一种针对长时间序列心电信号的跨模态多尺度多示例心电信号分类方法技术

一种针对长时间序列心电信号的跨模态多尺度多示例心电信号分类方法，包括:收集获取现有开源心电信号数据集，对现有开源心电信号数据集依据多示例学习的范式进行预处理，并划分训练集、验证集及测试集；构建由跨模态多尺度多示例网络特征提取主干网络、多模态多示例聚合模块、分类层网络构成的心电信号分类网络；分别使用患者内模式和患者间模式划分得到的训练集进行权重参数的学习，和经过验证集的进一步优化调整，最终由测试集得完成对于长时间序列心电信号的分类测试，确定最终的分类结果。本发明专利技术针对长时间序列心电信号难以成功分类的问题，提出了一种跨模态多尺度多示例心电信号分类方法，大大提高了长时间序列心电信号的分类精度。

【技术实现步骤摘要】

本专利技术属于心电信号分类，具体涉及一种针对长时间序列心电信号的跨模态多尺度多示例心电信号分类方法。

技术介绍

1、心脏疾病是全球主要的死亡原因之一，包括冠状动脉疾病、心脏病发作、心力衰竭和中风等病症。现代医学常常使用心电图(ecg)信号作为无创检测潜在心脏病情的一种方法。ecg数据通过在身体不同部位放置电极来记录和反映心脏的电活动，通常生成12导联的心电图信号。然而，传统的医学诊断范式在许多情况下效率低下，因为需要处理大量异构数据，需要广泛的分析和医学专业知识才能达到足够的诊断准确性。此外，不同的环境和硬件设施也可能导致ecg信号诊断结果的差异。

2、现有的自动识别心律失常的心电图(ecg)识别算法基于对单个或少数qrs群或脉冲形态特征的评估，其中大多数仅使用短时间段的ecg信号作为模型输入。直接将传统的深度学习模型如cnn和rnn应用于长期ecg信号的分类存在几个缺点。首先，由于硬件资源限制，长期ecg信号过长无法直接输入rnn和transformer。因此，需要对长期ecg信号进行大量降采样，但这会导致大部分识别细节的丢失。其次，在长期e本文档来自技高网...

【技术保护点】

1.一种针对长时间序列心电信号的跨模态多尺度多示例心电信号分类方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的一种针对长时间序列心电信号的跨模态多尺度多示例心电信号分类方法，其特征在于，步骤S1中对现有开源心电信号数据集依据多示例学习的范式进行预处理，具体包括：针对每个30分钟的心电图信号，通过固定窗口的移动来切割原始信号，提取心跳数据，其中每个心跳的P峰位于固定窗口的中间位置；将固定窗口的长度设置为180个采样点，能够容纳从原始信号中切割出的每个完整心跳；在原始数据集中，将样本切割成一系列心跳后，将每60个连续的心跳打包成新数据集中的一个样本；新数据集中的每个样本...

【技术特征摘要】

1.一种针对长时间序列心电信号的跨模态多尺度多示例心电信号分类方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的一种针对长时间序列心电信号的跨模态多尺度多示例心电信号分类方法，其特征在于，步骤s1中对现有开源心电信号数据集依据多示例学习的范式进行预处理，具体包括：针对每个30分钟的心电图信号，通过固定窗口的移动来切割原始信号，提取心跳数据，其中每个心跳的p峰位于固定窗口的中间位置；将固定窗口的长度设置为180个采样点，能够容纳从原始信号中切割出的每个完整心跳；在原始数据集中，将样本切割成一系列心跳后，将每60个连续的心跳打包成新数据集中的一个样本；新数据集中的每个样本相当于一个包，包含60个心跳，也就是60个示例；然后，将每个样本中所有心跳的注释标签取并集，以获取新mil数据集中整个包的标签。

3.根据权利要求1所述的一种针对长时间序列心电信号的跨模态多尺度多示例心电信号分类方法，其特征在于，步骤s2中所述跨模态多尺度多示...

【专利技术属性】
技术研发人员：顾一鸣，亢嘉晨，许寅皓，吴冉，林金强，向慕超，凌在汛，崔一铂，刘曼佳，杨帆，焦海文，田晨丞，
申请(专利权)人：国网湖北省电力有限公司襄阳供电公司，
类型：发明
国别省市：