一种基于监督型对比学习的心律失常分类辅助诊

本发明涉及心电分类，具体为一种基于监督型对比学习的心律失常分类辅助诊断方法。背景技术：1、心电图是一种检测心脏电活动的常用医学检查方法。通过在患者体表的特定位置放置电极，心电图设备能够记录心脏每次搏动时产生的电活动。心电图可以显示心脏的节律、速度以及心脏搏动的各个阶段，因此是诊断心律失常、心脏肌肉损伤和其他心脏疾病的重要工具。心电图记录的是心脏电活动产生的时间和强度，通过分析这些信息，医生可以评估心脏的健康状况。心电图的主要组成部分包括p波(表示心房收缩)、qrs波群(表示心室收缩)和t波(表示心室复极化)。正常心电图的波形具有特定的形状和时间间隔，任何偏离正常范围的变化都可能指示心脏存在问题。总的来说，心律失常是心脏节律的一种异常状态，而心电图是一种用于检测和诊断心脏电活动异常(包括心律失常)的重要诊断工具。通过心电图，医生可以详细了解心脏的电生理状态，进而做出准确的诊断和治疗计划。2、在自监督学习领域，模型训练不依赖于事先标注的数据集。这一特性使得自监督学习尤其适用于那些难以获取大量标注数据的场景，如心电图(ecg)数据分析。为了生成学习所需的正样本，研究者通常对单一图像进行裁剪、旋转、色彩调整等变换，而负样本的生成则依赖于从整个数据集中随机选择其他图像。这种做法的核心目的是在无需人工标注的前提下，通过样本间的相互对比，促进模型的学习过程。然而，这种方法可能会面临一个显著的挑战：误将与正样本相似或属于同一类别的图像当作负样本。在心电图(ecg)数据分析中，这种随机选择负样本的做法可能会减弱同类心电图样本之间的相似性，进而影响心律失常分类的准确性。自监督学习的优势在于其能够利用大量未标注的数据进行模型预训练，从而在特定的下游任务中实现更好的性能。然而，传统的自监督学习方法在处理高度专业化和具有明显类别不平衡特征的医学图像数据时，尤其是心电图(ecg)数据时，面临着显著的挑战。在这些应用场景中，正样本的生成通过对同一图像的不同变换操作实现，而负样本则通常是从整个数据集中随机选择的。这种方法虽然简单，但容易将具有高度相似性的样本作为负样本，降低了模型学习到的特征的区分度，尤其是在心律失常的分类上，这一点尤为关键，具体而言存在以下问题：3、自监督对比学习在选择负样本过程中可能会选择与正样本属于同一类别的样本，这种情况下会降低同类样本间的相似度，进而影响心律失常分类的准确性；4、因此需要对以上问题提出一种新的解决方案。技术实现思路1、本发明的目的在于提供一种基于监督型对比学习的心律失常分类辅助诊断方法，以解决现有的问题：自监督对比学习在选择负样本过程中可能会选择与正样本属于同一类别的样本，这种情况下会降低同类样本间的相似度，进而影响心律失常分类的准确性.2、6.为实现上述目的，本发明提供如下技术方案：一种基于监督型对比学习的心律失常分类辅助诊断方法，其特征在于：至少包括以下步骤：3、s1：输入一个心电信号，对其进行两种不同的数据增强，从而去构造正负样本对，所述正样本为同一心电信号经过不同数据增强后得到的新的心电信号以及同一类的剩余样本，所述负样本为不同类别的心电信号；4、s2：将两个增强后的心电信号分别输入编码器，从增强的数据中提取特征；5、s3：提取完特征后，继续将编码器提取的特征映射到一个嵌入空间中，这个空间更适合进行对比学习；6、s4：在嵌入空间中，模型通过对比损失学习将相同类别的样本拉近，不同类别的样本推远；7、s5：在嵌入空间中，对比损失利用角度接近度，优化模型以确保来自相同类别的样本(正对)在嵌入空间中彼此接近，而来自不同类别的样本(负对)则相距较远；8、s6：通过损失函数，拉近正样本之间的距离，拉远负样本之间的距离；9、s7：在损失函数中，将小批次同一类别的样本都当作正样本，负样本对则是选择由不同类别的数据点组成的；10、s8：最后在微调中，加载一维编码器作为训练目标数据集的初始化参数并随机初始化分类器适配目标数据集。