一种基于注意力循环神经网络的心电信号定位方法技术

本发明专利技术公开了一种基于注意力循环神经网络的心电信号定位方法，包括：对用于训练的心电信号进行标签，得到初始心电信号，根据初始心电信号中心搏的位置对初始心电信号进行心搏信号切分与心搏特征向量序列提取，基于心搏特征向量序列构建注意力循环神经网络，基于交叉熵损失函数对注意力循环神经网络进行训练，获取目标心电信号，根据目标心电信号中心搏的位置对目标心电信号进行目标心搏信号切分与目标心搏特征向量序列提取，将目标心搏特征向量序列输入训练完成的注意力循环神经网络，得到目标心搏特征向量对应的分类结果和异常心搏位置。

An ECG Signal Location Method Based on Attention Cycle Neural Network

The invention discloses an electrocardiogram signal location method based on the attention cycle neural network, which includes tagging the electrocardiogram signal used for training, obtaining the initial electrocardiogram signal, segmenting the initial electrocardiogram signal according to the position of the central beat of the initial electrocardiogram signal and extracting the sequence of the characteristic vectors of the heart beat, and constructing the attention cycle nerve based on the sequence of the characteristic vectors of the heart beat. In the network, the attention cycle neural network is trained based on cross-entropy loss function, and the target ECG signal is acquired. According to the position of the target ECG signal, the target ECG signal is segmented and the target ECG characteristic vector sequence is extracted. The target ECG characteristic vector sequence is input into the trained attention cycle neural network to obtain the target ECG. The result of classification and the location of abnormal heartbeat corresponding to the eigenvector.

