用具有多尺度注意力机制的神经网络实现房颤预测的方法技术

本发明专利技术提出用具有多尺度注意力机制的神经网络实现房颤预测的方法，包括以下步骤：步骤S1：对房颤心电信号AFECG数据集和正常窦性心律心电信号NSR ECG数据集进行采集划分和数据预处理；步骤S2：设计神经网络架构对房颤数据进行初步预测，在此网络架构的基础上对预测网络结构优化；步骤S3：在房颤预测数据的不同导联之间进行导联注意力机制的构建；步骤S4：在神经网络中不同的特征图之间进行时间空间注意力机制的构建；步骤S5：在房颤预测数据不同时序片段上进行时序注意力机制的构建；步骤S6：在完成上述各注意力机制子类模块的构建后，将子类模块与基础神经网络融合，然后进行神经网络的整体优化，形成最终的房颤预测网络；本发明专利技术可提高预测房颤准确率。本发明专利技术可提高预测房颤准确率。本发明专利技术可提高预测房颤准确率。

【技术实现步骤摘要】
用具有多尺度注意力机制的神经网络实现房颤预测的方法


[0001]本专利技术涉及心电特征分类、深度学习
，尤其是用具有多尺度注意力机制的神经网络实现房颤预测的方法。

技术介绍

[0002]房颤作为一种常见心脏疾病且随着年龄增长其发病率不断提高，其中大部分的房颤患者没有明显的临床表现，这使得房颤的检查以及预测变得复杂困难，因此患者的重要治疗时机会被延误，造成不可挽回的健康损失。在基层农村中，医疗水平发展极度不平衡，使得心血管疾病的死亡率逐年扩大，重要医疗资源短缺问题不断暴露。面对这一疾病的重要挑战，需要寻求一种更为高效的方式解决房颤监测领域中的关键性问题。心电图检查是临床中一种常用的检查方式，它具有生成快速以及无创无痛的重要特征，这使得心电信号的获取尤为方便。心电图包含心脏病理性变化的重要信息，包括人体中电信号的变化情况，使用心电图进行疾病快速筛查是临床中的一种重要诊断方式。
[0003]然而心电图检查需要医生付出很多的劳动力，即使借助电脑进行数理统计分析也仍然需要医生进行大量的肉眼判断，使得传统方法在面对大规模的心电图检查时效率不高，且将耗费大量的人力物力。随着重要心电数据库的不断建立以及人工智能的快速发展，采用人工智能的方式针对心电信号进行疾病预测及分类成为了可能。人工智能中的深度学习方法可以依靠神经网络的自主学习对心电信号的重要特征进行提取，并避免了机器学习中人工提取特征的偏差，但神经网络的结构可以千变万化，所以如何选取适当的结构让网络关注重要信息提升预测准确率是深度学习提升性能的关键。
专利
技术实现思路

