[发明专利]基于预标签的自监督神经网络学习心拍分类方法及系统

权利要求书

1.基于预标签的自监督神经网络学习心拍分类方法，其特征在于，包括如下步骤：

对获取的心电数据进行预处理得到心拍数据；

将获取的一维心拍数据进行时频分析转换为二维时频图；

将转换后的二维时频图，输入至训练好的自监督式学习网络模型，对心拍数据进行分类，得到分类结果；

所述自监督式学习网络模型，采用聚类方法在每一轮训练开始给转换后的二维时频图打上预标签，训练的损失函数包括对比学习损失，以及聚类中心与各类样本的夹角损失，以对比学习方式进行模型训练，得到训练好的模型。

2.如权利要求1所述的基于预标签的自监督神经网络学习心拍分类方法，其特征在于：数据预处理包括数据去噪和心拍提取；

或者，数据去噪采用小波变换除燥；

或者，心拍提取方法，包括如下步骤：

对去噪后的心电信号进行处理，定位QRS波，对于QRS波的定位和检测，使用Pan-Tompkins算法实现R波的精确定位和检测；

检测完ECG信号上的R波位置后，心拍信号以R波位置为中心进行长度截取，并对截取的心拍数据进行归一化处理。

3.如权利要求1所述的基于预标签的自监督神经网络学习心拍分类方法，其特征在于：采用韦格纳分布变换时频分析方法将一维心电数据重建为二维时频图。

4.如权利要求1所述的基于预标签的自监督神经网络学习心拍分类方法，其特征在于：自监督式学习网络模型采用孪生神经网络，包括一个左网络和一个右网络，输出数据是输入数据的高维度空间的表征；

孪生神经网络采用两个2D-ResNet50模型，分别作为左网络和右网络，并且两个2D-ResNet50模型的结构和参数在初始化阶段均相同。

5.如权利要求1所述的基于预标签的自监督神经网络学习心拍分类方法，其特征在于：还包括对构建的自监督式学习网络模型训练的方法，包括如下步骤：

获取历史心电数据构建训练集，进行预处理得到心拍数据，并对心拍数据进行分类得到心拍类型；

将获取的一维心拍数据进行时频分析转换为二维时频图；

将二维时频图进行随机增强；

将随机增强后的数据传输至孪生神经网络得到表征向量；

按照设定的第一训练次数使用InfoNCE损失函数进行对比式自监督训练，并采用随机梯度下降法调整孪生神经网络参数。

6.如权利要求5所述的基于预标签的自监督神经网络学习心拍分类方法，其特征在于：对构建的自监督式学习网络模型训练的方法，还包括如下步骤：按照设定的第二训练次数基于高斯混合聚类进行强化训练，求取InfoNCE损失以及聚类中心与各类样本的夹角损失ProtoNEC，以对比学习方式进行模型训练，并采用随机梯度下降法调整孪生神经网络，得到训练好的自监督式学习网络模型。

7.如权利要求6所述的基于预标签的自监督神经网络学习心拍分类方法，其特征在于：按照设定的第二训练次数基于高斯混合聚类进行强化训练，具体的，经过高斯混合聚类后给训练样本中的每一幅图打上标签类别，以打预标签后的图片输入至自监督式学习网络模型进行训练。

8.基于预标签的自监督神经网络学习心拍分类系统，其特征在于，包括：

预处理模块：被配置为对获取的心电数据进行预处理得到心拍数据；

转换模块：被配置为将获取的一维心拍数据进行时频分析转换为二维时频图；

分类模块：被配置为将转换后的二维时频图，输入至训练好的自监督式学习网络模型，对心拍数据进行分类，得到分类结果；

所述自监督式学习网络模型，采用聚类方法在每一轮训练开始给转换后的二维时频图打上预标签，训练的损失函数包括对比学习损失，以及聚类中心与各类样本的夹角损失，以对比学习方式进行模型训练，得到训练好的模型。

9.一种电子设备，其特征在于，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成权利要求1-7任一项方法所述的步骤。

10.一种计算机可读存储介质，其特征在于，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1-7任一项方法所述的步骤。