[发明专利]一种半监督的心电异常检测方法

说明书

本发明公开了一种半监督的心电异常检测方法，包括：使用小波阈值变换对心电信号进行降噪处理，然后随机选取若干正常心电数据作为训练集，再随机选取若干正常心电数据和异常心电数据用于阈值寻优数据集；构建AD‑ECGGAN网络模型，该AD‑ECGGAN网络模型包括生成器和判别器；固定生成器，从所述训练集中抽取n个真实心电样本，在所述生成器中利用定义的噪声分布生成n个虚假心电样本，通过所述真实心电样本和虚假心电样本来训练判别器；本发明提出的用于心电异常检测的AD‑ECGGAN模型，改进了生成对抗网络的网络结构，提出了新的训练方法，使其可以在缺乏异常心电样本的情况下训练心电信号异常检测的分类器，不需要专业的医生对异常数据进行标注，大大节约人力和时间成本。

技术领域

本发明涉及智慧医疗与健康技术领域，具体涉及一种基于生成对抗网络的半监督的心电异常检测方法。

背景技术

心电图的测量在现代诊断学中起着重要的辅助作用。人工智能的发展很大程度上提高了心电信号分类和异常检测的准确度。然而，现有大多检测方法属于有监督学习。有监督学习依赖于大量准确标注的数据集。在对心电等医学信号进行分析时，采集到的样本需要先由专业的医生进行标注，这个过程会耗费大量的时间和人力成本。并且心电信号作为医疗数据，具有隐私性和敏感性。因此大量准确标注的心电数据集往往难以获得。此外，医疗数据中正样本数量远大于负样本数量，这种不平衡的数据分布也会影响分类和异常检测的准确度。以上原因造成现有有监督的心电异常检测方法难以有效落地。

数据的异常是指一个或一系列观测值明显偏离数据的总体分布。异常检测从数据集是否标注可以分为监督学习、半监督学习和无监督学习。监督学习需要大量标注的数据集而且容易造成对训练集的过拟合从而使模型的泛化能力不强，无监督学习目前的准确率还不是很理想，只需要正样本而不需要负样本的半监督学习则特别适用于医疗数据。异常检测从方法上可以分为基于统计学习的，基于经典机器学习的和基于神经网络(深度学习)的。基于统计学习的有模板匹配，移动平均法，指数平滑法，和设置预置信区间等。基于经典机器学习的方法有K-means聚类，基于密度的聚类，局部异常因子法，隔离森林，单类支持向量机，极端梯度提升等。基于神经网络的有卷积神经网络，残差神经网络，小波网络，LSTM网络和自动编码器等。以上的方法可以归纳为统计、回归、聚类和重构。

随着深度神经网络的发展，通过神经网络来进行异常检测的方法被越来越多地使用。最开始使用神经网络进行检测方法是学习正常数据，再使用分类算法来区分正常数据与异常数据。基于编码器和解码器的方法是这类方法中效果比较不错的，其思路是用正常数据去学习一个编码-解码模型，使得模型可以将正常数据重构出来，而无法重构异常数据。不过该方法非常容易受噪声影响，需要给模型加上各种约束。异常检测的一种思路是将正样本看作一类，负样本看作一类，进行二分类。实际情况是正样本易获得数量多，而负样本难以获得。

发明内容

本发明目的是提供一种半监督的心电异常检测方法，其在只拥有正常心电样本的情况下训练出心电异常检测模型，且模型检测效率相比有监督的模型更高，可以做到实时反馈结果。

为实现上述目的，本申请的技术方案为：一种半监督的心电异常检测方法，包括：

步骤1：使用小波阈值变换对心电信号进行降噪处理，然后随机选取若干正常心电数据作为训练集，再随机选取若干正常心电数据和异常心电数据用于阈值寻优数据集；

步骤2：构建AD-ECGGAN网络模型(心电异常检测对抗网络模型)，所述AD-ECGGAN网络模型包括生成器和判别器；

步骤3：固定生成器，从所述训练集中抽取n个真实心电样本，在所述生成器中利用定义的噪声分布生成n个虚假心电样本，通过所述真实心电样本和虚假心电样本来训练判别器；设置每循环更新k次判别器，更新1次生成器为一轮；在每一轮打印所述生成器和判别器的损失以及判别器的准确率；

步骤4：通过所述生成器和判别器的损失以及判别器的准确率判断网络是否收敛，若收敛则转到步骤5；若没有收敛则继续步骤3的对抗训练；