一种基于NLF-CNN导联融合深度网络的多导联心电信号分类方法技术

本发明专利技术公开了一种基于NLF‑CNN导联融合深度网络的多导联心电信号分类方法，具体采用运用NLF‑CNN非局部性导联融合的深度卷积神经网络，首先通过深层CNN在单一导联下提取心电信号的深度特征，然后通过浅层CNN将得到的多个导联特征进行交叉组合，设计不同的卷积核的大小组合不同导联的特征，同时，引入Non‑local非局部注意力机制，弥补卷积核感受野受限问题；本发明专利技术在心电图检测场景中的多导联心电信号分类方面提供了完整的解决方案，针对在不同心电图导联之间表现不同的关系，构建NLF‑CNN网络实现导联信息的提取和融合，同时在导联融合之前引入Non‑local自注意力机制，关注不同导联特征的差别和联系，大大提高了多导联心电信号检测和分类的准确率。

【技术实现步骤摘要】
一种基于NLF-CNN导联融合深度网络的多导联心电信号分类方法
本专利技术属于在多导联心电图信号检测领域。具体是运用NLF-CNN(CNN-basedNon-localLeadFusionNetwork)非局部性导联融合的深度卷积神经网络，首先通过深层CNN在单一导联下提取心电信号的深度特征，然后通过浅层CNN将得到的多个导联特征进行交叉组合，设计不同的卷积核的大小组合不同导联的特征，同时，引入Non-local非局部注意力机制，弥补卷积核感受野受限问题，提高分分类准确度。
技术介绍
在心电图检测场景中，需要根据心电信号来分析和判断心脏的健康状况和疾病类型。标准的心电图是12导联，即由人体不同部位电极采集同时得到的12个平行心电信号。不同类型的心脏疾病在不同导联上表现为不同的特征，例如一些心率失常疾病在12个到导联上的表现如表1所示。目前心电图检测和分类方法中，由于开源的临床医学数据较少且为单导联或双导联，相应数据集上的心电分类方法大多只针对单一导联的心电信号进行分类，且可分的疾病类别较少。而公开的多导联心电数据集更少，通常基于本文档来自技高网...

【技术保护点】
1.一种基于NLF-CNN导联融合深度网络的多导联心电信号分类方法，其特征在于：/n首先对于一个完整的12导联心电信号时间序列S＝{s

【技术特征摘要】
1.一种基于NLF-CNN导联融合深度网络的多导联心电信号分类方法，其特征在于：
首先对于一个完整的12导联心电信号时间序列S＝{s1,s2,…,sn},其中si＝{l1,l2,…,l12}，n为时间，si为第i个时间点的心电信号值，lj为该时间点第j个导联的心电信号数值；
步骤一，利用基于平稳小波变换检测算法，得到分割后的序列S*＝{q1,q2,…,qm},每个片段qi和原序列S的构成是一样的；
步骤二，构建NLF-CNN多导联融合模型，利用双向长短期记忆神经网络BiLSTM或者深层残差网络ResNet分别提取多个单一导联的时域信号特征，得到12个导联的特征向量H∈R12×d,d为向量的维度；然后利用一维...

【专利技术属性】
技术研发人员：杨新武，李彤，斯迪文，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：北京;11