基于双注意力机制的十二导联心电信号的自动分类方法技术

本发明专利技术基于双注意力机制的十二导联心电信号的自动分类方法，获取十二导联心电图原始数据；对原始数据进行预处理；构建十二导联心电图的分类模型；使用训练完的分类模型即可进行12导联心电信号的自动分类。本发明专利技术采用并行计算的方式实现十二导联心电图的空间

【技术实现步骤摘要】
基于双注意力机制的十二导联心电信号的自动分类方法


[0001]本专利技术属于心电图分类
，尤其涉及一种基于双注意力机制的十二导联心电信号的自动分类方法。

技术介绍

[0002]心血管疾病相关的死亡率逐年攀升。根据世界卫生组织的统计，31％的世界人口死于心血管疾病，是仅次于癌症的第二大致命疾病。同时，心律失常构成了心血管疾病的一个重要组成部分。常见的心律失常通常被分为8个类,包括心房颤动、多级房室传导阻滞、ST段抬高、ST段压低、左束支传导阻滞、右束支传导阻滞、心室提前收缩和房性早搏，它们可以单独或同时发生。对心律失常种类的分类是心律失常临床诊断的初始阶段，这往往涉及到一系列的检测。
[0003]目前，心律失常通常用心电图来检测。12导联心电图被医院常规使用，通过12导联的心电图可以对心脏的多个维度进行采样，以提供一个更完整的心律失常视图，可以减少医生误诊的发生。图1所示的样本显示，V1
‑
V6导联可诊断为明确的ST段抬高，但其余导联显示为正常的心律，表明12导联心电图与单导联心电图相比信息量更大，因此诊断准确性更高。然而，由于12导联心电图的信息量更大，也大大增加了临床医生的诊断难度和负担。因此，研究一个高精度的12导联心电图自动分类方法至关重要。
[0004]已有在先申请CN201910489829.5基于注意力机制的深度残差神经网络的心电图分类方法，其利用压缩
‑
激励模块，并引入噪声进行模型数据的扩充。但是其注意力机制仅仅对于不同通道的特征图生效，即只使用到了通道注意力模块。
[0005]另一在先申请CN202010361140.7一种心电图图像处理方法、设备、介质和心电图仪，其模型输入采用心电信号制成的图，输入为二维图片，步骤S5中使用双线性注意力池处理从特征图和注意力图中提取特征矩阵，通过一系列卷积操作应用注意力图来从学习的特征图中识别关键部分，即从部位中提取细粒度的特征矩阵，称之为双线性注意力池操作(BilinearAttention Pooling，简称BAP)，步骤S6中使用多头自注意力处理对特征矩阵进行自适应的权重学习并加权融合得到表达矩阵，在得到特征矩阵之后，自适应的进行加权融合以得到更多的区别特征，多头自注意力机制(multi
‑
head self
‑
attention)类似于一种空间注意力模块，且仅使用了一个空间注意力模块，由于空间注意力的矩阵是通过CNN实现的，受制于CNN的局部感受野，其对于全局信息的提取能力有限。
[0006]另一在先申请CN202011108233.5基于转换技术的深度学习心电图数据分类方法及装置，自动提取并聚焦于心电图数据中的关键点，进行心电数据分类。通过对12导联的心电图数据进行处理，并融合处理附加信息，通过深度学习方法计算之间的相关性，对心电数据进行分类。同时，其框架基于深度学习算法，将心电数据划分为多个心动周期，计算每个心动周期和附加信息之间的相关性，利用注意力机制分析心电数据中的重要数据进行心电分类。其单纯借鉴了Transformer原型的编码
‑
解码结构，每个编码层包括一个注意力模块和一个全连接模块，而解码层包括两个注意力头和一个普通的计算模块，存在Transformer
仅关注全局特征而放弃细粒度特征的缺陷。

