[发明专利]基于心冲击信号多尺度特征融合的心电信号智能生成方法

权利要求书

1.基于心冲击信号多尺度特征融合的心电信号智能生成方法，包括下列步骤：

1)构建多尺度特征融合变换网络：

所构建的多尺度特征融合变换网络，简称MFFTN，由序列变换模块、多尺度特征融合模块、变换模块组成；

1.1)序列变换模块由定位器、时间变换器、幅度变换器组成；定位器学习时间变换和幅度变换参数，定位器的前2层均由卷积Conv与最大池化MaxPOOL组成，卷积的卷积核大小分别为1×5和1×7，紧接着是全连接层FC、线性整流函数ReLU、全连接层；

1.2)多尺度特征融合模块第1层由卷积核大小为1×31的卷积和最大池化组成，紧接着是三分支的卷积块，每个卷积块拥有3组相同的卷积和最大池化，三个卷积块的卷积核大小分别为1×3、1×5、1×7，三个卷积块输出的多尺度特征通过concat层、全连接层进行融合；

1.3)变换模块由注意力模块、编码器-解码器模块组成；

1.3.1)注意力模块为Resnet结构，包含一个权重支路和short-cut支路，权重支路第1层由全连接层与ReLU组成，第2层为全连接层，紧接着为Softmax层；short-cut支路将多尺度特征融合模块输出与权重支路输出进行元素乘；

1.3.2)编码器-解码器模块共10层，编码器是个5层的卷积神经网络结构，每个卷积层均由卷积核大小为1×31的卷积和参数化修正线性单元PReLU组成，其中：卷积核个数分别为32，64，128，256，512，卷积步长分别为2，1，2，1，2；解码器是个5层的反卷积神经网络结构，除最后一层外，每一个卷积层均由卷积核大小为1×31的反卷积TConv和PReLU组成，最后一层由卷积核大小为1×31的反卷积和双曲正切函数Tanh组成，卷积核个数分别为256，128，64，32，1，卷积步长分别为2，1，2，1，2；

2)基于心冲击信号生成心电信号，给定一段心冲击信号x＝(x₁,…,x_t,…x_T)，其中：x_t表示在t时刻的心冲击信号，t＝1,2,...,T，T表示心冲击信号时间总长；MFFTN生成心电信号，包括下列步骤：

2.1)将心冲击信号x输入MFFTN，序列变换模块对心冲击信号进行波形归一化，去除个体间差异，得到归一化的信号首先，定位器学习变换参数θ₁＝[α₁,β₁]，其中：α₁＝[α₁₀,α₁₁]为时间变换参数；β₁＝[β₁₀,β₁₁]为幅度变换参数；时间变换器根据α₁将x_t映射到其中：t'＝α₁₀t+α₁₁；当t'为非正整数时，采用线性抽样法取最接近t'的两个x_t'的均值赋给得到幅度变换器通过β₁对进行幅度变换，

2.2)心冲击信号多尺度特征融合：将归一化的信号输入到多尺度特征融合模块，首先1×31的卷积和最大池化提取特征，然后三个卷积块提取3个尺度下的特征a₁,a₂,a₃，最后通过concat层拼接得到a＝[a₁,a₂,a₃]，全连接层进行融合得到多尺度融合特征m；到m的映射记为其中：Θ₁表示到m的网络参数；

2.3)变换模块根据多尺度融合特征m生成心电信号

2.3.1)提取多尺度融合的特征m权重向量：全连接层和Softmax层计算多尺度融合的特征m的权重向量A，映射为A＝ψ(m；Θ₂)，其中：Θ₂表示m到A的网络参数，通过short-cut支路将A与m相乘，输出加权特征n＝A⊙m，其中：⊙表示元素乘；

2.3.2)对加权特征n编码解码：首先将加权特征n进行编码，5层卷积神经网络结构将加权特征n降维，提取心冲击信号特征p＝Encoder(n)，然后，5层反卷积神经网络结构将编码器输出的低分辨率特征映射到心电信号的尺寸，高阶表示心电信号n到的映射记为其中：Θ₃表示n到的网络参数，

2.4)校准心电信号波形：将解码出的心电信号输入到序列变换模块中校准波形，输出校准后的ECG信号首先，通过定位器学习校准参数θ₂＝[α₂,β₂]，其中：α₂＝[α₂₀,α₂₁]为时间校准参数；β₂＝[β₂₀,β₂₁]为幅度校准参数；时间变换器根据α₂将校准到其中：t'＝α₂₀t+α₂₁，当t'为非正整数时，采用线性抽样法取最接近t'的两个的均值赋给得到幅度变换器通过β₂对进行幅度校准，

步骤2.1)到步骤2.4)的建模过程由网络映射表示；

3)从采样频率为1000Hz的Bed-Based Ballistocardiography数据集中选取年龄分布在18岁到65岁的32位受测者同步测量的BCG与ECG信号构建数据集，其中：15男17女，28人健康，4人患病，总时长为3.4小时；以100Hz的采样率重新对数据进行采样，然后根据最大最小值将幅值归一化到[-1,1]，将数据以步长为100个采样点窗长为500个采样点分段，得到13382段心冲击心电数据D＝{x_i,y_i}，其中：x_i，y_i分别表示第i个样本的心冲击信号和心电信号，构建的数据集80％作为训练集，20％作为验证集；

3.1)利用训练集D＝{x_i,y_i}训练网络模型，包括下列步骤：

3.1.1)首先对参考心电信号y_i＝(y_i,1,…y_i,t,…y_i,T)采用pan-tompkins算法检测R波峰值时刻，记作其中：y_i,t表示第i段在t时刻的心电信号，t＝1,2,...,T，T表示信号时间总长，c_i,k表示第i段心电信号R波峰值时刻，k＝1,2,...,K_i，K_i表示第i段心电信号包含R波峰值时刻总数量；

3.1.2)基于最小绝对值偏差与R波所在位置构建损失函数，损失函数的计算公式为：

其中：λ表示控制高斯加权函数影响的超参数；超参数σ为高斯加权函数的方差；

3.1.3)对多尺度特征融合变换网络进行训练，采用Adam优化器迭代损失函数，更新网络参数，得到BCG信号x，生成ECG信号的模型，