【技術(shù)實(shí)現(xiàn)步驟摘要】
本申請(qǐng)涉及但不限于心電信號(hào)檢測(cè)，尤其涉及一種基于多分支加權(quán)注意力的心電信號(hào)分類方法、設(shè)備、介質(zhì)。
技術(shù)介紹
1、心電圖是一種可靠的非侵入性診斷工具，廣泛用于篩查和評(píng)估心臟異常，通過(guò)表征每次心跳時(shí)心肌去極化和復(fù)極化的電生理模式，其中，12導(dǎo)聯(lián)心電圖是最常用的心電圖類型，具有廣泛的臨床應(yīng)用，能夠?yàn)樾呐K專家提供有關(guān)患者心血管狀況的重要信息。獲取到心電圖后，需要心臟專家或醫(yī)生進(jìn)行手動(dòng)人工分析心電信號(hào)，進(jìn)行疾病篩查須具備豐富的臨床經(jīng)驗(yàn)和大量的時(shí)間，效率低下，基于此，現(xiàn)有提供了利用深度學(xué)習(xí)或機(jī)器學(xué)習(xí)實(shí)現(xiàn)對(duì)心電圖信號(hào)進(jìn)行處理，得到心血管狀況信息，為醫(yī)生進(jìn)行心臟疾病診斷提供有效的輔助信息。但是，現(xiàn)有大部分研究是基于單心拍進(jìn)行的訓(xùn)練，這與臨床檢查所需要的多心拍心電數(shù)據(jù)不符，對(duì)于一些少數(shù)類心臟疾病的分類準(zhǔn)確率不高；并且，現(xiàn)有對(duì)于多導(dǎo)聯(lián)心電數(shù)據(jù)的特征提取方式是使用深度卷積網(wǎng)絡(luò)進(jìn)行提取，特征提取不夠充分，忽略了重復(fù)特征的出現(xiàn)，從而導(dǎo)致得到的心血管狀況信息準(zhǔn)確性欠佳。
技術(shù)實(shí)現(xiàn)思路
1、本申請(qǐng)實(shí)施例提供了一種基于多分支加權(quán)注意力的心電信號(hào)分類方法、設(shè)備、介質(zhì)，能夠提升心電信號(hào)分析結(jié)果的準(zhǔn)確性。
2、第一方面，本申請(qǐng)實(shí)施例提供了一種基于多分支加權(quán)注意力的心電信號(hào)分類方法，包括：
3、獲取多組心電數(shù)據(jù)，每組所述心電數(shù)據(jù)包括多個(gè)第一多導(dǎo)聯(lián)心電信號(hào)，同一組所述心電數(shù)據(jù)中的各個(gè)所述第一多導(dǎo)聯(lián)心電信號(hào)對(duì)應(yīng)的分類標(biāo)簽相同，歸屬于不同組所述心電數(shù)據(jù)的所述第一多導(dǎo)聯(lián)心電信號(hào)對(duì)應(yīng)的所述分類標(biāo)簽互不相同；
4、基于預(yù)設(shè)去噪算法對(duì)全部的所述第一多導(dǎo)聯(lián)心電信號(hào)進(jìn)行去噪處理，得到第二多導(dǎo)聯(lián)心電信號(hào)；
5、劃分全部的所述第二多導(dǎo)聯(lián)心電信號(hào)，得到訓(xùn)練集和測(cè)試集；
6、利用所述訓(xùn)練集對(duì)預(yù)設(shè)的多分支加權(quán)注意力網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到訓(xùn)練好的心電信號(hào)分類模型，其中，所述心電信號(hào)分類模型包括多分支自動(dòng)加權(quán)拼接模塊、三重注意力特征融合模塊和多個(gè)卷積網(wǎng)絡(luò)，所述卷積網(wǎng)絡(luò)的數(shù)量與所述測(cè)試集中的所述第二多導(dǎo)聯(lián)心電信號(hào)的導(dǎo)聯(lián)數(shù)量相等；
7、將所述測(cè)試集輸入至所述心電信號(hào)分類模型，得到對(duì)應(yīng)的目標(biāo)心電信號(hào)分類結(jié)果。
8、在一些實(shí)施例中，基于預(yù)設(shè)去噪算法對(duì)全部的所述第一多導(dǎo)聯(lián)心電信號(hào)進(jìn)行去噪處理，得到第二多導(dǎo)聯(lián)心電信號(hào)，包括：
