【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)屬于計(jì)算機(jī)信號(hào)處理領(lǐng)域，具體涉及一種基于多視圖多尺度融合網(wǎng)絡(luò)的心律失常檢測(cè)模型建模方法。
技術(shù)介紹
1、心血管疾病(cvd)是全球死亡的主要原因，據(jù)世界衛(wèi)生組織(who)統(tǒng)計(jì)，全世界每年32％的死亡由心血管疾病造成，其中絕大多數(shù)的急性心血管疾病為突發(fā)事件。心血管疾病已成為目前全球非傳染性疾病的主要死因。因此心血管疾病的預(yù)警十分關(guān)鍵。
2、心律失常作為臨床上常見(jiàn)的心血管疾病的表現(xiàn)之一，而ecg作為監(jiān)測(cè)記錄心律失常的可靠手段，由于其數(shù)據(jù)量大，人工標(biāo)注費(fèi)時(shí)費(fèi)力，且容易出錯(cuò)，隨著近年來(lái)各式便攜式心電監(jiān)測(cè)裝置的普及，需要分析的ecg數(shù)據(jù)量增長(zhǎng)過(guò)快，心臟病專家的分析速度跟不上ecg的數(shù)據(jù)增長(zhǎng)速度。因此能夠?qū)崟r(shí)且高精度的心律失常檢測(cè)方法成為了當(dāng)下的研究熱點(diǎn)。
3、近年來(lái)研究人員們嘗試將機(jī)器學(xué)習(xí)的方法應(yīng)用在心律失常檢測(cè)上，但是由于機(jī)器學(xué)習(xí)的需要人工進(jìn)行特征提取等問(wèn)題，導(dǎo)致機(jī)器學(xué)習(xí)的方法效果不夠好。隨著深度學(xué)習(xí)的發(fā)展，神經(jīng)網(wǎng)絡(luò)在分類任務(wù)中表現(xiàn)出了優(yōu)異的效果。研究人員們開(kāi)始嘗試將神經(jīng)網(wǎng)絡(luò)應(yīng)用在心律失常檢測(cè)任務(wù)中，但他們的方法往往都只從單一的維度進(jìn)行特征提取，這使得很多心律失常的異常特征被忽略，并且他們往往都忽略了輔助信息在診斷中的作用，這導(dǎo)致他們的網(wǎng)絡(luò)的性能被限制。
技術(shù)實(shí)現(xiàn)思路
1、本專利技術(shù)的目的是為克服上現(xiàn)有技術(shù)存在的缺陷，提出了一種基于多視圖多尺度融合網(wǎng)絡(luò)的心律失常檢測(cè)模型建模方法，該方法使用空間注意力模塊、通道注意力模塊和多尺度時(shí)間注意力模塊從三個(gè)維度提取e
2、本專利技術(shù)采用的技術(shù)方案是：
3、本專利技術(shù)基于多視圖多尺度融合網(wǎng)絡(luò)的心律失常檢測(cè)模型建模方法，包括以下步驟：
4、1)對(duì)原始ecg數(shù)據(jù)進(jìn)行預(yù)處理，預(yù)處理過(guò)程依次為截取或補(bǔ)0、獲取輔助信息、去噪和對(duì)去噪后的ecg信號(hào)進(jìn)行數(shù)據(jù)增強(qiáng)，然后劃分訓(xùn)練集、驗(yàn)證集和測(cè)試集；
5、2)構(gòu)建心律失常檢測(cè)模型，具體如下：使用通道注意力模塊、空間注意力模塊和多尺度時(shí)間注意力模塊來(lái)提取每個(gè)預(yù)處理后ecg信號(hào)的多維特征；這些多維特征與預(yù)處理后ecg信號(hào)進(jìn)行殘差連接，形成兩個(gè)混合特征，其中一個(gè)為包含時(shí)間、通道、空間三個(gè)維度的混合特征，另一個(gè)為包含通道、空間的混合特征；兩個(gè)混合特征輸入到并行的兩個(gè)殘差網(wǎng)絡(luò)中，每個(gè)殘差網(wǎng)絡(luò)包含殘差塊、主干網(wǎng)絡(luò)和多層感知機(jī)，殘差塊進(jìn)行深度特征提取后輸入主干網(wǎng)絡(luò)，患者的輔助信息輸入到兩個(gè)殘差網(wǎng)絡(luò)中，并與主干網(wǎng)絡(luò)的輸出進(jìn)行拼接后由多層感知機(jī)進(jìn)行一次融合；然后，兩個(gè)融合了輔助信息的特征進(jìn)行二次融合；最后，二次融合后的特征輸入到另一個(gè)多層感知機(jī)中生成預(yù)測(cè)的分類標(biāo)簽作為心律失常檢測(cè)模型的最終輸出；同時(shí)，兩個(gè)融合了輔助信息的特征也使用多層感知機(jī)生成預(yù)測(cè)的分類標(biāo)簽；
