【技术实现步骤摘要】
本专利技术涉及心电数据分析，特别涉及一种基于动态特征融合的心电数据分析系统。
技术介绍
1、心脏是人体最重要的器官，通过不断地有规律的跳动向人体各个组织输送血液，对保持细胞正常功能和代谢，体液调节、体温调节和人体内环境稳态有重要作用。心脏的健康直接关系到人体的健康，由于个体对心跳的感知并不敏感，并且心脏病的并发症状如：疼痛、气促、心悸、乏力和头晕等症状及其容易被患者自身忽视，很多患者在疾病的晚期也没有明显症状，导致心脏疾病难以被发现。
2、近年来随着计算机辅助诊疗系统的发展，心电数据自动识别也成为生物医学工程领域的热门研究方向，心电图(electrocardiogram，ecg)是一个重要的无创、客观的诊断工具，通过计算机辅助诊疗系统对心电图进行分析研究能够为医生提供患者生理状态变化的关键信息，对于心脏疾病的早期诊断具有重要的临床意义。目标心电图最常用的采集方式是通过标准的12导联心电图来采集，12导联心电图是由10个表面电极从心脏的12个不同角度记录。
3、目前，研究人员在利用心电图进行心脏风险评估上进行广泛的研究，研究早期在进行特征提取和选择的过程通常是手工操作，旨在从心电图波形中筛选出用于评估心脏风险的特征，例如st段偏差和t波幅度。在特征提取或选择之后，各种各样的传统及其学习分类器被开发用于进行分类，其中传统的及其学习分类器包括k-近邻(k-nearestneighbor，knn)、决策树(decisiontree，dt)、支持向量机(supportvectormachine，svm)、朴素贝叶斯
4、而深度学习技术能够在无需人工干预的情况下完成特征的自动提取，进而实现更为准确的分类。近年来，包括卷积神经网络(convolutional neural network，cnn)、门控循环单元(gatedrecurrentunit，gru)、注意力机制和自动编码器在内的深度学习方法，已被广泛地应用在了生物信号数据分析领域并获得了出色的表现。然而，这些方法通常在学习过程中未充分考虑心脏风险评估结果与不同导联信号间关联关系的差异性以及不同样本的特异性，从而限制了模型的分类准确性以及对目标风险评估等级的可解释性。
技术实现思路
1、本专利技术提供了一种基于动态特征融合的心电数据分析系统，其目的是为了提高心脏风险评估的准确度。
2、为了达到上述目的，本专利技术提供了一种基于动态特征融合的心电数据分析系统，包括：
3、采集模块，用于采集目标患者的心电数据；
4、提取模块，用于通过分区动态特征融合网络中的通道注意力模块分别对心电数据进行特征提取，得到心电特征图，并根据12导联对心电特征图进行分区，将位于同一分区内的心电特征图进行拼接，得到每个分区的心电特征图；
5、筛选模块，用于分别针对每个分区的心电特征图，通过分区动态特征融合网络中的特征编码器对每个分区的心电特征图进行筛选，得到每个分区的区内特征信息量；
6、计算模块，用于通过分区动态特征融合网络中的置信度神经网络模块对每个分区的区内特征信息量进行置信度计算，得到每个分区的置信度，并将所有分区的置信度进行拼接并标准化，得到每个分区的区间特征信息量；
7、融合模块，用于分别针对每个分区，通过sigmoid激活函数对每个分区的区间特征信息量进行缩放，得到缩放后的区间特征信息量，并将缩放后的区间特征信息量进行拼接，得到总区间特征信息量，将总区间特征信息量乘以分区数，得到第一总特征量，并通过第一总特征量对每个分区的区内特征信息量进行动态融合，得到每个分区的心电数据特征融合结果，并根据每个分区的心电数据特征融合结果确定每个分区的目标风险评估等级。
8、进一步来说，根据12导联对心电特征图进行分区，包括：
9、基于12导联对应的观测位将心电特征图进行分区，得到前壁区的心电特征图、侧壁区的心电特征图、下壁区的心电特征图。
10、进一步来说，通道注意力模块包括：