【技术实现步骤摘要】
一种基于注意力循环神经网络的心电信号定位方法
本专利技术涉及信号分析
，尤其涉及一种基于注意力循环神经网络的心电信号定位方法。
技术介绍
心电信号的分类，不仅应该包含采集的一段心电信号出现了哪些问题也应该包含出现问题的位置。我们将上述两部分表示为“分类”与“定位”。“分类”与“定位”，给出可解释性的结果。对于“定位”，现有的心电信号分类算法，如果给定的心电信号训练数据，只包含“分类”而不包含“定位”，那么该算法也无法给出“定位”的结果，部份有定位的数据，只定位了室性早搏、房性早搏等比较明显的，或者定位的精度不足，需要重复查询数据，给出定位的结果，会耗费巨大的时间。
技术实现思路
基于
技术介绍
存在的技术问题，本专利技术提出了一种基于注意力循环神经网络的心电信号定位方法；本专利技术提出的一种基于注意力循环神经网络的心电信号定位方法，包括：S1、对用于训练的心电信号进行标签，得到初始心电信号；S2、根据初始心电信号中心搏的位置将初始心电信号切分为若干时间连续的心搏片段信号，并提取每个心搏片段信号的特征向量，将所有心搏片段信号的特征值按照时间顺序组合为心搏特征向量序列；S3、基于心搏特征向量序列构建注意力循环神经网络；S4、基于交叉熵损失函数对注意力循环神经网络进行训练；S5、获取目标心电信号；S6、根据目标心电信号中心搏的位置将目标心电信号切分为若干时间连续的目标心搏片段信号，并提取每个目标心搏片段信号的特征值，将所有目标心搏片段信号的特征值按照时间顺序组合为目标心搏特征向量序列；S7、将目标心搏特征向量序列输入训练完成的注意力循环神经网络，得到目标心搏特征向量对应的分类结果和异常心搏位置。优选地，步骤S1，具体为：从预设的标签集合内选取若干标签将用于训练的心电信号打上标签。优选地，步骤S2，具体包括：根据QRS波群识别算法识别出初始心电信号中每次心搏的位置；根据每次心搏的位置将初始心电信号切分时间连续的心搏片段信号；基于模式识别方法提取每个心搏片段信号的特征向量；将按照时间顺序将所有心搏片段信号的特征向量进行组合，得到心搏特征向量序列；优选地，步骤S6，具体包括：根据QRS波群识别算法识别出目标心电信号中每次心搏的位置；根据每次心搏的位置将目标心电信号切分时间连续的目标心搏片段信号；基于模式识别方法提取每个目标心搏片段信号的特征向量；将按照时间顺序将所有目标心搏片段信号的特征向量进行组合，得到目标心搏特征向量序列。优选地，步骤S3，具体包括：S31、按照时间顺序依次计算t个步骤的心搏特征向量序列，得到计算结果集合H＝[h1，h2，…，hm]；S32、根据注意力机制计算H中hi占总体的权值ai，1≤i≤m；S33、根据ai对H进行加权求和，得到注意力循环神经网络层的输出O∈Rh，其中，O＝A×H，权值A＝softmax(HU)，U∈Rh为待训练的参数，softmax为归一化函数，使A中所有数值的求和为1；S34、将O∈Rh进行带有Sigmoid激活函数的线性组合，得到概率向量P∈Rm，其中m为分类集合的大小，P＝Sigmoid(WH)，W表示线性组合的权重矩阵。优选地，步骤S31，具体包括：心搏特征向量序列Di＝[Di,1，Di,2，…，Di,ti]，ti为心搏片段信号的数量；第1步计算h1＝d1；根据第i步的心搏特征向量di和第i-1步的计算结果hi-1计算hi，i≥2，公式为：fi＝δ(Wf·[hi-1,di]+bf)；gi＝δ(Wg·[hi-1,di]+bi)；oi＝δ(Wo·[hi-1,di]+bo)；hi＝oi*tanh(Ci)，得到计算结果集合H＝[h1，h2，…，hm]，H∈Rt×h，其中，bf、bi、bC、bo表示偏置项，Wf、Wg、WC、Wo表示权重项。优选地，步骤S4，具体包括：S41、定义目标函数Loss；S42、通过交叉熵损失函数度量心搏特征向量序列中标签和预测概率之间的差异对目标函数Loss进行最优化问题求解；S43、根据梯度下降法迭代更新参数，得到训练完成的注意力循环神经网络。优选地，步骤S42，具体包括：通过交叉熵损失函数CrossEntropy度量心搏特征向量序列中标签L∈[l1,l2,…,lm]和预测概率P＝[p1,p2,…,pm]之间的差异：其中，若li＝1，CrossEntropy(li，pi)＝-log(pi)；若li＝0，CrossEntrop(li,pi)＝-log(1-pi)。优选地，步骤S7，具体包括；将目标心搏特征向量序列输入训练完成的注意力循环神经网络，输出概率向量P＝[p1,p2,…,pm]和注意力向量A＝[a1,a2,…,am]，其中，P∈Rm，pi∈[0，1]，A∈Rt，ai∈[0，1]，t为目标心搏片段信号的数量；P为目标心搏特征向量序列对应的目标心电信号的预测分类结果，A为每个心搏信号对最终结果的影响程度，通过影响程度定位得到异常心搏位置。本专利技术采用深度神经网络，可以得到更加准确的“分类”结果，通过改造深度神经网络，在训练数据没有“定位”标签的情况下，可以给出“定位”的结果，进一步的，使用注意力机制，该机制与深度神经网络一起训练得到，根据注意力的大小，可定位异常心搏的位置。附图说明图1为本专利技术提出的一种基于注意力循环神经网络的心电信号定位方法的流程示意图。具体实施方式参照图1，本专利技术提出的一种基于注意力循环神经网络的心电信号定位方法，包括：步骤S1，对用于训练的心电信号进行标签，得到初始心电信号。本步骤具体为：从预设的标签集合内选取若干标签将用于训练的心电信号打上标签。在具体方案中，由用户出用于训练的心电信号X的标签T，标签可以有多个，从预设的标签集合S中选取，S＝{s1,s2,…,sm}，集合S的大小为m，将每个心电信号的标签T编码为标签向量L，L∈[l1,l2,…,lm]，li∈{0,1}，如果si在T中，则li＝1，表示X为si的概率为1，否则li＝0，表示X为si的概率为0。步骤S2，根据初始心电信号中心搏的位置将初始心电信号切分为若干时间连续的心搏片段信号，并提取每个心搏片段信号的特征向量，将所有心搏片段信号的特征值按照时间顺序组合为心搏特征向量序列。本步骤具体包括：根据QRS波群识别算法识别出初始心电信号中每次心搏的位置；根据每次心搏的位置将初始心电信号切分时间连续的心搏片段信号；基于模式识别方法提取每个心搏片段信号的特征向量；将按照时间顺序将所有心搏片段信号的特征向量进行组合，得到心搏特征向量序列。步骤S3，基于心搏特征向量序列构建注意力循环神经网络。本步骤具体包括：S31、按照时间顺序依次计算t个步骤的心搏特征向量序列，得到计算结果集合H＝[h1，h2，…，hm]，具体包括：心搏特征向量序列Di＝[Di,1，Di,2，…，Di,ti]，ti为心搏片段信号的数量；第1步计算h1＝d1；根据第i步的心搏特征向量di和第i-1步的计算结果hi-1计算hi，i≥2，公式为：fi＝δ(Wf·[hi-1,di]+bf)；gi＝δ(Wg·[hi-1,di]+bi)；oi＝δ(Wo·[hi-1,di]+bo)；hi＝oi*tanh(Ci)，得到计算结果集合H＝[h1，h2，…，hm]，H∈Rt×h，其中，bf、bi、bC、bo表示偏置项，Wf本文档来自技高网...

