买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：湖南大学

摘要：本发明公开了一种面向可穿戴设备的心电信号异常检测方法，包括采集原始心电信号构成对比关系作为网络的训练数据并进行预处理；使用批数据进行模型预训练，获取特征学习模型和监督对比损失函数；去掉非线性投影部分后冻结编码器的参数，添加线性分类层，使用交叉熵损失函数训练线性层参数，获取已训练好的异常检测模型；采用已训练好的异常检测模型，通过可穿戴设备对心电信号进行实时监测，并判断是否出现异常。本发明通过设置正常和异常数据特征的对比，使得正常数据样本在特征空间内距离更近，异常样本距离更远，极大增强了模型的泛化能力，具有更强的特征表达能力，本发明在提高异常检测能力的同时更适配于个体用户，提高了可穿戴设备健康监测系统的效率。

主权项：1.一种面向可穿戴设备的心电信号异常检测方法，其特征在于包括如下步骤：S1.采集原始心电信号构成对比关系作为网络的训练数据并进行预处理；预处理包括，通过数据集中用户ID和心律异常标签，将不同用户的ECG信号按照疾病状态划分为若干个类别，从各个类别中分别选择ECG数据构成训练时一个批的对比数据组，包括：挑选批数据，从S个用户产生的ECG数据中逐条选择若干个正常ECG样本M和异常ECG样本N构成一个批；设置同一个用户下不同类别数据之间的对比关系包括：随机选择Batch内用户A，在用户A所有样本ZA中选择某一正常数据片作为锚示例，除锚示例之外的正常数据片段记作将与之前锚示例组成阳性样本对；异常片段记作将与锚示例组成阴性样本对；在不同用户数据之间构成对比关系：针对锚示例将与同来自于用户A的剩余数据之间组成阳性样本对，而与批中除用户A之外的用户的数据Zp组成阴性样本对，p∈S，p≠A；S2.设置监督对比损失函数，使用批数据进行模型预训练，获取特征学习模型；利用设置了对比关系的批数据进行特征提取网络的预训练，预训练网络包括训练第一部分和训练第二部分；训练第一部分选择神经网络构造编码器学习ECG数据的特征表达，并输出一个特征向量，代表了编码器对网络的学习结果；训练第二部分将编码器学习到的特征向量进行非线性投影，将编码器学习到的特征向量映射到特定空间中进行特征描述，获取特征学习模型；所述的监督对比损失函数losstotal包括， losstotal＝loss1+βloss2其中，sim·为计算特征向量间余弦相似度的函数；β为超参数；表示锚示例；表示除锚示例之外的正常数据片段；表示异常片段；ZA表示用户A的所有样本；Zp表示批中除用户A之外的用户的数据；exp[·]表示指数函数；log·表示取对数；losstotal表示监督对比损失函数；loss1表示损失第一部分；loss2表示损失第二部分；S3.去掉非线性投影部分后冻结编码器的参数，添加线性分类层，使用交叉熵损失函数训练线性层参数，获取已训练好的异常检测模型；S4.采用已训练好的异常检测模型，通过可穿戴设备对心电信号进行实时监测，并判断是否出现异常。

全文数据：

权利要求：

百度查询： 湖南大学 一种面向可穿戴设备的心电信号异常检测方法