[发明专利]一种基于深度领域自适应的多目标域心电信号分类方法

说明书

一种基于深度领域自适应的多目标域心电信号分类方法，不需要两个域之间进行特征对齐，侧重于目标域的类别准确率和多样性的预测方法，提高了模型在多目标域上的泛化能力，而且收敛速度快，解决了单一目标域适应算法在多目标域上效果不佳的问题。另外，引入可变形卷积核在模型训练过程中可以自觉调整卷积的感受野，更好的适应多导联心电信号的导联特征。

技术领域

本发明涉及心电信号分类领域，具体涉及一种基于深度领域自适应的多目标域心电信号分类方法。

背景技术

目前，现有的智能心电信号分类方法在大量标注心电数据中取得了良好的效果，然而，在实际应用中，对于心电信号的标注需要依赖专家知识，这种方法需要大量的人力和时间成本。迁移学习中领域自适应的发展为解决这一问题提供了思路，即在源域数据集(已标注)上训练的神经网络能够高度适用到特征分布显著不同于源域的目标域数据集(未标注)上，可有效解决源域和目标域特征分布不对齐的问题，在实际情况中，目标域数据来自于多个医院在不同的采集设备和采集环境下的不同患者的心电信号，故需要可以适应到多个目标域的心电分类模型，但目前的域适应学习方法大多只针对单一的目标域数据，而无法泛化到多个目标域。

发明内容

本发明为了克服以上技术的不足，提供了一种提高多个目标域在源域所训练的分类模型上的心电分类准确率的方法。

本发明克服其技术问题所采用的技术方案是：

一种基于深度领域自适应的多目标域心电信号分类方法，包括如下步骤：

a)获取多个来自不同采集设备采集、不同个体的12导联心电信号，将12导联心电信号进行标注，将已标注标签的12导联心电信号划分为源域S，将未标注标签的12导联心电信号划分为目标域组合T，T＝{T₁,T₂,...,T_k,...,T_M}，T_k为第k个目标域，k＝1,2,...,M，M为目标域数量；

b)将源域S与目标域组合T分别依次进行降采样处理、切片处理、归一化处理，得到处理后的源域S′和处理后的目标域组合T′；

c)建立12导联心电信号的深度学习分类模型，该12导联心电信号的深度学习分类模型由特征提取器和全连接分类器构成，将处理后的源域S′和处理后的目标域组合T′输入至12导联心电信号的深度学习分类模型中，输出得到源域的标签预测值及目标域的标签预测值

d)计算损失函数通过Adam优化算法优化12导联心电信号的深度学习分类模型；

e)将每个目标域数据分别输入到优化后的12导联心电信号的深度学习分类模型中，输出得到每个目标域的标签预测值，完成目标域心电信号分类。

进一步的，步骤b)中切片处理的方法为：对源域S或目标域组合T中的所有12导联心电信号降采样为同样的频率，随机截取30s的心电信号，对数据长度超过30s的12导联心电信号进行截断处理，对数据长度不足30s的12导联心电信号进行重复填充操作。

进一步的，步骤c)包括如下步骤：

c-1)特征提取器依次由第一残差结构、第二残差结构、第三残差结构、第四残差结构构成；

c-2.1)第一残差结构由第一分支单元、第二分支单元、第三分支单元构成，第一分支单元依次由第一卷积层、第一批归一化层、第一ReLu激活函数层、第二卷积层、第二批归一化层、第二ReLu激活函数层构成，分别将处理后的源域S′和处理后的目标域组合T′输入到第一分支单元后分别输出得到12导联心电信号的导联内特征及特征