一种高通用性的心电数据压缩感知系统、终端和存储介质

本发明涉及数据处理和压缩领域，特别是涉及一种高通用性的心电数据压缩感知系统、终端和存储介质。

背景技术：

随着科学技术的发展，信息化和数字化为人类日常生活中的健康监控带来了巨大的便利。近年来，随着各项相关技术的成熟与发展，各种心电数据采集产品越来越多地出现在了人类日常生活中。压缩感知技术由于有效的减少了信息冗余，降低了需要的数据量，被广泛的应用于各种设备之中。

目前针对心电数据的压缩感知系统，通常需要根据不同的数据特征来设计对应的采样矩阵，然后根据采样矩阵的参数设计对应的重建算法进行数据的重建。传统系统会带来三个问题：(1)系统只适用于一种压缩率，在压缩率需要改变的情况下，需要重新设计系统；(2)不同用户的心电数据特征并不存在一致性，人工设计的采样矩阵在特征变化的情况下不能针对所有数据都有一个好的表现；(3)重建的方式是迭代的，重建效率太低，重建精度也不高。因此，传统的心电数据的压缩感知系统，很难满足相应的应用要求。

综上可知，如果想要将心电数据的压缩感知系统广泛应用到生活中，必须满足以下条件：(1)需要支持多种通用的压缩率；(2)针对数据特征的变化，系统具有一定的灵活性；(3)需要保证心电数据的一定的重建精度。

技术实现要素：

本发明的目的在于克服现有技术的不足，提出一种高通用性的心电数据压缩感知系统、终端和存储介质。

为了实现上述目的，本发明采用了以下技术方案：

本发明提供了一种高通用性的心电数据压缩感知系统，其包括：

心电数据预处理模块：模块对输入的心电数据进行分割预处理。输入心电数据采集模块输出的心电数据，输出规格化心电数据；

心电数据压缩模块：模块分为正常模式和训练模式。正常模式对心电数据进行压缩，输入心电数据预处理模块输出的规格化心电数据，输出压缩后的心电压缩数据。训练模式对心电数据压缩网络进行训练，输入训练用的心电标签数据，输出压缩后的心电压缩数据。

心电数据重建模块：模块分为正常模式和训练模式。正常模式对压缩后的心电数据进行重建，输入心电数据压缩模块正常模式压缩后的心电压缩数据，输出心电重建数据。训练模式对心电数据重建网络进行训练，输入心电数据压缩模块训练模式压缩后的心电压缩数据和训练用的心电标签数据，输出心电重建数据。

进一步的，在本发明的优选方案中，心电数据预处理模块输入特定采样频率的心电数据。

进一步的，在本发明的优选方案中，心电数据预处理模块的分割预处理操作为：对输入的心电采样数据，每隔特定个采样点进行一次分割，每次分割的数据作为输出的规格化心电数据。

可选的，所述心电数据重建模块中的压缩网络模型采用并行的分层卷积架构，网络包含n种卷积形式，每种卷积形式表示为一个层，代表n种心电数据降采样方法，其中n可以为大于等于1的整数；每种卷积形式的卷积核数量为cn，代表降采样后心电数据的长度；每种卷积形式中卷积核的尺寸根据心电采样数据的时序特征设计为1×a，a的数值与心电数据中的变化较快的qrs波段的长度相同。

可选的，所述心电数据重建模块中的压缩网络通过多尺度的卷积核实现心电数据压缩感知中的采样，网络输入预处理后的心电数据，输出压缩采样后的心电采样数据，卷积转换函数如下：

其中，φ是指压缩感知任务中的测量矩阵，x是指输入的心电数据，代表心电数据降采样滤波器的参数，<φn，x>指降采样滤波器对心电数据进行降采样；所述的压缩网络根据以上卷积转换函数，针对心电数据中r峰的近似周期性，设计大小为1×m的卷积核对应于心电数据降采样滤波器，n个卷积核与输入的心电数据进行卷积获得的卷积值，相当于降采样滤波器对心电数据进行压缩采样，其中n的数值与输入数据中r峰的数目相关，能使神经网络的特征空间中包含心电数据的周期特征。

