[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

说明书

本公开涉及心电图的自动智能辅助检测技术领域，提出了基于预标签的自监督神经网络学习心拍分类方法及系统，分类方法包括如下步骤：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训练，结合SimCLR方法和聚类方法，从而使损失函数项由一项变成两项，强化了学习的效果，能够提高心拍数据的分类的精度。

技术领域

本公开涉及心电图的自动智能辅助检测相关技术领域，具体的说，是涉及一种基于预标签的自监督神经网络学习心拍分类方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，并不必然构成在先技术。

传统的心拍分类方法主要有两种：基于特征提取的机器学习算法和无特征提取的深度学习方法，而在深度学习方法中又主要分为监督式学习方法和无监督式学习方法，自监督式学习方法是一项崭新的技术。

传统的机器学习算法用于心拍数据时需要依据先验经验由人工提取时域、频域等各方面特征等，当基于特征提取的机器学习算法用于心拍分类时，根据提取的特征选择和训练合适的分类器进行分类。因此，所选特征对分类性能有关键影响。传统的机器学习算法在早期提取特征时依赖于先验知识，若先验知识不足，选择的特征较弱则影响最终的分类性能。分类器的设计受到特征提取能力的限制，不能真实反映心电信号的内部属性，这使得心拍分类的性能在很大程度上依赖于特征选择的正确性和真实性，影响了心拍分类结果的准确性。此外，传统的机器学习算法往往存在设计复杂，对设计人员的数学水平要求高，运算量巨大等一系列问题。

在基于监督式深度学习算法对心拍进行分类时，不需要进行特征提取，预处理后的原始数据可以作为神经网络的输入，直接对心拍进行分类。原始数据可以从专业数据库或临床原始检测数据中提取，根据原始输出从每层神经网络中提取的特征用于最终分类。监督式深度学习方法往往能达到非常不错的性能，但有两个共同的问题，一个是模型的训练离不开大量拥有标签信息的训练数据，然而在现实生活中，人工标注信息成本是费时且昂贵的。另一个是心电数据为一维数据，包含的数据信息少，分类的准确性低。

发明内容

本公开为了解决上述问题，提出了基于预标签的自监督神经网络学习心拍分类方法及系统，通过构建孪生网络，以对比的方式从无标签数据中挖掘监督信息，同时引入聚类方法进一步强化学习效果，从而在无需人工标注信息的数据训练环境下，达到良好分类效果。

为了实现上述目的，本公开采用如下技术方案：

一个或多个实施例提供了基于预标签的自监督神经网络学习心拍分类方法，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。

一个或多个实施例提供了基于预标签的自监督神经网络学习心拍分类系统，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；