[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

本發明公開了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。本發明步驟：構建基于注意力機制的多特征融合模型，進行模型訓練，用測試集驗證模型，計算評價標準，根據評價標準調整模型參數，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；其中，構建基于注意力機制的多特征融合模型，包括利用深層殘差網絡提取心電信號的局部特征，利用雙向長短期記憶網絡提取心電信號的全局特征，并引入注意力機制進行特征融合，同時對重要信息進行保留，最后輸入softmax函數進行分類。本發明摒棄了傳統算法數據預處理、手工特征提取等步驟，融合多個心電特征，能提取重點信息，去除干擾信息，提升模型準確率，對臨床醫學做出貢獻。

技術領域

本發明屬于心電信號分類技術領域，具體涉及一種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。

背景技術

在全世界，心臟病是導致死亡的主要原因之一。心電描記術(ECG)可以記錄心臟在一段時間內的生理活動，常被用于生理信號的常規監測。對心電信號的有效分析有助于檢測許多心臟疾病，如房顫(AF)、心肌梗死(MI)和心力衰竭(HF)等。其中，房顫是臨床上最為常見的心律失常之一。近年來，隨著人口老齡化的日益加重，房顫的發病率呈現逐年增加的趨勢，由此而引發的并發癥及心血管疾病嚴重威脅著人類的健康。因此，有關從心電信號記錄中有效且準確地診斷房顫的研究，具有非常重要的意義。

計算機輔助解釋自從50多年前被引入臨床心電圖工作流程以來，已經變得越來越重要，在許多臨床環境中作為醫生解釋的重要輔助手段。心電信號分類相關研究中，傳統的機器學習是憑借人為手工提取特征來獲得模型，但是人為手工提取特征的方法，不僅受各種噪聲影響，而且會丟失大量信息，并不適用于龐大的用戶人群，泛化能力較差，不足以應對實際運用。

最近幾年，深度學習模型在心電數據建模方面取得了初步成功，廣泛使用的心電信號數據和深度學習的算法范例為大幅提高自動心電圖分析的準確性和可擴展性提供了機會。現有的算法，大多是以原始心電信號作為端到端的深度神經網絡(DNNs)模型的輸入數據，不需要大量的數據預處理、特征工程或手工規則，經過層層抽象將原始數據逐層抽象為自身任務所需的最終特征表示，最后以特征到任務目標的映射作為結束。然而端到端的深度神經網絡無法對全面的特征進行提取，現有的商業心電圖解釋算法仍然表現出相當大的誤診率。

發明內容

針對現有技術所存在的問題，本發明提出一種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，構建的基于注意力機制的多特征融合模型利用深層殘差網絡提取心電信號的局部信息，并利用雙向長短期記憶網絡提取心電信號的全局信息，引入注意力機制進行特征融合，同時對重要信息進行保留，最后輸入softmax函數進行分類。

為實現上述目的，本發明采用如下的技術方案：

本發明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，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：