[0004]本专利技术提出用具有多尺度注意力机制的神经网络实现房颤预测的方法，通过构建具有多尺度注意力机制的神经网络，来实现提高预测房颤准确率的目标。
[0005]本专利技术采用以下技术方案。
[0006]用具有多尺度注意力机制的神经网络实现房颤预测的方法，包括以下步骤：
[0007]步骤S1：对房颤心电信号(Atrial Fibrillation Electrocardiograph,AF ECG)和正常窦性心律(Normal Sinus Rhythm,NSR)心电信号数据集进行采集划分和数据预处理；
[0008]步骤S2：设计神经网络架构对房颤数据进行初步预测，在此网络架构的基础上对预测网络结构优化；
[0009]步骤S3：在房颤预测数据的不同导联之间进行导联注意力机制的构建；
[0010]步骤S4：在神经网络中不同的特征图之间进行时间空间注意力机制的构建；
[0011]步骤S5：在房颤预测数据不同时序片段上进行时序注意力机制的构建；
[0012]步骤S6：在完成上述各注意力机制子类模块的构建后，将子类模块与基础神经网络融合，然后进行神经网络的整体优化，形成最终的房颤预测网络。
[0013]步骤S1具体为：
[0014]步骤S11：筛选出心电数据库(ECG Database)中的房颤时期的心电数据(AF Data)、房颤发生前三十分钟内的心电数据(Pre
‑
AF Data)和未发生过房颤的人的完全正常的心电数据(Normal Data)；
[0015]步骤S12：对ECG数据进行浮点数和采样率的统一，统一所有样本的长度为个数适宜的采样点，并确定所有样本的采样频率为定值，得到持续相同时间的每笔数据；
[0016]步骤S13：采用带通滤波器对基线漂移产生的低频噪声进行滤除；
[0017]步骤S14：从数据集中随机抽选出一定比例的样本作为测试集(test set)，其余样本作为训练集，测试集和训练集的样本没有任何交集。
[0018]步骤S15：根据样本总数将训练集按预定比例进一步划分为训练集(train set)和验证集(validation set)，用以训练并优化模型。
[0019]步骤S2具体为：
[0020]步骤S21：使用顺序式结构构建基预测网络，将一维卷积层、最大池化层和激活函数进行堆叠操作，采用N层一维神经网络结构初步对房颤数据进行预测；
[0021]步骤S22：将预处理后的心电数据输入卷积层，卷积层负责对输入向量的特征进行提取，卷积层输出的特征向量输入到最大池化层进行降采样的操作；
[0022]步骤S23：将步骤S22中池化层输出的特征向量输入到下一个卷积层，为了后续可以将数据输入到全连接层，对第N
‑
1个卷积层的输出向量进行Reshape操作以实现数据维度变换；
[0023]步骤S24：将经过卷积层、池化层和Reshape后的数据输入全连接层，输出三分类的结果。
[0024]步骤S21中，采用3层一维神经网络结构初步对房颤数据进行预测，具体的网络结构及网络维度的变换如下：将预处理后的心电数据输入卷积层一，卷积层负责对输入向量的特征进行提取；输出的特征向量输入到最大池化层进行降采样的操作；池化层输出的特征向量输入到卷积层二进行卷积操作。
[0025]步骤S3具体为：
[0026]步骤S31：将心电数据中两个导联的数据按照行的位置排列起来输入神经网络，数据依次经过一维卷积层和池化层；
[0027]步骤S32：在网络中引入Shortcut结构，用于将未经过某一卷积层的数据与经过此卷积层的数据进行累加；
[0028]步骤S33：将步骤S32输出的数据输入行注意力模块，获取特征图在行的维度的注意力系数即导联注意力系数，将此注意力系数与原始输入进行对应位置的相乘获得结果；
[0029]步骤S34：将经过行注意力模块的数据先通过卷积层，然后经过全连接层，最后输出三分类结果。
[0030]步骤S31中，将心电数据中两个导联的数据按照行的位置排列起来输入神经网络，相当于一个二维的数据；该神经网络第一层为卷积层一，输出数据输入到池化层一；池化层一的输出数据输入卷积层二，卷积层二的加入用于支撑Shortcut方式；
[0031]步骤S32中，设置卷积层二使用的卷积核的参数为特定值，使卷积层二不会改变经过的数据的维度，从而将未经过卷积层二的数据与经过卷积层二的数据进行相加；以
Shortcut方式在提取数据特征的同时避免遗失关键信息，以缓解梯度消失和爆炸的问题；
[0032]步骤S33中，卷积层二输出的数据输入行注意力模块，行注意力模块工作方法具体为，首先获取特征图在行这个维度的均值，再依次经过两个卷积层对特征图在通道维度进行缩放，此时数据的维度与输入到第一个卷积的数据的维度相同；同时，获取特征图在行的维度的最大值，而最大值也经过以上两个卷积相同的操作，再将经过两个卷积操作的数据进行相加，然后对这个数据使用Sigmoid函数进行非线性变换，最后将此注意力系数与原始的输入使用multiply函数进行对应位置的相乘获得最终的结果；
