基于多模态特征融合与模糊积分决策的心电图分类方法技术

本发明专利技术提供了一种基于多模态特征融合与模糊积分决策的心电图分类方法，属于人工智能与医疗技术领域，解决了现有技术中多模态融合不充分、决策可靠性低的技术问题。其技术方案为：通过离散小波变换提取时域和频域统计特征，并利用基于Transformer的深度编码器提取跨导联时空特征；采用双向交叉注意力机制，捕捉模态间互补性；继而构建三类分类器并引入模糊积分进行决策融合，通过模糊测度建模分类器间依赖关系，动态分配权重。本发明专利技术的有益效果为：本发明专利技术将临床可解释特征与数据驱动模型结合，通过双向注意力机制提升多模态特征融合深度，利用模糊积分增强决策鲁棒性，显著改善了心血管疾病自动诊断的准确性与可解释性。

【技术实现步骤摘要】

本专利技术涉及人工智能和医疗健康，具体涉及基于多模态特征融合与模糊积分决策的心电图分类方法。

技术介绍

1、心血管疾病作为全球致死率最高的疾病之一，其早期准确诊断对降低患者死亡率具有重要意义。心电图(ecg)作为一种无创、经济且广泛应用的检测手段，在心血管疾病的临床诊断中发挥着不可替代的作用。然而，传统的ecg分析主要依赖医生的主观经验判断，不仅诊断效率低下，而且存在诊断标准不统一、结果可重复性差等问题。随着人工智能技术的发展，基于机器学习和深度学习的ecg自动诊断方法逐渐成为研究热点，但现有技术仍存在若干亟待解决的关键问题。

2、在特征提取方面，现有技术主要分为两类：一类是基于传统机器学习的方法，如支持向量机(svm)和主成分分析(pca)，这类方法需要人工设计特征，不仅依赖专家的领域知识，而且设计的特征在面临噪声干扰或信号畸变时鲁棒性较差；另一类是基于深度学习的方法，如卷积神经网络(cnn)和transformer模型，虽然能够自动提取特征，但提取的特征缺乏临床可解释性，难以与医生的诊断逻辑建立对应关系。在多模态特征融合方面，现有技术普遍采本文档来自技高网...

【技术保护点】

1.一种基于多模态特征融合与模糊积分决策的心电图分类方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于多模态特征融合与模糊积分决策的心电图分类方法，其中，所述步骤S1中，统计特征提取包括以下步骤：

3.根据权利要求1所述的基于多模态特征融合与模糊积分决策的心电图分类方法，其中，所述步骤S2中，深度特征的提取包括：将每条导联信号划分为长度为p的多个片段，每个片段经过全连接网络映射至固定维度dpatch的表示空间；系统分别为每个片段添加可学习的位置嵌入向量与导联嵌入向量，组合为输入张量，并输入至由多层Transformer编码器进行建模；编码器输出经平均池...

【技术特征摘要】

1.一种基于多模态特征融合与模糊积分决策的心电图分类方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于多模态特征融合与模糊积分决策的心电图分类方法，其中，所述步骤s1中，统计特征提取包括以下步骤：

3.根据权利要求1所述的基于多模态特征融合与模糊积分决策的心电图分类方法，其中，所述步骤s2中，深度特征的提取包括：将每条导联信号划分为长度为p的多个片段，每个片段经过全连接网络映射至固定维度dpatch的表示空间；系统分别为每个片段添加可学习的位置嵌入向量与导联嵌入向量，组合为输入张量，并输入至由多层transformer编码器进行建模；编码器输出经平均池化后得到的深度特征表示为作为深度建模模块的输出，其中d2为表征向量的维度。

4.根据权利要求1所述的基于多模态特征融合与模糊积分...

【专利技术属性】
技术研发人员：丁卫平，陈悦鹏，周天奕，陈红光，丁嘉陆，符凡，尹涛，谢天，王迪，
申请(专利权)人：南通大学，
类型：发明
国别省市：