11、优选的，所述s1中对心电信号采用对进行两种不同的数据增强，至少包括两种不同的小波变换(比例＝0.5)+分段随机遮挡。12、优选的，所采用的编码器包括xresnet101，所述xresnet101模型是resnet101的变体，所述具体的修改包括用三个3×3的卷积替换了原有的7×7卷积等。13、优选的，所述s3中编码器提取的特征通过投影头映射到一个嵌入空间中，在模型的上分支和下分支中，信号视图经一维编码器处理后，通过末端池化层进行表征，生成表示向量hi，采用了双层多层感知器作为投影头g(·)，以将表示向量hi映射至应用对比损失计算的潜在空间中。14、优选的，所述损失函数表示为：15、16、其中τ是控制产品灵敏度的温度超参数(默认为0.5)，i是anchor索引，a(i)≡{i\{i}}是排除anchor的索引集合，p(i)≡{p∈a(i):yp＝yi}是共享相同标签或正集的样本索引集；17、也就是说，相对于自监督对比学习，sclecg推广到任意数量的正样本，对于任何锚定点，一个小批量中的所有正样本(即基于扩充的一个以及来自同一类的任何剩余样本)都用于计算得到分子。18、与现有技术相比，本发明的有益效果是：19、1、本发明模仿了图片的数据增强方法，对心电信号采用了两种不同的小波变换(比例＝0.5)+分段随机遮挡的方法，在对比学习模型中，合适的数据增强方法至关重要，本发明所采用的方法对正样本对的对比有正向作用；20、2、本发明选择了合适的一维编码器xresnet101，能更好地提取心电信号的特征，为心电信号的学习打下基础；21、3、本发明在预训练阶段引入少量的标签信息，扩展了正样本的选择范围至同类数据及其经过数据增强处理的版本，有效地减少了错误负样本对分类精度的不良影响。这一策略不仅显著提升了分类的准确度，还增强了模型在识别不同心律类型时的能力。技术特征：1.一种基于监督型对比学习的心律失常分类辅助诊断方法，其特征在于：至少包括以下步骤：2.根据权利要求1所述的一种基于监督型对比学习的心律失常分类辅助诊断方法，其特征在于：所述s1中对心电信号采用对进行两种不同的数据增强，至少包括两种不同的小波变换(比例＝0.5)+分段随机遮挡。3.根据权利要求1所述的一种基于监督型对比学习的心律失常分类辅助诊断方法，其特征在于：所采用的编码器包括xresnet101，所述xresnet101模型是resnet101的变体。4.根据权利要求1所述的一种基于监督型对比学习的心律失常分类辅助诊断方法，其特征在于：所述s3中编码器提取的特征通过投影头映射到一个嵌入空间中，在模型的上分支和下分支中，信号视图经一维编码器处理后，通过末端池化层进行表征，生成表示向量hi，采用了双层多层感知器作为投影头g(·)，以将表示向量hi映射至应用对比损失计算的潜在空间中。5.根据权利要求1所述的一种基于监督型对比学习的心律失常分类辅助诊断方法，其特征在于：所述损失函数表示为：技术总结本发明公开了一种基于监督型对比学习的心律失常分类辅助诊断方法，涉及心电分类技术领域。本发明模仿了图片的数据增强方法，对心电信号采用了两种不同的小波变换(比例＝0.5)+分段随机遮挡的方法，在对比学习模型中，合适的数据增强方法至关重要，本发明所采用的方法对正样本对的对比有正向作用，且本发明选择了合适的一维编码器xresnet101，能更好的提取心电信号的特征，为心电信号的学习打下基础，且本发明在预训练阶段引入少量的标签信息，扩展了正样本的选择范围至同类数据及其经过数据增强处理的版本，有效地减少了错误负样本对分类精度的不良影响，这一策略不仅显著提升了分类的准确度，还增强了模型在识别不同心律类型时的能力。技术研发人员：杨博然,付超杰,王勇受保护的技术使用者：重庆理工大学技术研发日：技术公布日：2024/8/16