[发明专利]一种基于深度学习的ECG心电信号生成方法

权利要求书

1.一种基于深度学习的ECG心电信号生成方法，其特征在于，该心电信号生成方法是通过以下步骤实现的：

步骤一、从数据库中筛选获取原始带标注的ECG心电信号；

步骤二、对步骤一获取的ECG心电信号进行数据预处理；

步骤三、使用短时傅里叶变换将经过步骤二预处理的ECG心电信号转化成二维信号，该二维信号用以作为深度学习网络的输入信号；

步骤四、使用改进的生成对抗网络对步骤三得到的二维信号进行训练，并生成新的二维ECG心电信号时频图谱；

步骤五、使用Griffin Lim相位重构算法还原步骤四得到的二维ECG心电信号时频图谱，得到自动生成的一维ECG心电信号。

2.根据权利要求1所述的一种基于深度学习的ECG心电信号生成方法，其特征在于，步骤二中对ECG心电信号进行数据预处理的方法包括QRS波检测、数据分割和数据过滤。

3.根据权利要求1所述的一种基于深度学习的ECG心电信号生成方法，其特征在于，步骤三中使用短时傅里叶变换将经过预处理的ECG心电信号转化成二维信号的具体方法为：

步骤1、使用短时傅里叶变换将预处理的ECG心电信号转化成二维矩阵；短时傅里叶变换定义的公式为：

其中，g(t-u)是以时间u为中心的窗口函数；f(t)为预处理的ECG心电信号；

步骤2、对步骤1中得到的二维矩阵进行归一化，将它们归一化到[0，1]，获得二维信号。

4.根据权利要求1所述的一种基于深度学习的ECG心电信号生成方法，其特征在于，步骤四中改进的生成对抗网络包括生成器和判别器；

生成器包括4个转置卷积层；前三个使用的是实例归一化层和Relu激活函数层；最后一个为Sigmoid函数层；生成器接受一个服从正态分布的100x1的随机噪声作为输入；

判别器包括4层卷积操作；前三层使用的均为后面都带有一层实例归一化层和LeakyRelu激活函数层；最后一层卷积操作为Sigmoid函数层；

所述Relu激活函数层的数学定义如下：

使用梯度惩罚的方法来改进的生成对抗网络原始的损失函数，其计算定义如下：

其中，是原始改进的生成对抗网络的损失函数，k是Lipschitz常数，λ是惩罚系数，梯度惩罚。

5.根据权利要求1所述的一种基于深度学习的ECG心电信号生成方法，其特征在于，步骤五中使用Griffin Lim相位重构算法还原步骤四得到的二维ECG心电信号时频图谱，得到自动生成的一维ECG心电信号的具体方法为：先利用一个随机生成的信号，得到它的相位谱信息和幅值谱信息，然后通过不断迭代来修改这个随机信号的幅值谱使其与二维ECG心电信号时频图谱接近，在这个过程中，随机信号的相位谱也会根据随机信号的幅值谱的修改而进行调整，直到达到规定的迭代次数，此时由调整后的相位谱和调整后的幅值谱重构得到的信号为一维ECG心电信号。