【技術實現步驟摘要】
本專利技術屬于心電信號分類，具體涉及一種基于多分支殘差注意力網絡的多標簽心律失常識別方法。
技術介紹
1、心血管疾病(cvd)是一系列心臟或血管異常的總稱，是全球主要的死亡原因。心律失常是由于心臟的電信號傳導異常，導致心跳節律的不正常變化，包括過快、過慢或不規則的跳動。它可能引發暈厥、胸痛或中風，嚴重時可導致心力衰竭或猝死。心電圖是監測心電活動，捕捉和診斷心律失常的一種非常重要的手段。然而心電信號復雜多變，針對各種心律失常的識別尤為困難。面對眾多患者，即便是心電圖專家，分析心電圖信號也顯得既費時又費力。因此，需要計算機輔助方法來減輕讀圖醫生的負擔，降低因疲勞和醫生個體差異導致的誤判風險。
2、目前研究者針對心律失常檢測的問題提出了多種方法，主要包括機器學習和深度學習兩種，機器學習方法需要在基于大量專家知識的基礎上進行人工特征工程，不同疾病特征的手工特征可能略有不同，模型的泛化能力受到限制的。深度學習方法可以自動提取心電信號的特征，大部分深度學習方法，如傳統的卷積神經網絡(cnn)和長短期記憶網絡(lstm)，也能夠適用于序列數據的處理。然而，這些模型在處理心電信號時存在局限性：cnn模型依賴固定結構的卷積層，缺乏對多尺度特征的提取能力；lstm盡管在時序預測任務中表現良好，但由于其順序依賴特性，無法實現并行計算，從而限制了訓練效率。
3、近年來，transformer模型因其在提取上下文信息方面的優勢受到關注。然而，將復雜的心電信號進行有效的向量化處理仍然面臨挑戰。此外，由于transformer模型對計
技術實現思路
1、為了克服已有技術的不足，本專利技術提供一種基于多分支殘差注意力網絡的多標簽心律失常識別方法，該方法能夠自動提取不同尺度的心電信號特征，對多種類別的心律失常信號進行自動識別，有助于輔助醫生更高效的分析心電圖信號。
2、本專利技術解決其技術問題所采用的技術方案是：
3、一種基于多分支殘差注意力網絡的多標簽心律失常識別方法，所述方法包括以下步驟：
4、步驟1、心電信號和標簽的預處理：將帶標簽的數據集中的心電信號分割成固定時長的數據段，不同采樣率的信號需要重采樣為相同的采樣率，然后對標簽進行二值化處理；
5、步驟2、數據的準備和劃分：對數據按照類別打亂，按照比例構建用于神經網絡訓練的訓練、驗證和測試數據集；
6、步驟3、構建多分支殘差注意力網絡：將所述訓練數據集輸入到多分支殘差注意力網絡中，引入多分支特征提取模塊提取不同尺度下的心電信號特征，并進行融合，接著使用殘差注意力模塊進一步提取融合后的特征，并進行分類，構建出分類網絡模型；
7、步驟4、模型的訓練：通過利用構建的訓練和驗證心律失常數據集對多分支殘差注意力網絡模型進行訓練和驗證，得到驗證集最優的心律失常分類模型；
8、步驟5、模型的應用：在推斷階段，將心電信號測試集輸入至訓練好的模型，模型會輸出每個類別的概率值；根據預設的閾值，篩選出大于閾值的類別，最終確定預測標簽；并通過與正確標簽進行對比，得出模型分類的精確度；至此完成本專利技術所述的心律失常識別方法。
9、進一步，所述步驟1中，心電信號和標簽的預處理過程如下：
10、步驟1.1、該方法的適用性不受數據集的具體限制，適用于各種采樣率、類別數量及數據量的心電數據集；
11、步驟1.2、數據的分割長度同樣不受限制，這里設置信號長度為l。然后對信號進行重采樣到指定采樣率；
12、步驟1.3、每段信號包含醫生標注的標簽，對標簽進行多標簽二值化處理，二值化處理過程如下：每個數據標簽生成一個對應的初始零矩陣bi，對于信號xi，如果它被標記為類別yj，將對應類別索引位置的標簽值設為1；
13、bi＝[bi1,bi2,bi3,...,bic]
14、
15、其中c表述類別的總數目，y＝{y1,y2,...,yc}表示可能的c個標簽，bi表示第i條數據二值化的標簽，bij表示對于第i條數據，如果其真實標簽為類別yj，則對應位置取值為1，否則為0。
16、再進一步，所述步驟2中，數據的準備和劃分過程為：設置固定的隨機種子來保證結果的可復現性，對每個類別的數據單獨打亂，確保每個類別內部的數據順序隨機，按照比例選取訓練集、驗證集、測試集，接著對各個類別的訓練集、驗證集、測試接進行合并，然后對合并的數據集進行去重處理，從訓練集中刪除重復的數據，驗證集和測試集保持不變，得到最終的訓練集、驗證集和測試集。
