一种基于不平衡多标记学习的心电图分类及其可解释性方法

本发明涉及一种改进的多标记心电图分类及其可解释性方法，现有技术中基于深度网络的多标记心电图分类方法大多关注标记相关性或改造神经网络，而忽略了多标记学习中的本质问题，即天然存在的正负标记不平衡。本发明旨在解决该问题，由此提出了一种新颖的策略，即每次仅选择一对标记进行优化，使得正负标记在训练时维持平衡。该方法包括：首先，将原始心电信号重采样至500Hz，对原始信号进行归一化和清洗工作，并将其分隔成固定大小的时间窗作为神经网络的输入；其次，使用本发明新提出的损失函数进行模型训练，即每次仅选择一对标记并最大化它们的间隔，使得正负标记在训练时维持平衡；然后，通过采用时域显著性缩放方法对多标记心电图的疾病进行可视化展示，以辅助定位并解释不同的疾病；最后在测试验证阶段按照训练集和测试集以8：2的比例，将多标记不平衡测试数据输入到已训练完毕的模型中进行多标记心电图的异常分类。