本发明涉及心电数据,特别涉及一种基于多尺度特征融合网络的心电数据分类方法和装置。
背景技术:
1、近年来,对心电数据的分类越来越受重视。当前存在技术依靠模型对心电数据的进行分类,但是多数模型对于心电数据的特征提取不足,简单地使用卷积神经网络提取特征容易出现特征重复现象,使得模型面对大量重复特征难以选择,难以有效地对心电数据进行分类。
技术实现思路
1、本发明旨在至少解决现有技术中存在的技术问题之一。为此,本发明提出一种基于多尺度特征融合网络的心电数据分类方法和装置,能够提高心电数据的分类准确性。
2、第一方面,本发明实施例提供了一种基于多尺度特征融合网络的心电数据分类方法,包括:
3、获取第一样本多导联心电数据,将所述第一样本多导联心电数据依次进行小波簇分解、软阈值处理和小波重构得到第二样本多导联心电数据;
4、将所述第二样本多导联心电数据进行划分得到训练集和测试集,获取所述第二样本多导联心电数据中标签比例占比低于预设的比例阈值的数据对所述训练集进行扩充;
5、将扩充后的所述训练集输入到预设的多尺度特征融合网络模型进行训练,将所述测试集输入到训练后的所述多尺度特征融合网络模型进行测试得到完成训练的所述多尺度特征融合网络模型,其中,所述多尺度特征融合网络模型包括第一分支卷积模块、第二分支卷积模块和融合块,所述第一分支卷积模块和所述第二分支卷积模块的卷积核尺度不相同;
6、获取待识别多导联心电数据,将所述待识别多导联心电数据输入到所述多尺度特征融合网络模型;
7、通过所述第一分支卷积模块对所述待识别多导联心电数据进行特征提取得到第一特征数据,通过所述第二分支卷积模块对所述待识别多导联心电数据进行特征提取得到第二特征数据;
8、将所述第一特征数据和所述第二特征数据输入到所述融合块进行特征融合得到融合特征数据,将所述融合特征数据、所述第一特征数据和所述第二特征数据进行加权求和得到目标特征数据;
9、根据所述目标特征数据,从预设的可选分类中确定目标分类结果。
10、在一些实施例中,所述获取第一样本多导联心电数据,对所述第一样本多导联心电数据进行预处理得到第二样本多导联心电数据,包括:
11、通过db8小波对所述第一样本多导联心电数据进行小波簇分解,得到尺度系数;
12、通过软阈值函数对所述尺度系数进行数据处理;
13、对处理后的所述尺度系数进行小波重构,得到所述第二样本多导联心电数据。
14、在一些实施例中,所述获取所述第一样本多导联心电数据中标签比例占比低于预设的比例阈值的数据对所述训练集进行扩充,包括:
15、获取所述第一样本多导联心电数据中各标签所占比例,获取比例小于比例阈值的数据确定为第一标签类别数据;
16、添加高斯噪声到所述第一标签类别数据;
17、将所述第一标签类别数据沿着时间轴进行倒置得到第二标签类别数据;
18、添加所述第二标签类别数据到所述训练集中。
19、在一些实施例中,所述将扩充后的所述训练集输入到预设的多尺度特征融合网络模型进行训练,将所述测试集输入到训练后的所述多尺度特征融合网络模型进行测试得到完成训练的所述多尺度特征融合网络模型,包括:
20、将所述训练集输入到所述多尺度特征融合网络模型,得到训练预测值;
21、通过损失函数计算所述训练预测值的损失值;
22、当所述损失值收敛,则将所述测试集输入到所述多尺度特征融合网络模型,得到测试预测值;
23、对预设的实际分类结果和所述测试预测值进行auc计算得到分类准确度;
24、当所述分类准确度大于或等于预设的准确度阈值,则所述多尺度特征融合网络模型完成训练。
25、在一些实施例中,所述对预设的实际分类结果和所述测试预测值进行auc计算得到分类准确度,包括:
26、从所述测试集中筛选出目标类别对应的数据确定为正样本,所述目标类别从预设的多个心电数据类别中确定;
27、从筛选后的所述测试集中随机抽选与所述正样本相同数量的数据,确定为负样本;
28、将所述正样本对应的所述测试预测值确定为第一测试分类结果,将所述负样本对应的所述测试预测值确定为第二测试分类结果;
