一种基于通道注意力分组残差网络的12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通道注意力分组残差网络的12导联心电信号分类方法，由于原始12导联心电信号的长度不一或时间过长，无法对其直接分类，需要对每条记录以等长的时间间隔分割处理，把分割好心电信号片段经过SIFT变换到频域中，得到频谱图，然后对频谱图取对数最后得到对数频谱图，然后将对数频谱图输入到设计好的基于通道注意力分组残差网络(XSENet)网络中进行分类。该方法的主干网络主要采用分组残差网络和Senet结合的思想。该方法具有分类识别率高等优点。该主干网络的输入为12导联心电信号在频域上取对数后的频谱图，每个输出分别为所属类别的概率，是一种端对端的心电信号分类方法；本发明专利技术降低了解决问题的繁琐复杂过程，有效地提高了心电信号分类准确率。

【技术实现步骤摘要】
一种基于通道注意力分组残差网络的12导联心电信号分类方法
本专利技术属于机器学习与模式识别
，利用给定的12导联心电信号(ECG)数据集构造一种鲁棒性较强的神经网络预测方法，以期达到对新的心电信号给出正确分类。
技术介绍
心血管疾病(CVD)是最常见的死亡原因之一，占全世界死亡人数的31％以上，统计显示，心脏猝死占所有心脏疾病死亡的一半，超过80％的心脏猝死于心率失常密切相关。心电图(ECG)是诊断心脏相关疾病的临床标准，对心率失常的筛选和分类尤其有价值。一般通过直观分析心电图的形态，可以区分不同类型的心率失常。然而，心电图的形态高度依赖于主体，不同受试者差异有统计学意义，心电分析在很大程度上依赖医生的经验，视觉评估难以准确诊断心律失常。因此，开发出一种能够分析心电信号的计算机辅助诊断技术具有重要意义。近年来，深度学习在不同的应用场景中显示出强大的信息提取和拟合能力，如图像分类和疾病监测等。其动机在于通过模拟人类大脑的神经连接结构来建立模型。卷积神经网络是目前最受欢迎的深度学习方法，其本质是一种表示学习方法，是一种端到端学习的深度本文档来自技高网...

【技术保护点】
1.一种基于通道注意力分组残差网络的12导联心电信号分类方法，其特征在于：该方法包括以下步骤：/nS1.对12导联心电信号进行预处理；/n(1)计算每个样本的总长度RL，确定分割窗口长度WL以及窗口移动步长S，对每个样本进行等长度的分割，每条记录分割出片段数量为：/n

【技术特征摘要】
1.一种基于通道注意力分组残差网络的12导联心电信号分类方法，其特征在于：该方法包括以下步骤：
S1.对12导联心电信号进行预处理；
(1)计算每个样本的总长度RL，确定分割窗口长度WL以及窗口移动步长S，对每个样本进行等长度的分割，每条记录分割出片段数量为：



(2)将分割等到的心电信号子片段经过STFT变换到频域中，得到频谱图；
(3)对频谱图取对数，得到对数频谱图；
(4)最后对对数频谱图进行Z-Score归一化处理
S2.构建面向12导联心电信号的XSENet模型；
该XSENet模型的主干网络采用Resnext和Senet结合的结构，包括四个残差块，记作Resnext_seblock1、Resnext_seblock2、Resnext_seblock3、Resnext_seblock4；特征向量A进入Resnext_seblock1，分为c个组记作{A1，A2，...Ac}，分别经过1×1卷积层、3×3卷积层、1×1卷积层，得到{A1′，A2′，...Ac′}，然后将其合并为A′，然后A′通过Senet后与输入的特征向量A进行相加的结果作为Resnext_seblock2的输入，接着以此进入Resnext_seblock3、Resnext_seblock4，最后进入全连接层；其中Senet的网络结构包括globalaveragepooling，两层全连接层，sigmoid层；
S3.对S2中...

【专利技术属性】
技术研发人员：杨新武，窦梦菲，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