技术实现思路

[0007]本专利技术的目的在于提供一种基于双注意力机制的十二导联心电信号的自动分类方法，采用并行计算的方式实现十二导联心电图的空间
‑
时间注意力机制的融合，对不同导联的心电信号、序列与序列之间的全局特征信息进行提取，通过CNN
‑
Transformer混合编码器实现双注意力机制并融合多尺度信息，可实现高精度的十二导联心电信号的分类，为临床决策提供辅助诊断依据，减轻医生工作负担。
[0008]本专利技术基于双注意力机制的十二导联心电信号的自动分类方法，包括如下步骤：
[0009]步骤1、获取十二导联心电图原始数据；
[0010]步骤2、对原始数据进行预处理，将抽样得到的原始数据用one
‑
hot编码得到标签：
[0011]步骤3、构建十二导联心电图的分类模型
[0012]步骤3.1、对预处理后数据通过一维卷积层得到特征图a1，该特征图a1的通道数为c1，每个通道特征宽度为w1；
[0013]步骤3.2、将采样后的特征图a1输入到残差注意力模块RAB中进行通道注意力提取，其中RAB是CNN
‑
Transformer混合编码结构，采用卷积神经网络CNN对数据的特征进行编码和下采样，将输入空间注意力模块SAM中的数据的长度进行压缩；
[0014]步骤3.3、采用堆叠2,3,3,2个残差注意力模块RAB的方式进行特征提取，将每一组的输出分别记为b1,b2,b3,b4，其中b1的通道数为每个通道特征宽度为b2的通道数为每个通道特征宽度为b3的通道数为每个通道特征宽度为b4的通道数为每个通道特征宽度为b1,b2,b3,b4分别代表着不同尺度的信息；
[0015]为了融合多尺度的信息，将输出b1,b2,b3进行平均池化和最大池化，b1池化后的特征图b
1,1
＝[MAX(b1),AVERAGE(b1)],其中，MAX(b1)表示把个元素拼接在一起，表示b1中第k个元素在所有通道中的最大值；AVERAGE(b1)表示把个元素拼接在一起，表示b1中第k个元素在所有通道中的平均值；同理得到b
2,1
＝[MAX(b2),AVERAGE(b2)]，b
3,1
＝[MAX(b3),AVERAGE(b3)]；将池化后的特征图拼接到b4上得到最后的特征图F1＝[b4,b
1,1
,b
2,1
,b
3,1
],F1的通道数为每个通道特征宽度为
[0016]步骤3.4、对特征图F1采用与通道注意力特征提取过程中相同的Transformer模块进行空间注意力的实现，依次采用堆叠的4个Transformer模块来提取空间注意力特征，得到最终编码后的特征图F5，F5的通道数为每个通道特征宽度为
[0017]F
l
＝Transformer(F
l
‑1),l>1
ꢀꢀ
(17)
[0018]对其运算过程中的注意力进行可视化；
[0019]步骤3.5、将特征图F5分别进行全局平均池化和全局最大池化，得到两个特征图F
5.1
、F
5.2
,其通道数为每个通道特征宽度为1，拼接得到最终的特征图F6＝concat
(F
5.1
,F
5.2
)，其通道数为每个通道特征宽度为2；
[0020]步骤3.6、将特征图F6展平，其通道数变为每个通道特征宽度为1，输入到一个全连接层，最本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于双注意力机制的十二导联心电信号的自动分类方法，其特征在于包括如下步骤：步骤1、获取十二导联心电图原始数据；步骤2、对原始数据进行预处理，将抽样得到的原始数据用one
‑
hot编码得到标签：步骤3、构建十二导联心电图的分类模型步骤3.1、对预处理后数据通过一维卷积层得到特征图a1，该特征图a1的通道数为c1，每个通道特征宽度为w1；步骤3.2、将采样后的特征图a1输入到残差注意力模块RAB中进行通道注意力提取，其中RAB是CNN
‑
