[發(fā)明專利]基于TS-BERT神經(jīng)網(wǎng)絡(luò)模型架構(gòu)的ECG信號分類方法

在審

• 申請?zhí)枺?/td>: 202310148218.0
• 申請日: 2023-02-15
• 公開（公告）號: CN116172514A
• 公開（公告）日: 2023-05-30
• 發(fā)明（設(shè)計）人: 劉淇;陳恩紅;程明月;劉芷町
• 申請（專利權(quán)）人: 中國科學(xué)技術(shù)大學(xué)
• 主分類號: A61B5/00
• 分類號: A61B5/00;A61B5/346;G06F18/214;G06N3/047;G06N3/0464;G06N3/0499;G06N3/08;G06F18/2415
• 代理公司: 北京潤平知識產(chǎn)權(quán)代理有限公司 11283
• 代理人: 董杰

本發(fā)明公開了一種基于TS?BERT神經(jīng)網(wǎng)絡(luò)模型架構(gòu)的ECG信號分類方法，所述方法包括：步驟一、獲取ECG數(shù)據(jù)集，并使用小波變換、中值濾波方法進行數(shù)據(jù)增強與去噪；然后，將其按比例劃分成訓(xùn)練集、驗證集和測試集；步驟二、在步驟一中獲得的數(shù)據(jù)集上使用TS?BERT神經(jīng)網(wǎng)絡(luò)模型架構(gòu)進行預(yù)訓(xùn)練；步驟三、使用下游ECG信號分類任務(wù)微調(diào)經(jīng)過步驟二預(yù)訓(xùn)練之后的數(shù)據(jù)，得到最終模型。該方法能夠解決現(xiàn)有ECG檢測分類算法中運算復(fù)雜，數(shù)據(jù)需求量過于龐大的問題，實現(xiàn)對患者心電圖高效、精準的檢測與分類。

技術(shù)領(lǐng)域

本發(fā)明涉及計算機應(yīng)用領(lǐng)域和ECG信號分類技術(shù)領(lǐng)域，具體地，涉及一種基于TS-BERT神經(jīng)網(wǎng)絡(luò)模型架構(gòu)的ECG信號分類方法。

背景技術(shù)

心電圖ECG記錄通過心臟的電信號，臨床上常用它進一步診斷心律失常等相關(guān)疾病。傳統(tǒng)的ECG檢測方法是使用醫(yī)院的心電儀采集病人的短時ECG信號，并由心臟內(nèi)科醫(yī)生通過視覺人工診斷。

然而，隨著我國心血管患病者數(shù)量持續(xù)上升，目前已超過3億，這意味著每位心電科醫(yī)生每天需要診斷大量的心電圖，而這些醫(yī)生在高強度工作壓力下超負荷運轉(zhuǎn)，在客觀上加重了患者的治療成本和生命安全風(fēng)險。除此之外，由于心律失常是間歇性發(fā)生的，尤其是在問題的早期階段，因此很難從短時間窗口的ECG信號中發(fā)現(xiàn)心律失常以至于錯過心臟病患者的最佳治療時機。

為緩解上述問題，近年來許多帶有檢測功能的ECG檢測設(shè)備不斷被發(fā)明。它們可以為用戶提供實時的心臟健康建議，同時記錄反應(yīng)異常ECG信號，從而減輕醫(yī)生的負擔(dān)并能檢測出潛在的心臟疾病患者。其中，最主流的ECG檢測算法主要有兩種。一種是基于特征的分類方法，這類方法可以分為相互獨立的特征提取器和分類器兩個部分。然而，這種結(jié)構(gòu)導(dǎo)致的問題在于方法的整體性能主要取決于特征提取器提取出的特征的優(yōu)劣，進而導(dǎo)致這種方法過分依賴于特征工程，并且受限于人類知識和經(jīng)驗的水平。而另一種基于深度學(xué)習(xí)的算法大多需要大量的真實心電數(shù)據(jù)進行訓(xùn)練，這表示需要更多的人力進行數(shù)據(jù)采集和人工標注。盡管如此，這些深度學(xué)習(xí)算法在實際ECG的檢測效果中也并未取得令人滿意的結(jié)果。

綜上，目前ECG檢測算法的主要困境在于：1)傳統(tǒng)算法有著設(shè)計困難、分類效果一般甚至?xí)?dǎo)致運算過度復(fù)雜；2)深度學(xué)習(xí)算法雖然效果有提升，但仍不盡人意，且需要大量采集數(shù)據(jù)和人工標注，費時費力。

發(fā)明內(nèi)容

本發(fā)明的目的是提供一種基于TS-BERT神經(jīng)網(wǎng)絡(luò)模型架構(gòu)的ECG信號分類方法，該方法能夠解決現(xiàn)有ECG檢測分類算法中運算復(fù)雜，數(shù)據(jù)需求量過于龐大的問題，實現(xiàn)對患者心電圖高效、精準的檢測與分類。

為了實現(xiàn)上述目的，本發(fā)明提供了一種基于TS-BERT神經(jīng)網(wǎng)絡(luò)模型架構(gòu)的ECG信號分類方法，所述方法包括：

步驟一、獲取ECG數(shù)據(jù)集，并使用小波變換、中值濾波方法進行數(shù)據(jù)增強與去噪；然后，將其按比例劃分成訓(xùn)練集、驗證集和測試集；

步驟二、在步驟一中獲得的數(shù)據(jù)集上使用TS-BERT神經(jīng)網(wǎng)絡(luò)模型架構(gòu)進行預(yù)訓(xùn)練；

步驟三、使用下游ECG信號分類任務(wù)微調(diào)經(jīng)過步驟二預(yù)訓(xùn)練之后的數(shù)據(jù)，得到最終模型。

優(yōu)選地，在步驟二中，TS-BERT將時序的ECG信號分割成多個小片段，將每個小片段通過時間卷積層TCN后整合在一起作為輸入，并通過12層基于多頭自注意力機制和點級前饋網(wǎng)絡(luò)構(gòu)成的編碼器；

所述多頭自注意力機制計算公式如下：

MultoHeadAttn(F^l)＝[head₁,head₂,…,head_h]W^o；