基于深度学习的多导联脉冲信号智能识别方法及系统技术方案

本发明专利技术涉及基于深度学习的多导联脉冲信号智能识别方法及系统，属于脉冲信号的识别技术领域

【技术实现步骤摘要】
基于深度学习的多导联脉冲信号智能识别方法及系统


[0001]本专利技术涉及一种基于深度学习的多导联脉冲信号智能识别方法及系统， 属于脉冲信号的识别

。

技术介绍

[0002]随着深度学习技术的迅猛发展，人工智能在医学诊断领域获得了广泛的应用
。
特别是在中医脉诊领域，随着中医脉诊仪的不断进步和普及，我们现在能够获取到越来越多的脉冲波信号数据
。
这些脉冲波信号不仅仅是医学诊断的工具，更是宝贵的信息源
。
在这些信号中，包含了有关患者心脏
、
肝脏
、
肺部等重要器官的生理信息，这些信息对于进行智能化的医学诊断具有重要意义
。
传统的中医脉诊方法通常依赖于医生的经验和观察，但这些方法存在主观性和一定的局限性
。
现代技术的介入使我们能够更加客观地分析和理解脉冲波信号，从而提高了中医脉诊的准确性和可靠性
。
[0003]现有基于深度学习的多导联脉冲检测方法虽然能够自动提取波形各个时刻的特征，但多是从提取关键特征信息入手提高精度，如专利
CN 109063552 A
，公开了一种多导联心电信号分类方法，包括：
S1、
通过多支路卷积残差神经网络处理多导联心电信号以提取每个所述多导联心电信号的信号特征；
S2、
对提取到的所述多导联心电信号的信号特征进行融合；
S3、
基于
Softmax
函数对融合后的所述多导联心电信号进行分类
。
但该方法只是采用简单神经网络进行信号特征提取，缺少不同模态数据的特征学习，缺少不同类型信息的融合
。
专利
CN 113951893 A
，公开了一种结合深度学习和电生理知识的多导联心电信号特征点提取方法，首先，多导联心电信号获取模块用于提取
12
导联心电信号；其次，特征点提取模块通过基于
U
‑
net
框架的卷积神经网络
(CNN)
和长短期记忆网络
(LSTM)
提取心拍的形态特征和采样时刻的强时序相关性特征，并通过底层和高层信息的融合强化波形各个时刻更加精细的特征，之后通过固定阈值法提取特征点；最后，特征点位置修正模块通过基于电生理学知识的多导联互参方法和动态阈值自适应调整策略进一步提升特征点提取精度，该方法虽然提取了不同导联信号的特征，但缺少对不同导联之间相互作用的学习
。
[0004]因此，如何设计一种基于深度学习的多导联脉冲信号的智能识别方法仍是一个挑战性的问题
。