9、對(duì)所述第一多導(dǎo)聯(lián)心電信號(hào)進(jìn)行多級(jí)分解，得到多個(gè)信號(hào)分量；
10、計(jì)算各個(gè)所述信號(hào)分量對(duì)應(yīng)的細(xì)節(jié)系數(shù)和近似系數(shù)，并基于所述細(xì)節(jié)系數(shù)和所述近似系數(shù)得到對(duì)應(yīng)的小波分量和細(xì)節(jié)分量，其中，所述小波分量用于指示所述第一多導(dǎo)聯(lián)心電信號(hào)的高頻分量，所述細(xì)節(jié)分量用于指示所述第一多導(dǎo)聯(lián)心電信號(hào)的低頻分量；
11、對(duì)所述小波分量和所述細(xì)節(jié)分量進(jìn)行逆小波變換和重組，得到所述第二多導(dǎo)聯(lián)心電信號(hào)。
12、在一些實(shí)施例中，各個(gè)所述第二多導(dǎo)聯(lián)心電信號(hào)還對(duì)應(yīng)有用戶標(biāo)簽，劃分全部的所述第二多導(dǎo)聯(lián)心電信號(hào)，得到訓(xùn)練集和測(cè)試集，包括：
13、對(duì)全部的所述第二多導(dǎo)聯(lián)心電信號(hào)進(jìn)行隨機(jī)打亂，得到打亂后的第二多導(dǎo)聯(lián)心電信號(hào)；
14、按照預(yù)設(shè)比例將打亂后的第二多導(dǎo)聯(lián)心電信號(hào)劃分得到所述訓(xùn)練集和所述測(cè)試集，其中，所述測(cè)試集中的所述第二多導(dǎo)聯(lián)心電信號(hào)對(duì)應(yīng)的所述用戶標(biāo)簽與所述訓(xùn)練集中的所述第二多導(dǎo)聯(lián)心電信號(hào)的所述用戶標(biāo)簽互不相同。
15、在一些實(shí)施例中，所述心電信號(hào)分類模型包括還包括丟棄層、降維層和全連接層，各個(gè)所述卷積網(wǎng)絡(luò)包括預(yù)設(shè)數(shù)量的一維深度神經(jīng)網(wǎng)絡(luò)卷積塊，將所述測(cè)試集輸入至所述心電信號(hào)分類模型，得到對(duì)應(yīng)的目標(biāo)心電信號(hào)分類結(jié)果，包括：
16、將所述測(cè)試集的所述第二多導(dǎo)聯(lián)心電信號(hào)中的各個(gè)導(dǎo)聯(lián)信號(hào)分別輸入至各個(gè)所述卷積網(wǎng)絡(luò)進(jìn)行特征提取，得到多個(gè)第一中間特征；
17、將全部的所述第一中間特征輸入至所述多分支自動(dòng)加權(quán)拼接模塊進(jìn)行拼接處理，得到第二中間特征；
18、將所述第二中間特征輸入至所述三重注意力特征融合模塊，得到第三中間特征；
19、將所述第二中間特征輸入至依次連接的所述丟棄層、所述降維層和所述全連接層，得到所述目標(biāo)心電信號(hào)分類結(jié)果。
20、在一些實(shí)施例中，將全部的所述第一中間特征輸入至所述多分支自動(dòng)加權(quán)拼接模塊進(jìn)行拼接處理，得到第二中間特征，包括：
21、分別將各個(gè)所述第一中間特征經(jīng)過(guò)空洞卷積分支得到各自對(duì)應(yīng)的第一子特征；
22、將各個(gè)所述第一中間特征進(jìn)行疊加處理，并將疊加處理結(jié)果經(jīng)過(guò)全局池化得到第九中間特征；
23、將所述第九中間特征依次進(jìn)行全連接層降維、批一化處理、激活層激活、全連接層升維得到第十中間特征；
24、將所述第十中間特征輸入到softmax層得到多個(gè)分塊加權(quán)信息，其中，所述分塊加權(quán)信息的數(shù)量與所述第一中間特征的數(shù)量相同；
25、將各個(gè)所述分塊加權(quán)信息與對(duì)應(yīng)的所述第一子特征相乘得到對(duì)應(yīng)的各個(gè)第十一中間特征；
26、將全部的所述第十一中間特征經(jīng)過(guò)卷積層，完成加權(quán)特征分支拼接，得到所述第二中間特征。