6、3)對(duì)構(gòu)建好的心律失常檢測(cè)模型進(jìn)行訓(xùn)練、驗(yàn)證和測(cè)試。
7、優(yōu)選地，所述截取或補(bǔ)0的過(guò)程為：對(duì)原始ecg數(shù)據(jù)中超過(guò)30s的ecg信號(hào)取前30s，對(duì)不足30s的ecg信號(hào)進(jìn)行補(bǔ)0處理，使其長(zhǎng)度達(dá)到30s。
8、優(yōu)選地，所述的輔助信息包括體重、年齡、性別、高血壓史。
9、優(yōu)選地，所述的去噪過(guò)程為：選取daubechies6小波函數(shù)作為母小波來(lái)過(guò)濾截取或補(bǔ)0后ecg信號(hào)的信號(hào)噪聲，將信號(hào)分解成9級(jí)，刪除其中的d1、d2、d3和a9分量；其中，信號(hào)噪聲包含肌電干擾和工頻噪聲。
10、優(yōu)選地，對(duì)去噪后st段抬高、房性早搏、室性早搏、左束支傳導(dǎo)阻滯四個(gè)類別心律失常ecg信號(hào)進(jìn)行數(shù)據(jù)增強(qiáng)。
11、優(yōu)選地，所述多尺度時(shí)間注意力模塊的構(gòu)建過(guò)程具體如下：
12、b1)使用最大池化層和殘差塊對(duì)預(yù)處理后的ecg信號(hào)進(jìn)行下采樣和特征提取，并保留每個(gè)尺度下提取出的特征；公式表示如下：
13、
14、其中，xi是輸入的預(yù)處理后ecg信號(hào)，pm是最大池化層，r是殘差塊，是在下采樣過(guò)程中第k個(gè)尺度的特征；
15、b2)使用殘差塊和線性插值層對(duì)每個(gè)尺度提取出的特征進(jìn)行上采樣和特征提取，并與下采樣保留的特征進(jìn)行拼接；公式表示如下：
16、
17、其中，是在上采樣過(guò)程中第k個(gè)尺度的特征，b是線性插值層，r是殘差塊，cat是拼接，a是注意力機(jī)制；
18、b3)將步驟b2)中最后一個(gè)殘差塊的輸出也就是多尺度時(shí)間注意力模塊輸出的多尺度時(shí)間注意力權(quán)重與預(yù)處理后ecg信號(hào)相乘得到加權(quán)后的ecg信號(hào)輸出；公式表示如下：
19、
20、其中是加權(quán)后的ecg信號(hào)輸出，是點(diǎn)乘。
21、優(yōu)選地，提取多維特征并與預(yù)處理后ecg信號(hào)進(jìn)行殘差連接的過(guò)程具體如下：
22、將預(yù)處理后ecg信號(hào)分別輸入到通道注意力模塊、空間注意力模塊和多尺度時(shí)間注意力模塊中，獲得注意力權(quán)重加權(quán)的三個(gè)ecg特征，分別為通道特征空間特征時(shí)間特征將加權(quán)后的三個(gè)ecg特征以以下公式進(jìn)行殘差連接：
23、
24、其中xi是預(yù)處理后ecg信號(hào)，res是殘差連接，xu是上支路殘差網(wǎng)絡(luò)的輸入，xl是下支路殘差網(wǎng)絡(luò)的輸入；其中，下支路殘差網(wǎng)絡(luò)是與多尺度時(shí)間注意力模塊連接的殘差網(wǎng)絡(luò)。
25、優(yōu)選地，心律失常檢測(cè)模型訓(xùn)練和驗(yàn)證過(guò)程中，在計(jì)算損失時(shí)采用聯(lián)合損失和焦點(diǎn)損失函數(shù)；在測(cè)試時(shí)根據(jù)心律失常檢測(cè)模型對(duì)測(cè)試集中各ecg信號(hào)預(yù)測(cè)的分類標(biāo)簽，結(jié)合測(cè)試集中各ecg信號(hào)記錄的真實(shí)分類標(biāo)簽，計(jì)算評(píng)價(jià)指標(biāo)，對(duì)心律失常檢測(cè)模型進(jìn)行評(píng)價(jià)，若評(píng)價(jià)指標(biāo)滿足要求，得到心律失常檢測(cè)模型的最優(yōu)參數(shù)，否則調(diào)整心律失常檢測(cè)模型的參數(shù)，重新對(duì)心律失常檢測(cè)模型進(jìn)行訓(xùn)練、驗(yàn)證和測(cè)試。
26、更優(yōu)選地，聯(lián)合損失和焦點(diǎn)損失函數(shù)的構(gòu)建過(guò)程具體如下：