【技术保护点】
1.一种基于注意力循环神经网络的心电信号定位方法，其特征在于，包括：S1、对用于训练的心电信号进行标签，得到初始心电信号；S2、根据初始心电信号中心搏的位置将初始心电信号切分为若干时间连续的心搏片段信号，并提取每个心搏片段信号的特征向量，将所有心搏片段信号的特征值按照时间顺序组合为心搏特征向量序列；S3、基于心搏特征向量序列构建注意力循环神经网络；S4、基于交叉熵损失函数对注意力循环神经网络进行训练；S5、获取目标心电信号；S6、根据目标心电信号中心搏的位置将目标心电信号切分为若干时间连续的目标心搏片段信号，并提取每个目标心搏片段信号的特征值，将所有目标心搏片段信号的特征值按照时间顺序组合为目标心搏特征向量序列；S7、将目标心搏特征向量序列输入训练完成的注意力循环神经网络，得到目标心搏特征向量对应的分类结果和异常心搏位置。

【技术特征摘要】
1.一种基于注意力循环神经网络的心电信号定位方法，其特征在于，包括：S1、对用于训练的心电信号进行标签，得到初始心电信号；S2、根据初始心电信号中心搏的位置将初始心电信号切分为若干时间连续的心搏片段信号，并提取每个心搏片段信号的特征向量，将所有心搏片段信号的特征值按照时间顺序组合为心搏特征向量序列；S3、基于心搏特征向量序列构建注意力循环神经网络；S4、基于交叉熵损失函数对注意力循环神经网络进行训练；S5、获取目标心电信号；S6、根据目标心电信号中心搏的位置将目标心电信号切分为若干时间连续的目标心搏片段信号，并提取每个目标心搏片段信号的特征值，将所有目标心搏片段信号的特征值按照时间顺序组合为目标心搏特征向量序列；S7、将目标心搏特征向量序列输入训练完成的注意力循环神经网络，得到目标心搏特征向量对应的分类结果和异常心搏位置。2.根据权利要求1所述的基于注意力循环神经网络的心电信号定位方法，其特征在于，步骤S1，具体为：从预设的标签集合内选取若干标签将用于训练的心电信号打上标签。3.根据权利要求1所述的基于注意力循环神经网络的心电信号定位方法，其特征在于，步骤S2，具体包括：根据QRS波群识别算法识别出初始心电信号中每次心搏的位置；根据每次心搏的位置将初始心电信号切分时间连续的心搏片段信号；基于模式识别方法提取每个心搏片段信号的特征向量；将按照时间顺序将所有心搏片段信号的特征向量进行组合，得到心搏特征向量序列；优选地，步骤S6，具体包括：根据QRS波群识别算法识别出目标心电信号中每次心搏的位置；根据每次心搏的位置将目标心电信号切分时间连续的目标心搏片段信号；基于模式识别方法提取每个目标心搏片段信号的特征向量；将按照时间顺序将所有目标心搏片段信号的特征向量进行组合，得到目标心搏特征向量序列。4.根据权利要求1所述的基于注意力循环神经网络的心电信号定位方法，其特征在于，步骤S3，具体包括：S31、按照时间顺序依次计算t个步骤的心搏特征向量序列，得到计算结果集合H＝[h1，h2，…，hm]；S32、根据注意力机制计算H中hi占总体的权值ai，1≤i≤m；S33、根据ai对H进行加权求和，得到注意力循环神经网络层的输出O∈Rh，其中，O＝A×H，权值A＝softmax(HU)，U∈Rh为待训练的参数，softmax为归一...

【专利技术属性】
技术研发人员：洪申达，傅兆吉，周荣博，俞杰，
申请(专利权)人：安徽心之声医疗科技有限公司，
类型：发明
国别省市：安徽,34