可选的，所述心电数据压缩模块中的压缩网络模型采用联合的形式对不同并行网络层进行合并，实现人体心电数据在传输时涉及的常用压缩率，联合采样函数的形式如下：

其中，r是指第n层卷积形式实现的心电数据的最终压缩率，ln是指第n层压缩后的心电数据的长度，linput是指输入的心电预处理数据的长度，linput一般至少要包含2个心脏搏动周期的数据；联合采样函数r在不改变输入的心电预处理数据长度的同时，通过叠加每个网络层压缩后的心电数据，来实现网络压缩率的伸缩。

可选的，所述心电数据重建模块中的重建网络，采用多尺度一维卷积网络架构，输入压缩后的心电采样数据，输出心电重建数据的特征；网络使用卷积核进行心电数据的特征提取，提取后的特征与初始心电数据的特征进行匹配，实现特征补充。网络最后为一层重建层，重建层的卷积核对心电重建数据的特征进行维度重建，获取一维心电重建数据，完成重建。重建网络的设计如下：

先设计m1层卷积网络，每层卷积核尺寸为1×a1，卷积核数量为d，卷积过程中需要对输入数据两边进行补零，使输入输出长度一致；在m1层卷积网络后设计m2层卷积网络，每层卷积核尺寸为1×1，卷积核数量为s，卷积过程不需要对输入数据补零；在m2层卷积网络后设计m3层卷积网络，每层卷积网络的卷积核尺寸为1×a2，卷积核尺度为s，卷积过程中需要对输入数据两边进行补零，使输入输出长度一致；在m3层卷积网络后设计m4层卷积网络，每层卷积核尺寸为1×1，卷积核尺度为d，卷积过程不需要对输入数据补零。最后一层卷积网络设计为重构层，重构层对数据特征进行维度重构，获取一维心电重建数据，卷积核尺寸为1×a3，卷积核尺度为1，卷积过程中需要对输入数据两边进行补零，使输入输出长度一致。

可选的，所述心电数据重建模块中的重建网络采用欧式距离损失进行训练，网络的损失函数如下：

其中，代表重建的心电数据，代表心电数据模板。e代表重建数据对应于心电数据模板的损失，用于回传并训练优化神经网络的参数。

进一步的，所述心电数据压缩模块的训练模式提供adam优化器来进行网络训练的优化。

本发明还提供了一种终端设备，所述终端设备包括：至少一个处理器、至少一个存储器以及存储在所述存储器中的计算机程序指令，当所述计算机程序指令被所述处理器执行时实现所述高通用性的心电数据压缩感知系统。

本发明还提供了一种计算机可读存储介质，所述计算机存储介质上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现所述高通用性的心电数据压缩感知系统。

与现有技术相比，本发明所具有的有益效果包括：

1.该系统通过严密的推导证明心电数据压缩感知数学模型与神经网络结构之间的关系，提出了一种实现心电数据压缩感知的神经网络的学习过程和基础架构，可以通过心电数据的数据特征来实现其压缩和重建，所以相比于现有技术手段的心电数据压缩感知系统(例如主成分分析、张量分解等)，克服了其迭代式学习数据先验知识的过程缺陷，有效的提高了心电数据的压缩和重建效率；

2.该系统结合心电数据的数据特征和数学的卷积运算理论进行证明，引申推导出一种新的卷积实现方法，相比于现有的卷积神经网络，克服了其仅使用普通卷积方法进行特征提取时，不能对应于心电数据压缩采样的物理过程的缺陷，有效的提高了心电数据的重建质量；

3.该系统结合心电数据压缩感知理论和矩阵运算理论进行推导，提出了一种单一网络实现多码率的并行卷积架构，所以相比于现有的多阶段网络重建卷积架构，克服了其一个网络对应实现一个压缩率的缺陷，可以一个网络对应实现多个压缩率，有效的提高了系统的通用性。

附图说明

图1是本发明提供的心电数据压缩感知系统的网络训练及使用流程图；

图2是本发明提供的压缩感知网络模型的结构图；

图3-图6心电数据在不同的压缩率下经过本文所提出的压缩感知系统重建后的效果图。其中，图3的压缩率为0.2；图4的压缩率为0.3；图5的压缩率为0.4；图6的压缩率为0.5。