11、依次连接的二维卷积层、二维残差块、一维残差块以及全局平均池化层。
12、进一步来说，分区动态特征融合网络的训练过程包括：
13、分别针对每个分区，通过分区分类器将每个分区的区内特征信息量进行分类，得到每个分区的预测分布；
14、通过sigmoid激活函数对每个分区的预测分布进行缩放，得到缩放后的预测分布，并将缩放后的预测分布进行拼接，得到总预测分布；
15、通过最大似然估计方法对分区分类器进行训练，获取分区损失值；
16、分别针对每个分区，通过置信度神经网络模块将每个分区的区内特征信息量进行置信度计算，得到每个分区的置信度，并将所有分区的置信度进行拼接并标准化，得到每个分区的区间特征信息量；
17、通过均方误差损失对置信度神经网络模块进行训练，得到置信度损失值；
18、通过sigmoid激活函数对每个分区的区间特征信息量进行缩放，得到缩放后的区间特征信息量；
19、将缩放后的区间特征信息量进行拼接，得到总区间特征信息量；
20、将总区间特征信息量乘以分区数，得到第一总特征量；
21、将总预测分布乘以分区数，得到第二总特征量；
22、将第一总特征量和第二总特征量进行计算，得到欧式距离，并通过欧式距离对分类器进行训练，得到分类损失值；
23、利用分区损失值、置信度损失值和分类损失值对分区动态特征融合网络进行优化，得到训练后的分区动态特征融合网络。
24、进一步来说，分区损失值用于最小预测分布和真实分布之间的极限散度，分区损失值larea的表达式为：
25、
26、其中，a表示分区数，a表示第a个分区，yk表示标签y中的第k个标签，表示第a个分区中第k个标签的预测分布。
27、进一步来说，置信度损失值lconf的表达式为：
28、
29、其中，tcpa表示第a个分区的预测分布中真实标签的最大概率，表示第a个分区的区间特征信息量。
30、进一步来说，分类损失值lf的表达式为：
31、
32、其中，pk表示第k个标签的预测分布。
33、本专利技术的上述方案有如下的有益效果：
34、本专利技术包括用于采集目标患者的心电数据的采集模块；用于通过分区动态特征融合网络中的通道注意力模块分别对心电数据进行特征提取，得到心电特征图，并根据12导联对心电特征图进行分区，将位于同一分区内的心电特征图进行拼接，得到每个分区的心电特征图的提取模块；用于分别针对每个分区的心电特征图，通过分本文档来自技高网...
【技术保护点】
1.一种基于动态特征融合的心电数据分析系统，其特征在于，包括：
2.根据权利要求1所述的基于动态特征融合的心电数据分析系统，其特征在于，所述根据12导联对所述心电特征图进行分区，包括：
3.根据权利要求2所述的基于动态特征融合的心电数据分析系统，其特征在于，所述通道注意力模块包括：
4.根据权利要求3所述的基于动态特征融合的心电数据分析系统，其特征在于，所述分区动态特征融合网络的训练过程包括：
5.根据权利要求4所述的基于动态特征融合的心电数据分析系统，其特征在于，所述分区损失值用于最小预测分布和真实分布之间的极限散度，所述分区损失值Larea的表达式为：
6.根据权利要求4所述的基于动态特征融合的心电数据分析系统，其特征在于，所述置信度损失值Lconf的表达式为：
7.根据权利要求4所述的基于动态特征融合的心电数据分析系统，其特征在于，所述分类损失值Lf的表达式为：
【技术特征摘要】
1.一种基于动态特征融合的心电数据分析系统，其特征在于，包括：
2.根据权利要求1所述的基于动态特征融合的心电数据分析系统，其特征在于，所述根据12导联对所述心电特征图进行分区，包括：
3.根据权利要求2所述的基于动态特征融合的心电数据分析系统，其特征在于，所述通道注意力模块包括：
4.根据权利要求3所述的基于动态特征融合的心电数据分析系统，其特征在于，所述分区动态特征融合网络的训练过程...
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。