[發明專利]基于注意力機制的多特征融合心電信號分類模型建模方法

在審

• 申請號: 202110627422.1
• 申請日: 2021-06-04
• 公開（公告）號: CN113288163A
• 公開（公告）日: 2021-08-24
• 發明（設計）人: 蔣明峰;顧佳艷;李楊;張鞠成;王志康
• 申請（專利權）人: 浙江理工大學
• 主分類號: A61B5/318
• 分類號: A61B5/318;A61B5/346;A61B5/00;A61B5/361;G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 杭州昊澤專利代理事務所(特殊普通合伙) 33449
• 代理人: 黃前澤

1.基于注意力機制的多特征融合心電信號分類模型建模方法，其特征在于：按以下步驟實現：

步驟1、構建基于注意力機制的多特征融合模型，具體過程如下：

1.1將T組原始心電信號輸入深度殘差網絡，獲得原始心電信號數據的局部特征v_i，i∈[1,T]；其中，搭建的深度殘差網絡包括34層，采用殘差塊的連接方式，每個殘差塊有兩個卷積層，在每一個卷積層之前，順序采用批歸一化和ReLu激活函數層，最后一個殘差塊的最后一個卷積層之前采用了dropout層；

1.2將步驟1.1中的T組原始心電信號傳入雙向長短期記憶網絡，雙向長短期記憶網絡的輸出維度設置為128，獲得原始心電信號的全局特征h_i，i∈[1,T]；

1.3將全局特征和局部特征輸入注意力機制，提取出局部特征中的原始心電信號分類依據，具體過程如下：

1.3.1將局部特征v_i和全局特征h_i分別經過全連接層，與不同的權重W_Q、W_K乘積后通過融合層實現相加，相加后再傳入tanh激活函數，獲取全局特征與局部特征的相似度，最后將相似度傳入全連接層，與權重W_α乘積得到融合特征e_i；融合特征e_i的表達式如下：

e_i＝W_α*tanh(W_Q*v_i+W_K*h_i) (1)

1.3.2將融合特征e_i傳入softmax層做歸一化處理，得到權重α_i；α_i的表達式如下：

1.3.3將權重α_i與局部特征v_i做乘積計算，提取局部特征中的原始心電信號分類依據S，S的表達式如下：

S＝α_i*v_i (3)

1.4利用softmax層的映射做原始心電信號的最終分類輸出，得到分類模型，共分成四個分類標簽，包括房顫類、噪聲類、正常類和其他類；

步驟2、對基于注意力機制的多特征融合模型進行訓練；

步驟3、將測試集數據輸入分類模型，獲得分類輸出類別，并與真實分類標簽做對比，得出分類模型中房顫類的評價標準：精度pre、召回率rec、F1指標f1、準確率acc；

步驟4、若評價標準不滿足精度pre、召回率rec、F1指標f1和準確率acc中任一個的閾值要求，則手動調整基于注意力機制的多特征融合模型在dropout層的學習率drop，然后回到步驟3，否則執行步驟5；

步驟5、將基于注意力機制的多特征融合模型在dropout層的參數設置為0.3，同時使用Adam優化器將學習率初始化為10×e^-2，最終得到基于注意力機制的多特征融合心電信號分類模型。

2.根據權利要求1所述基于注意力機制的多特征融合心電信號分類模型建模方法，其特征在于：每個殘差塊的兩個卷積層的卷積核長度分別是16和32×2^k，k從0開始，每間隔4個殘差塊增大1。

3.根據權利要求1所述基于注意力機制的多特征融合心電信號分類模型建模方法，其特征在于：所述的雙向長短期記憶網絡包括前向和后向兩個隱藏層，每個隱藏層引入門控機制，包括遺忘門、輸入門和輸出門。

4.根據權利要求1所述基于注意力機制的多特征融合心電信號分類模型建模方法，其特征在于：基于注意力機制的多特征融合模型訓練數據來自于physionet2017挑戰賽的公開數據，采用256個樣本，90％作為訓練集，10％作為測試集。