具体实施方式

下面结合技术方案和附图对本发明进行进一步的说明。

如图1所示，本发明的高通用性的心电信号压缩感知系统的具体实施如下所述：

心电数据预处理模块：输入以360hz的采样频率采集的时长约30分钟的心电数据，每条数据做900个采样点的分割预处理，将预处理后的规格化心电数据保存在文本文件中，作为心电数据压缩模块和心电数据重建正常模式的输入；

心电数据压缩模块：模块分为正常模式和训练模式。正常模式对心电数据进行压缩，输入心电数据预处理模块输出的规格化心电数据，输出压缩后的心电压缩数据。训练模式对心电数据压缩网络进行训练，输入训练用的心电标签数据，输出压缩后的心电压缩数据。先将模块设置为训练模式，训练模块中的压缩网络。再将模块设置为正常模式，进行心电数据的压缩。

心电数据重建模块：模块分为正常模式和训练模式。正常模式对压缩后的心电数据进行重建，输入心电数据压缩模块正常模式压缩后的心电压缩数据，输出心电重建数据。训练模式对心电数据重建网络进行训练，输入心电数据压缩模块训练模式压缩后的心电压缩数据和训练用的心电标签数据，输出心电重建数据。先将模块设置为训练模式，训练模块中的重建网络。再将模块设置为正常模式，进行心电数据的压缩。

在本实施例中，心电数据压缩模块的压缩网络和心电数据重建模块的重建网络的具体结构如图2所示，具体如下：

1)压缩网络采用并行的分层架构，用于说明的示例网络分为7种不同的卷积方式，其中每种不同卷积方式中的卷积核数量分别为3,12,15,30,30,30,30，每种卷积方式中采用的卷积核尺寸为1×300，卷积步长为300。

2)重建网络设计了四层卷积层和一层重构层，具体如下：

第一层卷积层设计了1层卷积网络，卷积核尺寸为1×3，卷积核数量为128，；第二层卷积层设计了1层卷积网络，卷积核尺寸为1×1，卷积核数量为32；第三层卷积层设计了13层卷积网络，每层卷积网络的卷积核尺寸为1×3，卷积核数量为32；第四层卷积层设计了1层卷积网络，卷积核尺寸为1×1，卷积核数量为128。最后一层为重构层，卷积核尺寸为1×3，卷积核数量为1。

在本实施例中，所述的心电数据重建模块的adam优化器具体系数选择如下：

β1系数为指数衰减率，控制权重分配(动量与当前梯度)，设置为0.9；β2系数为指数衰减率，控制上轮优化梯度的平方对本轮优化的影响，设置为0.999；α系数为初始学习率，设置为0.1；ε为偏差项，设置为1e-8。

在获得了实施例中的系统后，本发明选取了mit-bih数据库中的数据进行系统性能的测试，选取的测试指标为重建数据和初始数据之间的均方根百分误差(prd)。表1为本发明中提出的多码率压缩感知系统和现有文献1(z.zhangetal.,"electrocardiogramreconstructionbasedoncompressedsensing,"inieeeaccess,vol.7,pp.37228-37237,2019,doi:10.1109/access.2019.2905000.)中基于块稀疏贝叶斯学习的压缩感知系统的性能比较，均方根百分误差(prd)越小，系统的重建性能就越好。根据表1，在相同的压缩率下，相比文献1中的块稀疏贝叶斯学习的压缩感知系统，本发明提出的系统可以取得更高的重建质量。

表1多码率压缩感知系统与块稀疏贝叶斯学习的压缩感知系统比较

图3-图6为心电数据在不同的压缩率下经过本发明所提出的压缩感知系统重建后的效果图，图3-图6对应的压缩率分别为0.2，0.3，0.4，0.5，图中上方为原始数据，下方为重建数据。

本领域普通技术人员可以理解实现上述实施例系统中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各系统的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。

以上所述实施例仅表达了本发明的一种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。