一种基于注意力增强网络的多标签心电图像分类方法技术

一种基于注意力增强网络的多标签心电图像分类方法，使用一种基于注意力增强网络的多标签心电分类方法，构建了一个能够对多标签心电图像进行分类的模型，挖掘各种心电图像类别特征的上下文信息，充分捕捉特征通道之间的相关性并利用类别标签之间相关性信息，从而有效的对多标签心电图像进行分类，提高了分类的准确率和精度。确率和精度。确率和精度。

【技术实现步骤摘要】
一种基于注意力增强网络的多标签心电图像分类方法


[0001]本专利技术涉及心电图像分类
，具体涉及一种基于注意力增强网络的多标签心电图像分类方法。

技术介绍

[0002]实际的应用环境中心电图像大多以多标签的形式存在，多标签心电图像分类研究具有极强的应用价值以及可行性，促使研究者们对多标签心电图像分类方向不断探索。尽管多标签心电图像分类的研究已经达到较高的精度，但是大多数成果主要集中于如何充分的提取信号中的图像，却忽略了多标签心电图像中标签之间的相关性。

技术实现思路

[0003]本专利技术为了克服以上技术的不足，提供了一种能够从数据集中挖掘各种类别特征的上下文信息，以增强当前的心电图像的输入特征的方法。
[0004]本专利技术克服其技术问题所采用的技术方案是：
[0005]一种基于注意力增强网络的多标签心电图像分类方法，包括如下步骤：
[0006]a)获取多标签心电图像N，多标签心电图像N的标签为S，S＝{S1,S2,...,S
i
,...,S
mr/>}，S
...

【技术保护点】

【技术特征摘要】
1.一种基于注意力增强网络的多标签心电图像分类方法，其特征在于，包括如下步骤：a)获取多标签心电图像N，多标签心电图像N的标签为S，S＝{S1,S2,...,S
i
,...,S
m
}，S
i
为第i个标签，i∈{1,...,m}，m为心电图像中对象的类别个数；b)构建特征挖掘模块，将多标签心电图像N输入到特征挖掘模块中，得到多标签心电特征图X
RS
；c)将多标签心电特征图X
RS
输入到全连接层中，得到多标签心电图像类别的特征向量X
′
RS
；d)将多标签心电特征图X
RS
与多标签心电图像类别的特征向量X
′
RS
进行拼接操作，得到融合特征X
r
；e)构建卷积注意力增强模块CAAB，将融合特征X
r
输入到卷积注意力增强模块CAAB中，得到注意力特征向量n；f)将注意力特征向量n与多标签心电特征图X
RS
进行拼接操作，得到融合特征X
r
′
；g)将融合特征X
r
′
输入到卷积注意力增强模块CAAB中，得到注意力特征向量p；h)将注意力特征向量p与多标签心电特征图X
RS
进行拼接操作，得到融合特征X
p
；i)构建通道相关性模块，将多标签心电特征图X
RS
输入到通道相关性模块中，得到特征X
′
RS2
；j)将特征X
′
RS2
与多标签心电特征图X
RS
相拼接，得到相关性特征X
n
；k)构建分类模块，将融合特征X
p
与相关性特征X
n
输入到分类模块中，输出得到多标签心电图像的分类结果。2.根据权利要求1所述的基于注意力增强网络的多标签心电图像分类方法，其特征在于：步骤b)中特征挖掘模块由ResNet
‑
34网络构成，将多标签心电图像N输入到ResNet
‑
34网络中，输出得到多标签心电特征图X
RS
，X
RS
∈R
C
×
H
×
W
，R为实数空间，C为特征图的通道数，H为特征图的高，W为特征图的宽。3.根据权利要求1所述的基于注意力增强网络的多标签心电图像分类方法，其特征在于，步骤e)包括如下步骤：e
‑
1)卷积注意力增强模块CAAB由第一卷积层、第二卷积层、第三卷积层、第四卷积层、ReLU激活函数层、SE
‑
Net网络构成；e
‑
2)将融合特征X
r
输入到卷积注意力增强模块CAAB的第一卷积层中，输出得到注意力特征e
‑
3)将融合特征X
r
输入到卷积注意力增强模块CAAB的第二卷积层中，输出得到注意力特征e
‑
4)将融合特征X
r
输入到卷积注意力增强模块CAAB的第三卷积层中，输出得到注意力特征e
‑
5)将融合特征X
r
输入到卷积注意力增强模块CAAB的第四卷积层中，输出得到注意力特征e
‑
6)将注意力特征注意力特征注意力特征及注意力特征相加后输入
到卷积注意力增强模块CAAB的ReLU激活函数层中，输出得到注意力特征X
′
r
；e
‑
7)...

【专利技术属性】
技术研发人员：王英龙，徐国璇，舒明雷，朱亮，单珂，刘照阳，
申请(专利权)人：齐鲁工业大学山东省科学院，
类型：发明
国别省市：