基于对抗网络的R波提取方法与流程

本发明涉及心电信号处理领域，尤其涉及基于对抗网络的r波提取方法。

背景技术：

1、伴随心脏的活动周期，心脏内的心肌细胞不断兴奋，在体表形成了心电信号；一个正常的心跳周期包括p波、qrs波和t波，其中qrs波群反映左、右心室除极电位和时间的变化，第一个向下的波为q波，向上的波为r波，接着向下的波是s波；自qrs波群起点至qrs波群终点的时间为qrs时限。由于r波是qrs波群中波幅最大的波，因而，r波的检测是qrs波群定位的关键步骤。

2、传统中，通过滤波加阈值判断的方法进行判断r波位置，但是这种方法容易受到噪声干扰；有监督的深度学习的方法具有比较好的抗干扰性，但容易受到样本数据的影响，如果样本数据标注不准确，或者样本的导联等情况发生改变时信号容易降低准确率；为此，本技术提出一种具有高抗干扰性的弱监督学习方法，能够提高现有算法的普适性。

技术实现思路

1、本发明的目的是为了解决现有技术中存在的问题，而提出的基于对抗网络的r波提取方法。

2、为了实现上述目的，本发明采用了如下技术方案：

3、基于对抗网络的r波提取方法，采用以下步骤操作：

4、步骤一，采集至少n条心电信号，采样频率为fs hz，每条心电信号的长度为t秒，则每个真实采集的心电信号都可以用长度为fs*t的向量recg来表示，将所有的心电信号记作

5、步骤二，构建g网络；

6、构建出输入为心电信号长度fs*t*1,输出为fs*t*1的深度学习网络；采用g网络计算得到仿真心电信号gsecg；

7、步骤三，构建d网络；

8、以心电信号作为输入，以0-1之间的数字作为输出，构建d网络；

9、步骤四，训练d网络；

10、随机初始化g网络若干，随机生成若干个长度fs*t*1的分布在0-1之间的向量，输入到参数不同的g网络中，生成若干条仿真心电信号

11、在仿真心电信号集合gs和真实心电信号集合r中多次随机抽取心电信号构造训练数据；以交叉熵函数作为损失函数，用构造出的数据训练d网络；

12、步骤五，训练g网络；

13、用以下等式作为损失函数训练g网络；

14、mingmaxdv(d,g)＝er∈r[logd(r)]+ez∈pz[log(1-

15、d(g(z)))]；

16、步骤六，对于新心电信号用遗传算法求解得到最好的znew。

17、优选地，步骤一中，每条心电信号的长度t为10秒。

18、优选地，基于步骤二，gsecg＝g(z)表示以长度为fs*t*1的信号z为输入。

19、进一步地，步骤二中，g网络采取九层的网络结构；

20、其中：

21、第一层为包含50个大小均为5的一维卷积核形成的卷积层；

22、第二层为包含60个大小均为6的一维卷积核形成的卷积层；

23、第三层为池化层，采用最大池化，核的大小和步长均为2；

24、第四层为包含70个大小为3的一维卷积核形成的卷积层；

25、第五层为包含80个大小为3的一维卷积核形成的卷积层；

26、第六层为包含40个大小为7的一维卷积核形成的卷积层；

27、第七层为包含30个大小为9的一维卷积核形成的卷积层；

28、第八层为输出100个神经元的全连接层；

29、第九层为输出神经元个数为x*t*1的全连接层。

30、进一步地，在g网络采取九层的网络结构中，第一层、第二层、第四层、第五层、第六层、第七层和第八层的激活函数均选用relu函数。

31、优选地，步骤三中，d网络采取八层的网络结构；

32、其中：

33、第一层为包含50个大小均为5的一维卷积核形成的卷积层；

34、第二层为包含60个大小均为6的一维卷积核形成的卷积层；

35、第三层为池化层，采用最大池化，核的大小和步长均为2；

36、第四层为包含70个大小为3的一维卷积核形成的卷积层；

37、第五层为包含40个大小为3的一维卷积核形成的卷积层；

38、第六层为包含50个大小为3的一维卷积核形成的卷积层；

39、第七层为输出为10个神经元的全连接层；

40、第八层为输出神经元个数为1个的全连接层。

41、进一步地，在d网络采取的八层网络结构中，第一层、第二层、第四层、第五层、第六层和第七层的激活函数选用relu函数，第八层的激活函数选用sigmoid函数。

42、更进一步地，步骤四中，若以yk∈r，则标签为1，否则标签为0；训练算法可以为：随机梯度下降算法、adam算法、rmsprop算法、adagrad算法、adadelta算法及adamax算法中的任意一种。

43、更进一步地，步骤五中，在如下等式中：

44、

45、其中，

46、r为集合r中的心电信号，d(r)表示以r作为输入，用d网络计算得到的结果，g(z)表示以z作为输入，用g网络计算得到的结果；z是长度为fs*t*1的分布在0-1之间的向量，它从向量集合pz中选取得到；

47、pz的构造如下：对于集合r中所有的心电信号对其进行r波提取，得到r波发生的位置，构造zk,其中，zk在r波发生位置处的元素记为1，其他位置为0；

48、pz＝{zi|i＝1,2…n}；

49、er∈r[logd(r)]表示对于所有r∈r得到的logd(r)的期望；

50、ez∈pz[log(1-d(g(z)))]表示对于所有z∈pz得到的log(1-d(g(z)))的期望；

51、训练算法可以为随机梯度下降算法、adam算法、rmsprop算法、adagrad算法、adadelta算法及adamax算法中的任意一种。

52、更进一步地，步骤六中，用遗传算法求解znew的步骤为：

53、(1)对参数进行基因编码，采用二进制编码，长度为fs*t*1，随机产生基因；

54、(2)执行选择、遗传、变异操作；

55、(3)计算适应度：

56、适应度函数的计算方法为：

57、

58、(4)判断是否达到终止条件，如果达到条件，终止，输出基因，得到znew，向量中的元素为1的位置即为心电信号r波发生位置。否则返回第二步。

59、该装置中未涉及部分均与现有技术相同或可采用现有技术加以实现，本发明中首先采集多条心电信号，并对所有的心电信号进行标记，然后构建出输入为心电信号长度fs*t*1,输出为fs*t*1的深度学习网络，即g网络，以心电信号作为输入，以[0-1]之间的数字作为输出，构建d网络，训练d网络及g网络，用遗传算法得出心电信号r波发生位置，完成提取，提升了心电信号r波提取的准确率，不会出现错检和漏检情况；避免了采用常规的滤波和阈值判断的方法进行判断r波位置，降低了噪声的干扰性，且不会受到样本数据标注不准确及样本导联等情况的影响，信号的准确率更高，抗干扰性更好，能够提高现有算法的普适性。