【技术实现步骤摘要】
本专利技术涉及医学信号智能处理，尤其涉及一种基于类脑模型的bcg(ballistocardiogram，心冲击信号)分类预测方法。
技术介绍
1、心率疾病，如房性早搏、室性早搏等，是心脏病学中常见的诊断对象。bcg信号是记录心脏机械运动的一种力学信号，通过测量心脏搏动时产生的胸部振动来反映心脏的收缩和舒张。bcg可以提供关于心脏收缩力、心率、心脏容积等信息，对评估心脏功能和心脏病变的影响具有重要意义。通过应用bcg，医生可以更细致地了解患者的心脏状况，制定针对性的个性化的治疗方案，提高治疗效果，降低心脏病发作和并发症的风险。
2、不同于ecg(electrocardiogram，心电信号)信号必须通过电极和导电介质(如凝胶)与皮肤接触来获取，bcg是通过测量心脏搏动时胸部振动产生的力学信号，bcg的检测不需要与人体皮肤直接接触，可以在不干扰受试者的情况下进行长时间监测。准确地对bcg信号分类对于心率疾病早期诊断、治疗计划的制定以及预防心脏事件至关重要。bcg作为一种反映心脏机械活动的信号，提供了心脏功能状态的间接信息。然而，由于bcg信号的复杂性的特点，传统的心拍类型分类方法面临着实时性延迟和精确性不高的挑战。
技术实现思路
1、鉴于上述的分析，本专利技术实施例旨在提供一种基于类脑模型的bcg分类预测方法，用以解决现有方法中基于bcg信号进行心拍类型分类的实时性延迟及精确度低的技术问题。
2、本专利技术提供了一种基于类脑模型的bcg分类预测方法，包括如下步骤
3、步骤s1、实时采集连续时刻的bcg信号并进行预处理，获得预处理的bcg信号；
4、步骤s2、将所述预处理的bcg信号输入训练好的类脑分类模型中进行识别，得到预测的心拍类型；其中，所述类脑分类模型基于脉冲神经网络构建，依次包括静态卷积层、通道注意力层和全连接分类模块；所述静态卷积层用于特征提取和通道扩展；所述通道注意力层用于特征选择和增强；所述全连接分类模块用于最终的分类预测。
5、进一步地，将所述预处理的bcg信号输入训练好的类脑分类模型中进行识别，得到预测的心拍类型，包括：
6、将所述预处理的bcg信号依次输入所述静态卷积层的一维卷积层conv1d、lifnode类脑激活层和池化层；所述一维卷积层conv1d用于通道扩展提取特征，输入的特征图依次经过conv1d卷积以及lifnode类脑激活后，通道数进行扩展，序列长度进行降维；所述池化层对扩展了通道、降维了序列长度的特征图进行下采样后输出，设为x；
7、将x输入所述通道注意力层获得三维张量特征图；
8、将所述三维张量特征图输入所述全连接分类模块，所述全连接分类模块包括flatten展平层和线性层，输入的三维张量的特征图经过flatten函数被展成二维张量，再经过线性层得到心拍类型的分类预测概率。
9、进一步地，所述通道注意力层包括通道权重分支和传递输入分支；
10、所述通道权重分支经过adaptivemaxpool1d函数与自定义卷积组合，输出通道注意力值，设为a；
11、所述传递输入分支，首先进行x与a相乘运算，再经过一个卷积层，和一个池化层进行下采样后输出三维张量的特征图。
12、进一步地，训练类脑分类模型，包括：
13、构建包括预处理后的ecg及对应bcg的第一训练数据集；
14、利用所述第一训练数据集训练ecg-bcg映射模型，直至损失函数收敛获得训练好的ecg-bcg映射模型；
15、基于训练好的ecg-bcg映射模型，构建类脑分类模型第二训练数据集；其中，所述第二训练数据集包括bcg及对应ecg的心拍类型；
16、利用所述第二训练数据集训练类脑分类模型，达到最大迭代轮次后获得训练好的类脑分类模型。
17、进一步地，基于u型卷积网络的编码-解码结构构建ecg-bcg映射模型，包括编码器模块和解码器模块；
18、所述编码器模块，用于将接收到的预处理后的ecg，进行下采样提取局部特征，输出表示局部特征的特征图矩阵；
19、所述解码器模块，通过转置卷积层恢复空间维度，并通过跳跃连接将所述编码器模块提取的局部特征与解码器模块上采样的全局特征进行融合，恢复至原始维度空间，输出与预处理后的ecg对应的bcg；
20、其中，特征图矩阵表示为三维张量，三个维度分别为批次大小、通道数和序列长度维度。
21、进一步地，所述编码器模块为下采样结构，包括五个下采样层，其中：