Transformer混合编码结构，采用卷积神经网络CNN对数据的特征进行编码和下采样，将输入空间注意力模块SAM中的数据的长度进行压缩；步骤3.3、采用堆叠2，3，3，2个残差注意力模块RAB的方式进行特征提取，将每一组的输出分别记为b1，b2，b3，b4，其中b1的通道数为每个通道特征宽度为b2的通道数为每个通道特征宽度为b3的通道数为每个通道特征宽度为b4的通道数为每个通道特征宽度为b1，b2，b3，b4分别代表着不同尺度的信息；为了融合多尺度的信息，将输出b1，b2，b3进行平均池化和最大池化，b1池化后的特征图b
1，1
＝[MAX(b1)，AVERAGE(b1)]，其中，MAX(b1)表示把个元素拼接在一起，表示b1中第k个元素在所有通道中的最大值；AVERAGE(b1)表示把个元素拼接在一起，表示b1中第k个元素在所有通道中的平均值；同理得到b
2，1
＝[MAX(b2)，AVERAGE(b2)]，b
3，1
＝[MAX(b3)，AVERAGE(b3)]；将池化后的特征图拼接到b4上得到最后的特征图F1＝[b4，b
1，1
，b
2，1
，b
3，1
]，F1的通道数为每个通道特征宽度为步骤3.4、对特征图F1采用与通道注意力特征提取过程中相同的Transformer模块进行空间注意力的实现，依次采用堆叠的4个Transformer模块来提取空间注意力特征，得到最终编码后的特征图F5，F5的通道数为每个通道特征宽度为F
l
＝Transformer(F
l
‑1)，l＞1
ꢀꢀꢀꢀ
(17)对其运算过程中的注意力进行可视化；步骤3.5、将特征图F5分别进行全局平均池化和全局最大池化，得到两个特征图F
5.1
、F
5.2
，其通道数为每个通道特征宽度为1，拼接得到最终的特征图F6＝concat(F
5.1
，F
5.2
)，其通道数为每个通道特征宽度为2；步骤3.6、将特征图F6展平，其通道数变为每个通道特征宽度为1，输入到一个全连接层，最终输出一个分类结果output＝W*F6+b，W是权重矩阵，尺寸大小为b表示偏置，其宽度为1，长度为9；步骤3.7、将该分类结果与步骤2的标签进行交叉熵运算得到损失值，通过反向传播算法训练得到分类模型，损失函数采用BCEloss函数：
其中i为样本序号，N为样本总数，y
label
表示真实标签，y
pred
表示分类模型的预测标签，采用Adam优化器优化损失函数得到训练完的分类模型；步骤4、使用训练完的分类模型执行步骤3.1到3.7即可进行12导联心电信号的自动分类。2.根据权利要求1所述的基于双注意力机制的十二导联心电信号的自动分类方法，其特征在于：所述预处理得到的标签，指的是若一段心电信号序列需要划分为N个分类，就用一个长度为N的向量来记录，用one
‑
hot编码表示，其中0表示正常，1表示异常。3.根据权利要求1所述的基于双注意力机制的十二导联心电信号的自动分类方法，其特征在于残差注意力模块RAB的运算过程如下所示：经过批归一化，计算特征图a1归一化数据均值归一化数据均值式中表示特征图a1第k个通道的第i个特征；计算特征图a1归一化数据方差σ1：通过公式(1)和(2)计算得到的结果，进一步计算特征图a1标准化后的值a
1.1
：ε为防止除0错误的抖动项，0＜ε＜0.00001，γ表示线性规范化的斜率，β表示线性规范化的截距，得到特征图a1批规范化的结果a
1.2
：a
1.2
＝γa
1.1
+β＝BN
γ，β
(a1)
ꢀꢀꢀꢀ
(4)将经过批规范化的结果a
1.2
通过激活函数计算得到线性修正结果a
1.3
：通过一维卷积层得到卷积之后的特征图a
1.4
，其通道数为c
1.4
，每个通道特征宽度为w
1.4
：a
1.4
＝Conv(a
1.3
)
ꢀꢀꢀꢀ
(6)对卷积后的特征图a
1.4
进行批归一化，过程与上述批归一化计算方式完全一致，得到批归一化的特征图a
1.5
＝BN
γ，β
(a
1.4
)；为防止过拟合，对批归一化后的特征图a
1.5
使用dropout函数使得部分神经元失效，得到随机丢弃处理后的特征图a
1.6
＝dropout(a
1.5
)；对得到的特征图a
1.6
继续一维卷积，得到特征图a
1.7
＝Conv(a
1.6
)，其通道数为c
1.7
，每个通道特...

【专利技术属性】
技术研发人员：姚俊峰，周荣洲，洪清启，
申请(专利权)人：厦门大学，
类型：发明
国别省市：