本發明屬于心電時序數據處理，涉及一種基于時頻增強的自監督對比學習的心電異常檢測方法。

背景技術：

1、心電圖(ecg)是檢查由心臟電活動引起的各種心血管疾病的重要臨床測量方法，如心房顫抖、房性早搏、或嚴重的室性心律失常等。隨著人工智能的發展，利用神經網絡進行心電信號的特征提取和分類，但這些網絡架構往往都是基于監督學習進行，需要大量有標簽的數據訓練模型，而數據標注是一個耗時、費力的過程，因此有必要運用自監督對比學習進行心電異常檢測來解決標簽稀缺的難題。

2、在自監督深度學習中，創建有助于模型學習魯棒且可區分的表示顯得尤為關鍵。通常，時序數據增強方法是基于轉換增強以及掩碼增強，如抖動(jittering)、翻轉(flipping)、旋轉(rotation)、排列(permutation)、時間隨機掩碼(time?random-masking)以及時間帶寬掩碼(time?band-masking)，然而，這些變換會導致原始心電信號變成異常心電信號，甚至喪失心電信號的特征，從而降低心電異常檢測的準確性。

技術實現思路

1、本發明針對現有自監督學習數據增強方法影響心電異常檢測準確性的技術問題，提供一種基于時頻增強的自監督對比學習的心電異常檢測方法，通過時頻內和時頻間對比學習機制，通過設計特征級樣本數據增強生成器，解決了對比學習中正負樣本選擇的難題以及對異常檢測的影響，提高了心電異常檢測的準確性。

2、為實現上述目的，本發明采用以下技術方案：

3、本發明提供一種基于時頻增強的自監督對比學習的心電異常檢測方法，包括以下步驟：

4、s1、獲取心電信號的頻率樣本數據經時頻轉換得到時間樣本數據

5、s2、將時間樣本數據輸入到時間編碼器中得到時間編碼序列將頻率樣本數據輸入到頻率編碼器中得到頻率編碼序列

6、s3、建立時頻內對比學習卷積神經網絡模型，在時間編碼序列和頻率編碼序列的特征空間上進行采樣得到原始樣本數據z，并輸入到時頻內對比學習卷積神經網絡模型中的特征增強生成器中得到增強樣本數據z′，將原始樣本數據z和增強樣本數據z′作為正樣本對來訓練時頻內對比學習卷積神經網絡模型；

7、s4、建立時頻間對比學習卷積神經網絡模型，將時間編碼序列和頻率編碼序列作為正樣本對來訓練時頻間對比學習卷積神經網絡模型；

8、s5、以總損失函數指導模型收斂，得到訓練后的時頻內對比學習卷積神經網絡模型和時頻間對比學習卷積神經網絡模型；

9、s6、采集實時心電信號，按照步驟s1～s5的順序進行心電信號異常檢測。

10、上述本發明技術方案中，所述特征增強生成器由特征增強編碼器和特征增強解碼器構成。

11、上述本發明技術方案中，總損失函數整合兩個模型，以學習內部特征以及基于時間和基于頻率的嵌入之間的相關性和互補性，從多個時間頻率角度進行分析，所述總損失函數的計算公式如下：

12、

13、其中：為時頻內對比學習卷積神經網絡模型的損失函數，為時頻間對比學習卷積神經網絡模型的損失函數，λ為各損失函數的權衡參數，λ＝0.6。

14、上述本發明技術方案中，所述時頻內對比學習卷積神經網絡模型的損失函數的計算公式如下：

15、

16、其中：n為輸入時頻內對比學習卷積神經網絡模型的正樣本對數；sim()為余弦相似度；c1()為輸入時頻內對比學習卷積神經網絡模型的樣本與網絡中心距離的函數，

17、上述本發明技術方案中，所述時頻間對比學習卷積神經網絡模型的損失函數的計算公式如下：

18、

19、其中：n′為時頻間對比學習卷積神經網絡模型的正樣本對數；sim()為余弦相似度；c2()為輸入時頻間對比學習卷積神經網絡模型的樣本與網絡中心距離的函數，

20、值得說明的是，在進行實時心電信號異常檢測時，本發明用總體異常分數st來評價心電信號異常占比。

21、st＝sf+sc，

22、其中：sf為時頻內對比學習卷積神經網絡模型輸出的異常信號分數，sf＝2-sim(z,c1)-sim(z′,c1)，0<sf≤2；sc為時頻間對比學習卷積神經網絡模型輸出的異常信號分數，

23、相比現有技術，本發明的有益效果在于：

24、本發明提出了一種時頻內和時頻間對比學習機制，時頻內對比學習網絡能夠學習心電信號在時間頻率空間中的跨域特征，捕獲心電數據的不同時頻內異常分布，時頻間對比學習網絡使時間表示接近頻率表示，來學習心電數據的時頻間異常分布，從時間和頻率深度挖掘心電內部特征；并在時頻內對比學習模型中設計特征級樣本數據增強生成器，在樣本特征空間上進行采樣，從特征上分析數據的潛在變量生成特征增強樣本，解決了對比學習中正負樣本選擇的難題以及對異常檢測的影響。

技術特征：

1.一種基于時頻增強的自監督對比學習的心電異常檢測方法，其特征在于，包括以下步驟：

2.根據權利要求1所述的心電異常檢測方法，其特征在于，所述特征增強生成器由特征增強編碼器和特征增強解碼器構成。

3.根據權利要求1所述的心電異常檢測方法，其特征在于，所述總損失函數的計算公式如下：

4.根據權利要求1所述的心電異常檢測方法，其特征在于，所述時頻內對比學習卷積神經網絡模型的損失函數的計算公式如下：

5.根據權利要求1所述的心電異常檢測方法，其特征在于，所述時頻間對比學習卷積神經網絡模型的損失函數的計算公式如下：

技術總結
本發明屬于心電時序數據處理技術領域，公開了一種基于時頻增強的自監督對比學習的心電異常檢測方法，包括以下步驟：獲取心電信號的頻率樣本數據，經時頻轉換得到時間樣本數據；獲得時間編碼序列和頻率編碼序列；建立時頻內對比學習卷積神經網絡模型，用正樣本對訓練時頻內對比學習卷積神經網絡模型；建立時頻間對比學習卷積神經網絡模型，用正樣本對訓練時頻間對比學習卷積神經網絡模型；以總損失函數指導模型收斂，得到訓練后的時頻內對比學習卷積神經網絡模型和時頻間對比學習卷積神經網絡模型；采集實時心電信號，按照上述步驟進行心電信號異常檢測。本發明通過時頻內和時頻間對比學習機制，提高了心電異常檢測的準確性。

技術研發人員：樊好義,譚健,常慧慧,馮苜川,王宗敏,浦貴陽,范國鑫
受保護的技術使用者：鄭州大學
技術研發日：
技術公布日：2025/4/24