22、第一下采样层依次包括一个步长为1的卷积层、以及层归一化和prelu激活，卷积层将输入特征图的通道数从1增加至32后输出至第二下采样层；
23、第二至五下采样层依次包括两个步长为1卷积层和最大池化层，每个卷积层后依次进行层归一化和prelu激活，第一个卷积层用于将当前层输入的特征图的通道数翻倍，第二个卷积层保持通道数不变，并通过最大池化层将当前层输入的特征图的序列长度维度减半，将改变了通道数与序列长度维度的特征图输出；
24、其中，层归一化用于加速收敛，prelu激活引入非线性，用于增强所述编码器模块对局部特征细微变化的敏感度。
25、进一步地，所述解码器模块为上采样结构，包括六个上采样层，如下：
26、第一上采样层依次包括两个步长为1的卷积层和转置卷积层，每个步长为1的卷积层后依次进行层归一化和prelu激活，两个步长为1的卷积操作均保持通道数不变，利用转置卷积层将通道数减半并使序列长度翻倍，实现特征的空间扩展和上采样；
27、第二至四上采样层依次包括两个步长为1的卷积层和转置卷积层，每个步长为1的卷积层后依次进行层归一化及prelu激活，第一个步长为1的卷积层首先对当前层输入的特征图的通道数减半，第二个步长为1的卷积层保持通道数不变，再使用转置卷积层将通道数减半并将序列长度翻倍；所述第二上采样层的输入与所述第四下采样层的输出、所述第三上采样层的输入与第三下采样层的输出、所述第四上采样层的输入与第二下采样层的输出依次进行跳跃连接融合下采样的局部特征和上采样的全局特征；第二至四上采样层分别将改变了通道数与序列长度的特征图输出至下一层进行上采样；
28、第五上采样层次包括两个步长为1的卷积层和转置卷积层，每个步长为1的卷积层后依次进行层归一化及prelu激活，第一个步长为1的卷积层将通道数减半细化特征表示，第二个步长为1的卷积层保持通道数不变进一步提取和融合下采样和上采样的特征；
29、第六上采样层使用单一卷积层，将通道数从16减少到1，将解码得到的特征图映射回所述编码器模块输入的特征图的维度，输出ecg映射的bcg。
30、进一步地，从第一公开数据集获取ecg和对应bcg数据的原始信号序列进行预处理得到所述第一训练数据集，包括：
31、以所述ecg的原始信号序列的第一个r峰为起点，本文档来自技高网...
【技术保护点】
1.一种基于类脑模型的BCG分类预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述方法，其特征在于，将所述预处理的BCG信号输入训练好的类脑分类模型中进行识别，得到预测的心拍类型，包括：
3.根据权利要求2所述方法，其特征在于，所述通道注意力层包括通道权重分支和传递输入分支；
4.根据权利要求1所述方法，其特征在于，训练类脑分类模型，包括：
5.根据权利要求4所述方法，其特征在于，基于U型卷积网络的编码-解码结构构建ECG-BCG映射模型，包括编码器模块和解码器模块；
6.根据权利要求5所述方法，其特征在于，所述编码器模块为下采样结构，包括五个下采样层，其中：
7.根据权利要求6所述方法，其特征在于，所述解码器模块为上采样结构，包括六个上采样层，如下：
8.根据权利要求7所述方法，其特征在于，从第一公开数据集获取ECG和对应BCG数据的原始信号序列进行预处理得到所述第一训练数据集，包括：
9.根据权利要求8所述方法，其特征在于，加载所述第一训练数据集至所述ECG-BCG映射模
10.根据权利要求2所述方法，其特征在于，所述LIFNode类脑激活层的计算机制为：
...【技术特征摘要】
1.一种基于类脑模型的bcg分类预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述方法，其特征在于，将所述预处理的bcg信号输入训练好的类脑分类模型中进行识别，得到预测的心拍类型，包括：
3.根据权利要求2所述方法，其特征在于，所述通道注意力层包括通道权重分支和传递输入分支；
4.根据权利要求1所述方法，其特征在于，训练类脑分类模型，包括：
5.根据权利要求4所述方法，其特征在于，基于u型卷积网络的编码-解码结构构建ecg-bcg映射模型，包括编码器模块和解码器模块；
6.根据...
【专利技术属性】
技术研发人员：史玥婷，白剑，张先超，蒋治国，单楚轩，王晓华，
申请(专利权)人：北京遥感设备研究所，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。