27、c1)利用交叉熵?fù)p失函數(shù)計(jì)算二次融合后的特征輸入到多層感知機(jī)中生成預(yù)測(cè)的分類標(biāo)簽的損失和融合了輔助信息的特征使用多層感知機(jī)生成預(yù)測(cè)的分類標(biāo)簽的損失；所述交叉熵?fù)p失函數(shù)的公式表示如下：
28、
29、其中yi是訓(xùn)練集或驗(yàn)證集中第i個(gè)ecg信號(hào)記錄的真實(shí)分類標(biāo)簽，pi是預(yù)測(cè)的第i個(gè)分類標(biāo)簽，n為訓(xùn)練集或驗(yàn)證集中ecg信號(hào)的數(shù)量；
30、c2)計(jì)算各類別心律失常的ecg信號(hào)的焦點(diǎn)損失權(quán)重，然后將兩個(gè)融合了輔助信息的特征使用多層感知機(jī)生成預(yù)測(cè)的分類標(biāo)簽的損失和二次融合后的特征輸入到多層感知機(jī)中生成預(yù)測(cè)的分類標(biāo)簽的損失分別與焦點(diǎn)損失權(quán)重相乘，得到三個(gè)焦點(diǎn)損失，最后將三個(gè)焦點(diǎn)損失加在一起得到聯(lián)合損失；公式表示如下：
31、
32、其中b是原始ecg數(shù)據(jù)中ecg信號(hào)的數(shù)量，ni是原始ecg數(shù)據(jù)中第i類心律失常的ecg信號(hào)數(shù)量，wi是第i類本文檔來(lái)自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
1.基于多視圖多尺度融合網(wǎng)絡(luò)的心律失常檢測(cè)模型建模方法，其特性在于：包括以下步驟：
2.根據(jù)權(quán)利要求1所述基于多視圖多尺度融合網(wǎng)絡(luò)的心律失常檢測(cè)模型建模方法，其特性在于：所述截取或補(bǔ)0的過(guò)程為：對(duì)原始ECG數(shù)據(jù)中超過(guò)30s的ECG信號(hào)取前30s，對(duì)不足30s的ECG信號(hào)進(jìn)行補(bǔ)0處理，使其長(zhǎng)度達(dá)到30s。
3.根據(jù)權(quán)利要求1所述基于多視圖多尺度融合網(wǎng)絡(luò)的心律失常檢測(cè)模型建模方法，其特性在于：所述的輔助信息包括體重、年齡、性別、高血壓史。
4.根據(jù)權(quán)利要求1所述基于多視圖多尺度融合網(wǎng)絡(luò)的心律失常檢測(cè)模型建模方法，其特性在于：所述的去噪過(guò)程為：選取Daubechies6小波函數(shù)作為母小波來(lái)過(guò)濾截取或補(bǔ)0后ECG信號(hào)的信號(hào)噪聲，將信號(hào)分解成9級(jí)，刪除其中的D1、D2、D3和A9分量；其中，信號(hào)噪聲包含肌電干擾和工頻噪聲。
5.根據(jù)權(quán)利要求1所述基于多視圖多尺度融合網(wǎng)絡(luò)的心律失常檢測(cè)模型建模方法，其特性在于：對(duì)去噪后ST段抬高、房性早搏、室性早搏、左束支傳導(dǎo)阻滯四個(gè)類別心律失常ECG信號(hào)進(jìn)行數(shù)據(jù)增強(qiáng)。
6.根據(jù)權(quán)利要求1所述基于多
7.根據(jù)權(quán)利要求1所述基于多視圖多尺度融合網(wǎng)絡(luò)的心律失常檢測(cè)模型建模方法，其特性在于：提取多維特征并與預(yù)處理后ECG信號(hào)進(jìn)行殘差連接的過(guò)程具體如下：
8.根據(jù)權(quán)利要求1所述基于多視圖多尺度融合網(wǎng)絡(luò)的心律失常檢測(cè)模型建模方法，其特性在于：心律失常檢測(cè)模型訓(xùn)練和驗(yàn)證過(guò)程中，在計(jì)算損失時(shí)采用聯(lián)合損失和焦點(diǎn)損失函數(shù)；在測(cè)試時(shí)根據(jù)心律失常檢測(cè)模型對(duì)測(cè)試集中各ECG信號(hào)預(yù)測(cè)的分類標(biāo)簽，結(jié)合測(cè)試集中各ECG信號(hào)記錄的真實(shí)分類標(biāo)簽，計(jì)算評(píng)價(jià)指標(biāo)，對(duì)心律失常檢測(cè)模型進(jìn)行評(píng)價(jià)，若評(píng)價(jià)指標(biāo)滿足要求，得到心律失常檢測(cè)模型的最優(yōu)參數(shù)，否則調(diào)整心律失常檢測(cè)模型的參數(shù)，重新對(duì)心律失常檢測(cè)模型進(jìn)行訓(xùn)練、驗(yàn)證和測(cè)試。