27、在一些實(shí)施例中，所述三重注意力特征融合模塊包括自注意模塊、空間注意模塊和通道注意模塊，將所述第二中間特征輸入至所述三重注意力特征融合模塊，得到第三中間特征，包括：
28、將所述第二中間特征分別并行輸入至所述空間注意模塊和所述自注意模塊，得到局部特征和全局特征，其中，所述局部特征為所述空間注意模塊的輸出，所述全局特征為所述自注意模塊的輸出；
29、將所述局部特征和所述全局特征進(jìn)行相加得到的第七中間特征輸入至所述通道注意模塊進(jìn)行特征融合，得到所述第三中間特征。
30、在一些實(shí)施例中，所述空間注意模塊包括最大池化層、平均池化層、激活函數(shù)層、卷積層和sigmiod層，所述自注意模塊包括第一分支、第二分支、第三分支、激活歸一化層、第二卷積層和第二激活層，所述第一分支、所述第二分支和所述第三分支均包括第三卷積層，將所述第二中間特征分別并行輸入至所述空間注意模塊和所述自注意模塊，得到局部特征和全局特征，包括：
31、將所述第二中間特征分別輸入至所述空間注意模塊的所述最大池化層和所述平均池化層，并將所述最大池化層的輸出結(jié)果與所述平均池化層的輸出結(jié)果進(jìn)行拼接，得到拼接特征；
32、將所述拼接特征經(jīng)過(guò)激活函數(shù)層、卷積層和sigmiod層，得到第二子特征；
33、將所述拼接特征和所述第二子特征進(jìn)行點(diǎn)乘得到所述局部特征；
34、將所述第二中間特征分別輸入所述第一分支、所述第二分支和所述第三分支對(duì)應(yīng)的所述第三卷積層，得到第四中間特征、第五中間特征和第六中間特征；
35、將所述第四中間特征和所述第五中間特征進(jìn)行交叉乘積，得到第一乘積結(jié)果，并將所述第一乘積結(jié)果輸入至所述激活歸一化層，得到第七中間特征；
36、將所述第七中間特征與所述第六中間特征相乘，得到第二乘積結(jié)果；
37、將所述第二乘積結(jié)果輸入至依次連接的所述第本文檔來(lái)自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
1.一種基于多分支加權(quán)注意力的心電信號(hào)分類方法，其特征在于，包括：
2.根據(jù)權(quán)利要求1所述的基于多分支加權(quán)注意力的心電信號(hào)分類方法，其特征在于，基于預(yù)設(shè)去噪算法對(duì)全部的所述第一多導(dǎo)聯(lián)心電信號(hào)進(jìn)行去噪處理，得到第二多導(dǎo)聯(lián)心電信號(hào)，包括：
3.根據(jù)權(quán)利要求1所述的基于多分支加權(quán)注意力的心電信號(hào)分類方法，其特征在于，各個(gè)所述第二多導(dǎo)聯(lián)心電信號(hào)還對(duì)應(yīng)有用戶標(biāo)簽，劃分全部的所述第二多導(dǎo)聯(lián)心電信號(hào)，得到訓(xùn)練集和測(cè)試集，包括：
4.根據(jù)權(quán)利要求1所述的基于多分支加權(quán)注意力的心電信號(hào)分類方法，其特征在于，所述心電信號(hào)分類模型還包括丟棄層、降維層和全連接層，各個(gè)所述卷積網(wǎng)絡(luò)包括預(yù)設(shè)數(shù)量的一維深度神經(jīng)網(wǎng)絡(luò)卷積塊，將所述測(cè)試集輸入至所述心電信號(hào)分類模型，得到對(duì)應(yīng)的目標(biāo)心電信號(hào)分類結(jié)果，包括：
5.根據(jù)權(quán)利要求4所述的基于多分支加權(quán)注意力的心電信號(hào)分類方法，其特征在于，將全部的所述第一中間特征輸入至所述多分支自動(dòng)加權(quán)拼接模塊進(jìn)行拼接處理，得到第二中間特征，包括：
6.根據(jù)權(quán)利要求4所述的基于多分支加權(quán)注意力的心電信號(hào)分類方法，其特征在于，所述三
7.根據(jù)權(quán)利要求6所述的基于多分支加權(quán)注意力的心電信號(hào)分類方法，其特征在于，所述空間注意模塊包括最大池化層、平均池化層、激活函數(shù)層、卷積層和sigmiod層，所述自注意模塊包括第一分支、第二分支、第三分支、激活歸一化層、第二卷積層和第二激活層，所述第一分支、所述第二分支和所述第三分支均包括第三卷積層，將所述第二中間特征分別并行輸入至所述空間注意模塊和所述自注意模塊，得到局部特征和全局特征，包括：
