一种基于可分离卷积和注意力机制的心电信号检测方法技术

一种基于可分离卷积和注意力机制的心电信号检测方法，使用多分支处理模块处理不同长度连续的心电信号，扩大了模型处理信号的范围，使用特征提取模块可以提取信号中局部的特征信息，关注于信号的形态特征，使用注意力编码模块可以提取全局的的特征信息，使其关注于信号的时域和节奏信息。网络训练完成后能够保留最优的模型和参数，可以将要检测的数据输入到最优的模型中，获得检测分类的结果。获得检测分类的结果。获得检测分类的结果。

【技术实现步骤摘要】
一种基于可分离卷积和注意力机制的心电信号检测方法


[0001]本专利技术涉及心电信号异常检测
，具体涉及一种基于可分离卷积和注意力机制的心电信号检测方法。

技术介绍

[0002]心电信号是一种能够很好的反应心脏活动的重要信号，对于不同的心脏状态心电信号会表现出不同的特征。现阶段依赖于传统的机器学习和手工特征提取的信号异常检测方法不能满足当下的需要，随着深度学习、神经网络的蓬勃发展，已经有研究人员使用端到端的神经网络模型进行信号异常检测分类，但是现阶段的模型往往是针对单个数据集的学习以及固定长度的心电信号的检测。模型针对于单个数据集的学习会限制信号异常检测的范围，针对固定长度信号的检测会对采集设备和采集时长有一定的要求，实现成本过高。

技术实现思路

[0003]本专利技术为了克服以上技术的不足，提供了一种构建一个全新的深度可分离卷积模块来搭建基于深度可分离卷积和注意力机制的模型进行心电异常检测分类，以提高检测分类的精确度的方法。
[0004]本专利技术克服其技术问题所采用的技术方案是：
[0005]一种基于可本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于可分离卷积和注意力机制的心电信号检测方法，其特征在于，包括如下步骤：a)将心电信号的数据集合并到一起，并使其频率相同，得到心电信号记录集X0＝{x1,x2,...,x
i
,...,x
n
}，其中x
i
为第i个心电信号记录，i∈{1,...,n}，n为心电信号记录的总条数；b)对心电信号记录集X0进行预处理，得到预处理后的数据集X2，X2＝{x
″1,x
″2,...,x
″
i
,...,x
″
n
}；c)将预处理后的数据集X2中第i个预处理后的心电信号记录x
″
i
通过剪裁或零填充的方式生成满足多分支处理模块的数据x
i_1
，x
i_1
＝{x
i1
,x
i2
,...,x
ij
,...,x
im
}，其中x
ij
为第i个预处理后的心电信号的第j个分支输入数据，j∈{1,...,m}，m个多分支的个数，x
ij
的长度为L
j
，L
j
＝1250+j*250；d)建立多分支处理模块，将数据x
i_1
输入到多分支处理模块中，输出得到数据x
i_3
；e)建立局部特征信息卷积提取模块，将数据x
i_3
输入到局部特征信息卷积提取模块中，输出得到特征图x
i_7
；f)建立注意力编码模块，将特征图x
i_7
输入到注意力编码模块中，输出得到特征图x
i_9
；g)建立分类器模块，完成模型的建立，将特征图x
i_9
输入到分类器模块中，输出得到预测标签预测标签为0时表示心电信号为正常信号，预测标签为1时表示心电信号为异常信号。2.根据权利要求1所述的基于可分离卷积和注意力机制的心电信号检测方法，其特征在于：步骤a)中心电信号数据包括MIT
‑
BIH房颤数据集及MIT
‑
BIH心率失常数据集，将MIT
‑
BIH心率失常数据集的采用频率降至250HZ后与MIT
‑
BIH房颤数据集合并到一起，将合并后的数据集随机分割为n条5
‑
30秒的记录，得到心电信号记录集X0＝{x1,x2,...,x
i
,...,x
n
}。3.根据权利要求1所述的基于可分离卷积和注意力机制的心电信号检测方法，其特征在于，步骤b)包括如下步骤：b
‑
1)在心电信号数据中提取心电信号标签，得到心电信号标签集Y0＝{y1,y2,...,y
i
,...,y
n
}，其中y
i
为第i个心电信号记录x
i
的标签，y
i
＝0表示输入信号为正常信号，y
i
＝1表示输入信号为异常信号；b
‑
2)将心电信号记录集X0中的第i个心电信号记录x
i
使用巴特沃斯带通滤波器去除噪声中的基线漂移，得到处理后的心电信号记录x
′
i
，数据集X1＝{x
′1,x
′2,...,x
′
i
,...,x
′
n
}；b
‑
3)将数据集X1中的第i个心电信号记录x
′
i
通过小波变换和软阈值去除信号中的肌电干扰得到预处理后的心电信号数据记录x
″
i
，数据集X2＝{x
″1,x
″2,...,x
″
i
,...,x
″
n
}。4.根据权利要求1所述的基于可分离卷积和注意力机制的心电信号检测方法，其特征在于，步骤d)包括如下步骤：d
‑
1)多分支处理模块由m个分支构成，每个分支均由第一线性层结构、第二线性层结构构成，第一线性层结构、第二线性层结构均依次由全连接层、Relu激活函数层、Dropout层构成；d
‑
2)将第i个预处理后的心电信号的第j个分支输入数据x
ij
输入到第j个分支的第一线
性层结构中，输出得到特征图将特征图输入到第j个分支的第二线性层结构中，输出得到特征图特征图的长度为L
j1
，特征图的长度为L
j2
，d
‑
3)所有m个分支输出的特征图构成数据集合x
i_2
，d
‑
4)数据集合x
i_2
中所有特征图进行拼接操作后输入到最大池化层中，输出得到数据x
i_3
。5.根据权利要求1所述的基于可分离卷积和注意力机制的心电信号检测方法，其特征在于，步骤e)包括如下步骤：e
‑
1)局部特征信息卷积提取模块由第一LICE_module模块、第二LICE_module模块、第三LICE_module模块及第四LICE_module模块构成，第一LICE_module模块、第二LICE_module模块、第三LICE_module模块及第四LICE_module模块均由第一分支、第二分支、BN层、SE模块构成，第一分支由第一卷积层、第一BN层、第一Relu激活函数层、深度可分离卷积层、第二BN层、第二Relu激活函数层、第三卷积层、第三BN层构成，第二分支由扩展卷积层、第一BN层、Relu激活函数层、第二卷积层、第二BN层、dropout层构成；e
‑
2)将数据x
i_3
依次输入到第一LICE_module模块的第一分支的第一卷积层、第一BN层、第一Relu激活函数层中，输出得到特征图将特征图依次输入到第一LICE_module模块的第一分支的深度可分离卷积层、第二BN层、第二Relu激活函数层、第三卷积层、第三BN层中，得到第一分支输出的特征图将数据x
i_3
依次输入到第一LICE_module模块的第二分支的扩展卷积层、第一BN层、Relu激活函数层中，输出得到特征图将特征图依次输入到第一LICE_module模块的第二分支的第二卷积层、第二BN层、dropout层中，得到第二分支的输...

【专利技术属性】
技术研发人员：舒明雷，李开伟，王英龙，孔祥龙，刘辉，
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：