29、根据所述第一测试分类结果、所述第二测试分类结果和所述实际分类结果进行计算得到真阳值、假阳值、真阴值和假阴值;
30、根据所述假阳值和所述真阴值进行计算得到假阳性率,根据所述真阳值和所述假阴值进行计算得到真阳性率;
31、根据所述假阳性率和所述真阳性率确定roc曲线,获取所述roc曲线的下方与坐标轴形成的面积值,根据所述面积值与预设的面积阈值进行对比确定所述分类准确度。
32、在一些实施例中,所述特征融合的计算公式为:
33、
34、为第j个经过最大池化层压缩后的特征数据,k×k代表卷积核的大小,为域,其中,第一特征数据为采用3x3卷积核的特征数据第二特征数据为采用5x5卷积核的特征数据c是卷积后的特征通道数,n是卷积后的特征长度,是融合特征数据。
35、在一些实施例中,加权求和公式为:
36、加权求和公式为:
37、
38、其中,α为交融因子,取值为0-1,fj'为第j个所述目标特征数据,是融合特征数据,是采用3x3卷积核的所述第一特征数据,是采用5x5卷积核的所述第二特征数据。
39、第二方面,本发明实施例提供了一种基于多尺度特征融合网络的心电数据分类装置,所述基于多尺度特征融合网络的心电数据分类装置预设配置有多尺度特征融合网络模型,所述多尺度特征融合网络模型包括第一分支卷积模块、第二分支卷积模块和融合块,所述第一分支卷积模块和所述第二分支卷积模块的卷积核尺度不相同,所述装置用于:
40、获取第一样本多导联心电数据,将所述第一样本多导联心电数据依次进行小波簇分解、软阈值处理和小波重构得到第二样本多导联心电数据;
41、将所述第二样本多导联心电数据进行划分得到训练集和测试集,获取所述第二样本多导联心电数据中标签比例占比低于预设的比例阈值的数据对所述训练集进行扩充;
42、将扩充后的所述训练集输入到预设的多尺度特征融合网络模型进行训练,将所述测试集输入到训练后的所述多尺度特征融合网络模型进行测试得到完成训练的所述多尺度特征融合网络模型;
43、获取待识别多导联心电数据,将所述待识别多导联心电数据输入到所述多尺度特征融合网络模型;
44、通过所述第一分支卷积模块对所述待识别多导联心电数据进行特征提取得到第一特征数据,通过所述第二分支卷积模块对所述待识别多导联心电数据进行特征提取得到第二特征数据;
45、将所述第一特征数据和所述第二特征数据输入到所述融合块进行特征融合得到融合特征数据,将所述融合特征数据、所述第一特征数据和所述第二特征数据进行加权求和得到目标特征数据;
46、根据所述目标特征数据,从预设的可选分类中确定目标分类结果。
47、第三方面,本发明实施例提供了一种电子设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如第一方面所述的基于多尺度特征融合网络的心电数据分类方法。
48、第四方面,本发明实施例提供了一种计算机可读存储介质,存储有计算机程序,所述计算机程序用于执行如第一方面所述的基于注意力机制的基于多尺度特征融合网络的心电数据分类方法。
49、根据本发明实施例的基于多尺度特征融合网络的心电数据分类方法和装置,至少具有如下有益效果:通过对第一样本多导联心电数据进行预处理得到第二样本多导联心电数据,将第二样本多导联心电数据进行划分得到训练集和测试集,为了使样本数据各标签所占比例更均衡,通过第一样本多导联心电数据对训练集进行扩充。将扩充后的训练集输入到多尺度特征融合网络模型对其进行训练,将待识别多导联心电数据输入到完成训练后的多尺度融合网络模型,在其中经过第一分支卷积模块进行特征提取得到第一特征数据,经过第二分支卷积模块进行特征提取得到第二特征数据,通过融合块对第一特征数据和第二特征数据进行特征融合得到融合特征数据,将融合特征数据、第一特征数据和第二特征数据进行加权求和得到目标特征数据。通过将待识别多导联心电数据输入到多尺度特征融合网络模型,增加不同尺度的特征信息融合能力,提升了对心电数据的分类准确度。