8.根據(jù)權(quán)利要求6所述的基于多分支加權(quán)注意力的心電信號(hào)分類方法，其特征在于，所述通道注意模塊包括全局最大池化層、第一一維卷積層、激活層、第二一維卷積層和sigmiod層，將所述局部特征和所述全局特征進(jìn)行相加得到的第七中間特征輸入至所述通道注意模塊進(jìn)行特征融合，得到所述第三中間特征，包括：
9.一種電子設(shè)備，其特征在于，包括至少一個(gè)控制處理器和用于與所述至少一個(gè)控制處理器通信連接的存儲(chǔ)器；所述存儲(chǔ)器存儲(chǔ)有可被所述至少一個(gè)控制處理器執(zhí)行的指令，所述指令被所述至少一個(gè)控制處理器執(zhí)行，以使所述至少一個(gè)控制處理器能夠執(zhí)行如權(quán)利要求1至8任一項(xiàng)所述的基于多分支加權(quán)注意力的心電信號(hào)分類方法。
10.一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其特征在于，所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)存儲(chǔ)有計(jì)算機(jī)可執(zhí)行指令，所述計(jì)算機(jī)可執(zhí)行指令用于使計(jì)算機(jī)執(zhí)行如權(quán)利要求1至8中任意一項(xiàng)所述的基于多分支加權(quán)注意力的心電信號(hào)分類方法。
...【技術(shù)特征摘要】
1.一種基于多分支加權(quán)注意力的心電信號(hào)分類方法，其特征在于，包括：
2.根據(jù)權(quán)利要求1所述的基于多分支加權(quán)注意力的心電信號(hào)分類方法，其特征在于，基于預(yù)設(shè)去噪算法對(duì)全部的所述第一多導(dǎo)聯(lián)心電信號(hào)進(jìn)行去噪處理，得到第二多導(dǎo)聯(lián)心電信號(hào)，包括：
3.根據(jù)權(quán)利要求1所述的基于多分支加權(quán)注意力的心電信號(hào)分類方法，其特征在于，各個(gè)所述第二多導(dǎo)聯(lián)心電信號(hào)還對(duì)應(yīng)有用戶標(biāo)簽，劃分全部的所述第二多導(dǎo)聯(lián)心電信號(hào)，得到訓(xùn)練集和測(cè)試集，包括：
4.根據(jù)權(quán)利要求1所述的基于多分支加權(quán)注意力的心電信號(hào)分類方法，其特征在于，所述心電信號(hào)分類模型還包括丟棄層、降維層和全連接層，各個(gè)所述卷積網(wǎng)絡(luò)包括預(yù)設(shè)數(shù)量的一維深度神經(jīng)網(wǎng)絡(luò)卷積塊，將所述測(cè)試集輸入至所述心電信號(hào)分類模型，得到對(duì)應(yīng)的目標(biāo)心電信號(hào)分類結(jié)果，包括：
5.根據(jù)權(quán)利要求4所述的基于多分支加權(quán)注意力的心電信號(hào)分類方法，其特征在于，將全部的所述第一中間特征輸入至所述多分支自動(dòng)加權(quán)拼接模塊進(jìn)行拼接處理，得到第二中間特征，包括：
6.根據(jù)權(quán)利要求4所述的基于多分支加權(quán)注意力的心電信號(hào)分類方法，其特征在于，所述三重注意力特征融合模塊包括自注意模塊、空間注意模塊和通道注意模塊，將所述第二中間特征輸入至所述三重注意力特征融合模塊，得到第三中間特征，包括：
7.根據(jù)權(quán)利要求6所述的基于多分支加...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：司玉娟，王敬博，呂媛媛，張宇，韋沅伯，馮建超，
申請(qǐng)(專利權(quán))人：珠海科技學(xué)院，
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。