[0033]步骤S34中，卷积层二输出的数据经过行注意力模块后再通过卷积层三，经过此层后数据输入全连接层，最后输出层神经元数量为3，获得最终的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.用具有多尺度注意力机制的神经网络实现房颤预测的方法，其特征在于：包括以下步骤：步骤S1：对房颤心电信号AFECG数据集和正常窦性心律心电信号NSRECG数据集进行采集划分和数据预处理；步骤S2：设计神经网络架构对房颤数据进行初步预测，在此网络架构的基础上对预测网络结构优化；步骤S3：在房颤预测数据的不同导联之间进行导联注意力机制的构建；步骤S4：在神经网络中不同的特征图之间进行时间空间注意力机制的构建；步骤S5：在房颤预测数据不同时序片段上进行时序注意力机制的构建；步骤S6：在完成上述各注意力机制子类模块的构建后，将子类模块与基础神经网络融合，然后进行神经网络的整体优化，形成最终的房颤预测网络。2.根据权利要求1所述的用具有多尺度注意力机制的神经网络实现房颤预测的方法，其特征在于：步骤S1具体为：步骤S11：筛选出心电数据库中的房颤时期的心电数据、房颤发生前三十分钟内的心电数据和未发生过房颤的人的完全正常的心电数据；步骤S12：对ECG数据进行浮点数和采样率的统一，统一所有样本的长度为个数适宜的采样点，并确定所有样本的采样频率为定值，得到持续相同时间的每笔数据；步骤S13：采用带通滤波器对基线漂移产生的低频噪声进行滤除；步骤S14：从数据集中随机抽选出一定比例的样本作为测试集，其余样本作为训练集，测试集和训练集的样本没有任何交集。步骤S15：根据样本总数将训练集按预定比例进一步划分为训练集和验证集，用以训练并优化模型。3.根据权利要求1所述的用具有多尺度注意力机制的神经网络实现房颤预测的方法，其特征在于：步骤S2具体为：步骤S21：使用顺序式结构构建基预测网络，将一维卷积层、最大池化层和激活函数进行堆叠操作，采用N层一维神经网络结构初步对房颤数据进行预测；步骤S22：将预处理后的心电数据输入卷积层，卷积层负责对输入向量的特征进行提取，卷积层输出的特征向量输入到最大池化层进行降采样的操作；步骤S23：将步骤S22中池化层输出的特征向量输入到下一个卷积层，为了后续可以将数据输入到全连接层，对第N
‑
1个卷积层的输出向量进行Reshape操作以实现数据维度变换；步骤S24：将经过卷积层、池化层和Reshape后的数据输入全连接层，输出三分类的结果。4.根据权利要求3所述的用具有多尺度注意力机制的神经网络实现房颤预测的方法，其特征在于：步骤S21中，采用3层一维神经网络结构初步对房颤数据进行预测，具体的网络结构及网络维度的变换如下：将预处理后的心电数据输入卷积层一，卷积层负责对输入向量的特征进行提取；输出的特征向量输入到最大池化层进行降采样的操作；池化层输出的特征向量输入到卷积层二进行卷积操作。5.根据权利要求1所述的用具有多尺度注意力机制的神经网络实现房颤预测的方法，
其特征在于：步骤S3具体为：步骤S31：将心电数据中两个导联的数据按照行的位置排列起来输入神经网络，数据依次经过一维卷积层和池化层；步骤S32：在网络中引入Shortcut结构，用于将未经过某一卷积层的数据与经过此卷积层的数据进行累加；步骤S33：将步骤S32输出的数据输入行注意力模块，获取特征图在行的维度的注意力系数即导联注意力系数，将此注意力系数与原始输入进行对应位置的相乘获得结果；步骤S34：将经过行注意力模块的数据先通过卷积层，然后经过全连接层，最后输出三分类结果。6.根据权利要求5所述的用具有多尺度注意力机制的神经网络实现房颤预测的方法，其特征在于：步骤S31中，将心电数据中两个导联的数据按照行的位置排列起来输入神经网络，相当于一个二维的数据；该神经网络第一层为卷积层一，输出数据输入到池化层一；池化层一的输出数据输入卷积层二，卷积层二的加入用于支撑Shortcut方式；步骤S32中，设置卷积层二使用的卷积核的参数为特定值，使卷积层二不会改变经过的数据的维度，从而将未经过卷积层二的数据与经过卷积层二的数据进行相加；以Shortcut方式在提取数据特征的同时避免遗失关键信息，以缓解梯度消失和爆炸的问题；步骤S33中，卷积层二输出的数据输入行注意力模块，行注意力模块工作方法具体为，首先获取特征图在行这个维度的均值，再依次经过两个卷积层对特征图在通道维度进行缩放，此时数据的维度与输入到第一个卷积的数据的维度相同；同时，获取特征图在行的维度的最大值，而最大值也经过以上两个卷积相同的操作，再将经过两个卷积操作的数据进行相加，然后对这个数据使用Sigmoid函数进行非线性变换，最后将此注意力系数与原始的输...

【专利技术属性】
技术研发人员：王量弘，刘培栋，刘硕，蔡冰洁，王新康，杨涛，高洁，
申请(专利权)人：福州大学，
类型：发明
国别省市：