[发明专利]一种基于深度学习的胎儿心电图个性化诊断方法

权利要求书

1.一种基于深度学习的胎儿心电图个性化诊断方法，其特征在于，具体步骤如下：

S1、根据心电图物理形态，设计多视角编码器充分提取样本特征；

S2、针对胎儿心电图诊断实际情况，分别设计源任务、辅助任务、目标任务；

S3、在元迁移学习框架中设计动态自学习权重融合策略，使模型学习有用的迁移知识；

S4、模拟实际诊断环境，设计跨受试者和跨疾病两种案例，模拟对实时心电图的监测和诊断。

2.根据权利要求1所述的一种基于深度学习的胎儿心电图个性化诊断方法，其特征在于，步骤S1中，根据心电图物理形态，设计多视角编码器充分提取样本特征，主要包括：

S11、使用基于三层Transformer编码器作为特征提取器，然后接入最大池化层，来充分提取心电数据的前景特征；

S12、同样使用Transformer编码器进行特征提取，然后接入平均池化层，以提取心电数据的背景特征；

S13、将提取的前景特征与背景特征拼接，然后通过softmax识别疾病类别。

3.根据权利要求1所述的一种基于深度学习的胎儿心电图个性化诊断方法，其特征在于，步骤S2中，针对胎儿心电图诊断实际情况，分别设计源任务、辅助任务、目标任务，主要包括：

胎儿心电数据往往将仪器设备放在母亲胸腔或腹腔等多个部位进行采集，在实验设计中，将医院已有的在母亲胸腔采集的其他胎儿心电数据作为源任务，将在母亲腹腔采集的其他胎儿心电数据作为辅助任务，一个新的、待测试的胎儿心电数据(腹腔采集)为目标任务。设置辅助任务，以避免在少步微调模型后造成的知识遗忘，提高迁移学习的效果，从而解决尽管只有少量的新的胎儿数据，模型仍然可以快速适应目标任务，实现心电图个性化诊断。

4.根据权利要求1所述的一种基于深度学习的胎儿心电图个性化诊断方法，其特征在于，步骤S3中，在元迁移学习框架中设计动态自学习权重融合策略，使模型学习有用的迁移知识，主要包括：

S31、在元迁移学习中，使用基学习器从源任务和辅助任务中学习通用的心电特征，每个源任务和辅助任务都包含各自的支持集和查询集。在元学习中加载预训练的多视角编码器中的参数Θ，并随机初始化元学习参数θ；

S32、使用交叉熵损失来更新源任务损失L_SS(f_[Θ；θ])和辅助任务损失L_LS(f_[Θ；θ])，表示如下：

S33、使用动态自学习权重策略更新损失，表示如下：

其中L_TS(f_[Θ；θ])为目标任务损失，α，β为自学习权重参数；

S34、使用L_TS(f_[Θ；θ])来动态更新基学习器中的参数Θ，表示如下：

其中分别为更新后的特征提取器参数和分类器参数，μ为基学习器的学习率；

S35、使用元学习器学习心电图个性化特征。将元学习器中参数Θ′冻结，使用查询集来更新参数θ′，表示如下：

其中v为元学习器学习率，[Θ；θ]为更新后的诊断模型参数，从而得到胎儿心电图个性化诊断模型f_[Θ；θ]。

5.根据权利要求1所述的一种基于深度学习的胎儿心电图个性化诊断方法，其特征在于，步骤S4中，模拟实际诊断环境，设计跨受试者和跨疾病两种案例，模拟对实时心电图的监测和诊断，主要包括：

S41、考虑了跨受试者与跨疾病两种案例，跨受试者即利用其他胎儿心电数据对新的目标胎儿进行个性化诊断；跨疾病则为用成人的心电图数据对胎儿心电图进行知识迁移，实现诊断；

S42、由于测试环境中母亲多处于静止状态，而实际监测时受体往往处于活动状态，因此在心电数据中加入噪声进行环境模拟。此外，考虑到实际数据类别的不均衡性，即心电数据中正常(无病)样本要远远多于患病样本，并且患病样本中各疾病类别数量也有所差异，因此对数据类别分布进行了处理。