9.根據(jù)權(quán)利要求8所述基于多視圖多尺度融合網(wǎng)絡(luò)的心律失常檢測(cè)模型建模方法，其特性在于：聯(lián)合損失和焦點(diǎn)損失函數(shù)的構(gòu)建過(guò)程具體如下：
10.根據(jù)權(quán)利要求1所述基于多視圖多尺度融合網(wǎng)絡(luò)的心律失常檢測(cè)模型建模方法，其特性在于：將所有除測(cè)試集外的心律失常ECG信號(hào)分為十堆，所有正常ECG信號(hào)也分為十堆，每次訓(xùn)練過(guò)程選取不同的九堆心律失常ECG信號(hào)和九堆正常ECG信號(hào)作為訓(xùn)練集，對(duì)應(yīng)的驗(yàn)證過(guò)程則選取剩余的一堆心律失常ECG信號(hào)和一堆正常ECG信號(hào)作為驗(yàn)證集，訓(xùn)練和驗(yàn)證結(jié)束后用測(cè)試集進(jìn)行測(cè)試，將各測(cè)試結(jié)果的平均評(píng)價(jià)指標(biāo)作為一次過(guò)程的評(píng)價(jià)指標(biāo)；訓(xùn)練、驗(yàn)證和測(cè)試過(guò)程重復(fù)10次，對(duì)十次過(guò)程的評(píng)價(jià)指標(biāo)再進(jìn)行求平均值，將這個(gè)平均值作為該心律失常檢測(cè)模型的最終評(píng)價(jià)指標(biāo)。
...【技術(shù)特征摘要】
1.基于多視圖多尺度融合網(wǎng)絡(luò)的心律失常檢測(cè)模型建模方法，其特性在于：包括以下步驟：
2.根據(jù)權(quán)利要求1所述基于多視圖多尺度融合網(wǎng)絡(luò)的心律失常檢測(cè)模型建模方法，其特性在于：所述截取或補(bǔ)0的過(guò)程為：對(duì)原始ecg數(shù)據(jù)中超過(guò)30s的ecg信號(hào)取前30s，對(duì)不足30s的ecg信號(hào)進(jìn)行補(bǔ)0處理，使其長(zhǎng)度達(dá)到30s。
3.根據(jù)權(quán)利要求1所述基于多視圖多尺度融合網(wǎng)絡(luò)的心律失常檢測(cè)模型建模方法，其特性在于：所述的輔助信息包括體重、年齡、性別、高血壓史。
4.根據(jù)權(quán)利要求1所述基于多視圖多尺度融合網(wǎng)絡(luò)的心律失常檢測(cè)模型建模方法，其特性在于：所述的去噪過(guò)程為：選取daubechies6小波函數(shù)作為母小波來(lái)過(guò)濾截取或補(bǔ)0后ecg信號(hào)的信號(hào)噪聲，將信號(hào)分解成9級(jí)，刪除其中的d1、d2、d3和a9分量；其中，信號(hào)噪聲包含肌電干擾和工頻噪聲。
5.根據(jù)權(quán)利要求1所述基于多視圖多尺度融合網(wǎng)絡(luò)的心律失常檢測(cè)模型建模方法，其特性在于：對(duì)去噪后st段抬高、房性早搏、室性早搏、左束支傳導(dǎo)阻滯四個(gè)類別心律失常ecg信號(hào)進(jìn)行數(shù)據(jù)增強(qiáng)。
6.根據(jù)權(quán)利要求1所述基于多視圖多尺度融合網(wǎng)絡(luò)的心律失常檢測(cè)模型建模方法，其特性在于：所述多尺度時(shí)間注意力模塊的構(gòu)建過(guò)程具體如下：
7.根據(jù)權(quán)利要求1所述基于多視圖多尺度融合網(wǎng)絡(luò)的心律失常檢測(cè)模型建模方法，其特性在于：...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：蔣明峰，朱業(yè)龍，何曉玉，李楊，
申請(qǐng)(專利權(quán))人：浙江理工大學(xué)，
類型：發(fā)明
國(guó)別省市：
還沒(méi)有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。