17、更進一步，所述步驟3中，構建多分支殘差注意力網絡的過程如下：
18、步驟3.1、多分支網絡提取不同尺度下的心電信號特征，并進行融合；多分支特征模塊包括三個分支，每個分支包括一維卷積層、批歸一化層、relu激活層、一維卷積層、批歸一化、relu激活層，每個分支使用的一維卷積核大小分別為5、9、13；最后使用連接層在通道維度上對特征進行拼接融合，該過程的表達式為，
19、
20、fconcat是合并后的特征，其中n是特征的時間步長或樣本長度。c1，c2，c3分別為三個分支的通道數，等于第二層卷積層濾波器個數64，在通道維度上直接將三個特征矩陣連接起來；結果的通道數為c1+c2+c3，融合后的特征進一步輸入到殘差注意力特征提取模塊；
21、步驟3.2、殘差注意力模塊由四個堆疊的不同數量se_basic模塊構成，以實現逐層特征提取與通道注意力機制的融合。每一堆疊中包含的se_basic模塊數量依次為3、4、6和3，分別對應于64、128、256和512個通道的輸出。se_basic模塊結合了卷積操作、批歸一化、se(squeeze-and-excitation)模塊與殘差連接機制，以提升網絡的特征提取能力和通道間的自適應性；整個過程首先是輸入fse_basic_in經過第一層卷積、批歸一化和relu激活后，進入se模塊進行通道注意力的權重調整，得到特征fse1；隨后，經過se模塊優化的輸出再次經過卷積和批歸一化處理，并通過se模塊進一步增強特征表達，得到fse2；接著，通過殘差連接機制將初始輸入與第二次se模塊后的特征相加，形成殘差路徑，并最終使用relu激活函數處理殘差輸出，生成該模塊的最終結果fse_basic_out；
22、fse1＝se(bn(relu(conv1d(fse_basic_in))))
23、fse2＝se(bn(conv1d(fse1)))
24、fse_basic_out＝relu(fse2+fse_basic_in)
25、fse_basic_in是輸入的特征，fse1，fse2表示se模塊計算的特征，conv1d(·)表示一維本文檔來自技高網...
【技術保護點】
1.一種基于多分支殘差注意力網絡的多標簽心律失常識別方法，其特征在于，所述方法包括以下步驟：
2.如權利要求1所述的基于多分支殘差注意力網絡的多標簽心律失常識別方法，其特征在于，所述步驟1中，心電信號和標簽的預處理過程如下：
3.如權利要求1或2所述的基于多分支殘差注意力網絡的多標簽心律失常識別方法，其特征在于，所述步驟2中，數據的準備和劃分過程為：設置固定的隨機種子來保證結果的可復現性，對每個類別的數據單獨打亂，確保每個類別內部的數據順序隨機，按照比例選取訓練集、驗證集、測試集，接著對各個類別的訓練集、驗證集、測試接進行合并，然后對合并的數據集進行去重處理，從訓練集中刪除重復的數據，驗證集和測試集保持不變，得到最終的訓練集、驗證集和測試集。
4.如權利要求1或2所述的基于多分支殘差注意力網絡的多標簽心律失常識別方法，其特征在于，述步驟3中，構建多分支殘差注意力網絡的過程如下：
5.如權利要求4所述的基于多分支殘差注意力網絡的多標簽心律失常識別方法，其特征在于，所述步驟4，模型的訓練過程如下：
6.如權利要求1或2所述的
...【技術特征摘要】
1.一種基于多分支殘差注意力網絡的多標簽心律失常識別方法，其特征在于，所述方法包括以下步驟：
2.如權利要求1所述的基于多分支殘差注意力網絡的多標簽心律失常識別方法，其特征在于，所述步驟1中，心電信號和標簽的預處理過程如下：
3.如權利要求1或2所述的基于多分支殘差注意力網絡的多標簽心律失常識別方法，其特征在于，所述步驟2中，數據的準備和劃分過程為：設置固定的隨機種子來保證結果的可復現性，對每個類別的數據單獨打亂，確保每個類別內部的數據順序隨機，按照比例選取訓練集、驗證集、測試集，接著對各個類別的訓練集、驗證集、測試接進行合并，然后對合并的數據集進行去重處理，從訓練集中刪除重復的數...
【專利技術屬性】
技術研發人員：王震，謝寒霜，劉亞敏，鄭夢娜，李宗俊，
申請(專利權)人：杭州質子科技有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。