和心脏动力学的心拍数据对构建好的GAN模型进行训练；使用优化后的GAN模型生成不均衡类别的数据，将其并入分类模型的训练集；使用分类模型训练集对构建好的1D-Resnet分类模型进行训练后对未知类别的心拍数据进行识别和分类。本发明可以避免样本不均衡对分类结果造成的影响，同时能提升GAN模型的训练效率和稳定性。能提升GAN模型的训练效率和稳定性。能提升GAN模型的训练效率和稳定性。


技术研发人员：李亚 罗景皓 戴青云 王小梨
受保护的技术使用者：广东技术师范大学
技术研发日：2022.09.05
技术公布日：2022/11/25