【技术实现步骤摘要】
基于多分支块全注意网络的心电数据分类方法及装置
[0001]本专利技术涉及心电数据分类
，特别涉及一种基于多分支块全注意网络的心电数据分类方法及装置。
技术介绍
[0002]近年来，人们出于对健康的关注，对心电数据的诊断越来越受到重视。常用于对心电数据进行诊断的方法是对多导联ECG数据通道和空间特征注意机制分别提取，但是这会导致ECG数据通道和空间特征之间缺失关联特征，导致在对心电数据进行分类时，得到的结果准确度较低。
技术实现思路
[0003]本专利技术旨在至少解决现有技术中存在的技术问题之一。为此，本专利技术提出一种基于多分支块全注意网络的心电数据分类方法及装置，能够提高对心电数据分类的准确性。
[0004]第一方面，本专利技术实施例提供了一种基于多分支块全注意网络的心电数据分类方法，包括：
[0005]获取目标心电数据，所述目标心电数据为多导联心电数据；
[0006]将获取的所述目标心电数据输入预先配置的多分支块全注意网络模型，其中，所述多分支块全注意网络模型包括特征提取模...
【技术保护点】
【技术特征摘要】
1.一种基于多分支块全注意网络的心电数据分类方法，其特征在于，包括：获取目标心电数据，所述目标心电数据为多导联心电数据；将获取的所述目标心电数据输入预先配置的多分支块全注意网络模型，其中，所述多分支块全注意网络模型包括特征提取模块和全注意力块，所述特征提取模块包括多个多分支块和短接块；通过所述特征提取模块对目标心电数据进行特征提取，得到第一数据；将所述第一数据输入到全注意力模块提取空间特征和通道特征；根据所述空间特征和所述通道特征，从预设的可选分类中确定所述目标心电数据所对应的目标分类结果。2.根据权利要求1所述的基于多分支块全注意网络的心电数据分类方法，其特征在于，所述多分支块全注意网络模型通过以下方法进行训练：获取不同样本的训练心电数据对应的训练集和测试集；通过所述特征提取模块对所述训练集进行特征提取得到第一特征数据；通过全注意力块对所述第一特征数据进行空间特征提取和通道特征提取得到第二特征数据；将所述第二特征数据输入到分类块进行分类得到训练状态的所述多分支块全注意网络模型；输入所述测试集到训练状态的所述多分支块全注意网络模型进行测试得到测试结果；通过预先训练好的分类评价模型对所述测试结果进行不平衡识别得到宏观ROC曲线；根据所述宏观ROC曲线下的面积值确定所述多分支块全注意网络模型的不平衡分类的识别准确度，其中，所述不平衡分类是指比例失调的心电数据的样本分类；根据所述识别准确度判断所述多分支块全注意网络模型是否训练完成。3.根据权利要求2所述的基于多分支块全注意网络的心电数据分类方法，其特征在于，所述获取不同样本的训练心电数据对应的训练集和测试集，包括：对所述训练心电数据进行心电分类；通过权阈值收缩的小波去噪算法对所述训练心电数据进行去噪；根据统一的采样频率对去噪后的所述训练心电数据进行重采样，其中，所述采样频率为经过归一化处理后的频率；根据固定时长对重采样的所述训练心电数据进行分割得到心电序列；根据样本类别和心电类别将所述心电序列划分成训练集和测试集，其中，所述测试集对应的所述心电序列与所述训练集对应的所述心电序列为不同的样本类别。4.根据权利要求3所述的基于多分支块全注意网络的心电数据分类装置，其特征在于，所述通过权阈值收缩的小波去噪算法对所述训练心电数据进行去噪，包括：通过离散小波对所述训练心电数据进行分解得到所述训练心电数据的各层小波系数；通过动态软阈值函数和各层小波系数对小波进行重建得到去噪信号。5.根据权利要求1所述的基于多分支块全注意网络的心电数据分类方法，其特征在于，所述通过所述特征提取模块对目标心电数据进行特征提取，得到第一数据，包括：通过所述特征提取模块中第一多分支块集合依次对所述目标心电数据进行特征提取得到第一多分支数据，其中，所述第一多分支块集合包括若干个多分支块；
通过所述特征提取模块中第一短接块对所述目标心电数据进行短接得到第一短接数据；将所述第一多分支数据和所述第一短接数据进行融合得到临时数据；通过所述特征提取模块中第二多分支块集合依次对所述临时数据进行特征...
【专利技术属性】
技术研发人员：司玉娟，武俊杰，张阳，易攀，乔菱，
申请(专利权)人：珠海科技学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。