技术实现思路

[0005]本专利技术的目的是克服现有技术的不足而提供一种基于深度学习的多导联脉冲信号智能识别方法，通过对双分支的特征进行融合，得到更为准确和综合的特征表示，从而保证了全面性和准确性
。
[0006]本专利技术采取的技术方案为：基于深度学习的多导联脉冲信号智能识别方法，包括步骤如下：
S1. 获取
N
个导联的脉冲信号
X
N
，对每个原始信号数据进行预处理，进行滤波操作和信号数据的切分，得到多导联切片脉冲信号
M
N
；
S2. 将多导联切片脉冲信号
M
N
输入由卷积神经网络
、
长短时记忆网络（
LSTM
）和注意力学习模块组成的多导联脉冲信号特征提取网络分支提取综合信息得到信号数据特征
F3
：先通过卷积神经网络进行特征提取，捕获脉冲信号的局部特征和模式，学习脉冲信号的结构信息，再通过长短时记忆网络，学习单导联脉冲信号的时间相关性和序列特征，最后通过注意力学习模块，学习多导联脉冲信号之间的相关性；
S3. 将单导联脉冲信号经小波变换转化得到的时频图输入特征提取网络和特征增强模块构成的时频图特征提取网络分支提取更具解释性的关键信息得到图像特征
FP3
：先通过特征提取网络提取时域和频域特征，然后通过特征增强模块去除噪声
、
增强信号的边缘和特征；
S4. 将两条分支学习的不同模态的信号特征进行融合，即将信号数据特征
F3
与图像特征
FP3
进行融合得到最终的特征
FD
，再进行分类得到分类预测结果；
S5.
训练并优化网络模型保存最优参数，将待测数据输入最优模型得到识别结果
。
[0007]上述方法中，步骤
S1
中导联脉冲信号个数
N
选9‑
45
，
N
优选
27。
[0008]步骤
S2
中所述的注意力学习模块，首先需要通过加性注意力计算每对导联之间的相关性分数，即：，其中，
W
q
和
W
k
是学习的权重矩阵，
ReLU 是修正线性单元激活函数，
q
为查询向量，
k
为关键词向量；其次将相关性分数通过 softmax 函数进行归一化，以获得每个导联的注意力权重
γ
，即：，其中，
N 表示输入元素的数量，
k
i
表示所有输入特征向量；最后将注意力权重与长短时记忆网络输出的特征 F2 相乘，并对每个通道的特征进行加权平均，以获得全局的多导联表示为：，其中，
v
i
表示输入元素的特征值，表示每个导联的注意力权重值
。
[0009]步骤
S3
中特征提取网络主要包括三个卷积层，第一个卷积层主要包括一个卷积
、
一个批标准化
、
一个
ReLU
激活函数和最大池化（
Max
‑
Pool
）操作，第二个卷积层和第三个卷积层分别包括一个卷积
、
一个批标准化和一个
ReLU
激活函数，通过一系列卷积操作，标准化，和激活函数，学习不同层次和尺度上的信号特征，包括局部的边缘和纹理到全局的模式和结构，得到更抽象
、
更高级的特征表示
FP1。
[0010]步骤
S3
中特征增强模块采用
SENet
（
Squeeze
‑
and
‑
Excitation Networks ）网络和软阈值操作，
SENet
网络可以自动学习每个特征通道的重要权重，自适应的调整每个通道的贡献，强化对关键特征的感知，软阈值操作通过比较每个数据点与相应的阈值来确定是否
保留或抑制该数据点，可以表示为： ，其中，
x
为原始信号，
λ
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于深度学习的多导联脉冲信号智能识别方法，其特征是，包括步骤如下：
S1. 获取
N
个导联的脉冲信号
X
N
，对每个原始信号数据进行预处理，进行滤波操作和信号数据的切分，得到多导联切片脉冲信号
M
N
；
S2. 将多导联切片脉冲信号
M
N
输入由卷积神经网络
、
长短时记忆网络和注意力学习模块组成的多导联脉冲信号特征提取网络分支提取综合信息得到信号数据特征
F3
：先通过卷积神经网络进行特征提取，捕获脉冲信号的局部特征和模式，学习脉冲信号的结构信息，再通过长短时记忆网络，学习单导联脉冲信号的时间相关性和序列特征，最后通过注意力学习模块，学习多导联脉冲信号之间的相关性；
S3. 将单导联脉冲信号经小波变换转化得到的时频图输入特征提取网络和特征增强模块构成的时频图特征提取网络分支提取更具解释性的关键信息得到图像特征
FP3
：先通过特征提取网络提取时域和频域特征，然后通过特征增强模块去除噪声
、
增强信号的边缘和特征；
S4. 将两条分支学习的不同模态的信号特征进行融合，即将信号数据特征
F3
与图像特征
FP3
进行融合得到最终的特征
FD
，再进行分类得到分类预测结果；
S5.
训练并优化网络模型保存最优参数，将待测数据输入最优模型得到识别结果
。2.
根据权利要求1所述的基于深度学习的多导联脉冲信号智能识别方法，其特征是，步骤
S1
中
N
选9‑
45。3.
根据权利要求2所述的基于深度学习的多导联脉冲信号智能识别方法，其特征是，步骤
S1
中
N
选
27。4.
根据权利要求1所述的基于深度学习的多导联脉冲信号智能识别方法，其特征是，步骤
S2
中所述的注意力学习模块，首先需要通过加性注意力计算每对导联之间的相关性分数，即：，其中，
W
q
和
W
k
是学习的权重矩阵，
ReLU 是修正线性单元激活函数，
q<...

【专利技术属性】
技术研发人员：孙启玉，高亚欣，王停停，刘肖，刘晓芳，刘玉峰，
申请(专利权)人：山东锋士信息技术有限公司，
类型：发明
国别省市：