申请/专利权人：长春理工大学;吉林大学第一医院

申请日：2024-04-01

公开（公告）日：2024-06-18

公开（公告）号：CN117972439B

主分类号：G06F18/214

分类号：G06F18/214;G06F18/21;G06F18/10;G06F18/213;G06N3/0455;G06N3/0475;G06N3/094;G06N3/084;G06N3/0985;A61B5/0245;A61B5/346;A61B5/00;G06F123/02

优先权：

专利状态码：有效-授权

法律状态：2024.06.18#授权;2024.05.21#实质审查的生效;2024.05.03#公开

摘要：本发明属于医学信息预测技术领域，公开了基于增强空间构造与生成对抗网络的心率预测方法及系统。该方法以原数据集经EMD经验模态分解算法滤除噪声；将原始高维心率信号映射至构造空间，在低维空间中将数据输入拼接噪声，首先训练构造网络与逆构造网络，然后交替训练生成对抗网络模型中的生成网络与判别网络，生成更真实的数据，以及区分真实数据与生成数据之间的区别；再利用多损失值复合训练模型训练深度学习模型GAN‑ECGformer；训练完毕后检查预测样本质量。本发明不仅提高了预测的准确性，而且确保了生成效果的多样性，从而使模型能够有效处理更广泛类型的心率数据。

主权项：1.一种基于增强空间构造与生成对抗网络的心率预测方法，其特征在于，该方法包括：S1，原数据集经EMD经验模态分解算法滤除噪声；S2，将原始高维心率信号通过深度学习模型GAN-ECGformer构造网络与逆构造网络映射至构造空间，在低维空间中将心率波形数据输入拼接噪声；首先训练构造网络与逆构造网络，然后交替训练生成对抗网络模型中的生成网络与判别网络，生成更真实的数据，区分真实数据与生成数据之间的区别，利用多损失值复合训练模型训练深度学习模型GAN-ECGformer；S3，深度学习模型GAN-ECGformer训练完毕后，检查预测样本质量，利用RMSE指标、MAE指标、PRD指标、FD指标评估深度学习模型GAN-ECGformer预测准确度；在步骤S2中，所述深度学习模型GAN-ECGformer生成网络与判别网络为核心，利用构造网络与逆构造网络将数据映射至另一维度学习数据内，再动态关联；在新的维度下，生成网络将学习数据的内在表示，判别网络依次判断输入为真实数据或是伪造数据，在多轮对抗迭代后，生成网络和判别网络逐步优化生成策略与鉴别能力，使生成效果与真实数据分布相同，引入用于使训练过程速度加快和训练质量稳定的多损失值复合训练的方法；在步骤S2中，将原始高维心率信号通过深度学习模型GAN-ECGformer构造网络与逆构造网络映射至构造空间，包括：构造网络将原始高维心率信号X映射至新的构造表示Z，表达式为：Z＝fX；θf式中，Z为构造表示，f·为构造网络映射，X为原始高维心率信号，θf为构造网络的参数，构造网络利用映射将高维表示拆解成多重简单信号组合表示结果；逆构造网络将拆解后的Z逆构造至原高维空间表示，表达式为：X′＝gZ；θg式中，X′为重构信号，g·为逆构造网络映射，θg为逆构造网络的参数，逆构造网络的目的是将多重简单信号的组合表示根据规律恢复至原空间的表示，即恢复为原始信号的表示形式；在步骤S2中，生成网络与判别网络在新的低维空间中训练，生成网络根据高斯噪声随机生成随机预测结果，与真实未来数据相似，生成网络学习原数据Xi在低维空间下的信号特征Yi，将高斯噪声中采样的数据经自注意力、残差网络、前馈网络变换得到低维空间下的信号特征Yi原数据的特征表示Yi′，计算Yi与Yi′之间的差距，表达式为： 式中，RMSE为均方根误差，Yi为第i个样本的真实值，为第i个样本的预测，n为样本数量；RMSE值越小，则代表生成网络所生成的数据与真实数据差距越小；判别网络将评估输入数据的真实性，最小化生成器生成的伪造数据的准确性，区分真实数据与生成器所生成的伪造数据，计算公式为： 式中，为判别器最小损失函数，为真实数据Pdata的分布期望E，为随机噪声Pz的分布期望E，DGz为判别器D对生成器G的判别概率，x为真实数据，z为随机噪声，Dx为判别网络D对于给定输入x所判断是否为真实数据的概率，Gz为生成网络G根据输入噪声z生成的数据，E为期望值，Pdatax为真实数据的分布，Pzz为输入噪声的分布； 由两部分组成，第一部分对应于最大化鉴别器对真实数据的准确性；如果x是真实数据，Dx接近于1，logDx最大；第二部分对应于最小化鉴别器对生成器生成的伪造数据的准确性，如果Gz是生成器生成的数据，DGz为0，log1-DGz最大；在步骤S2中，多损失值复合训练模型包括：对抗性损失函数的表达式为： 式中，AdversarialLoss为对抗性损失函数，为生成器最小损失函数，为判别器最大损失函数，L为损失函数，h为预测步长，T为已知步长，D·为判别网络，G·为生成网络，为真实心率数据，为高斯噪声；一致性损失函数的表达式为： 式中，ConsistencyLoss为一致性损失函数，为真实心率数据在构造空间下的表示，为高斯噪声在构造空间下的表示；动能损失函数的表达式为： 式中，MovementLoss为动能损失函数，为的下一时间步的信息表示；构造损失函数的表达式为： 式中，ReconstructionLoss为构造损失函数，为高斯噪声经构造空间训练后恢复映射至原空间表示数据。

全文数据：

权利要求：

百度查询： 长春理工大学;吉林大学第一医院 基于增强空间构造与生成对抗网络的心率预测方法及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD