[发明专利]一种基于导联注意力机制的多类心律失常检测方法

说明书

本发明公开了一种基于导联注意力机制的多类心律失常检测方法，其步骤包括：1、对原始ECG信号进行下采样和补齐到固定长度的预处理；2、设计分类模型，集成了四种网络结构，包括导联注意力机制、卷积神经网络、双向门控循环单元和时间注意力机制；3、在公开数据集上采用四折交叉验证训练上述模型；4、利用训练好的模型实现心律失常分类任务。本发明能实现高准确率心律失常自动检测，从而为医生的诊断提供辅助。

技术领域

本发明涉及医学信号处理领域，尤其涉及从心电图信号中检测心律失常的方法。

背景技术

心脏心律失常是一种心脏电活动不规则的情况。许多类型的心律失常是损害健康甚至危及生命的，如室性心动过速、心室颤动是致死性心律失常。心电图(electrocardiogram,ECG)通过放置在皮肤上的电极记录了一段时间内心脏的电活动，在临床上被广泛用于心律失常检测。心电图通过不同的导联从不同的角度捕捉心脏的电势，通过波形或节律的变化反应心脏心律情况。医生可以通过心电图了解病人患各种心脏病的风险。一个24小时的心电监测仪记录到的心拍多达几十万，分析这些心拍对医生来说是一项耗时的工作，可能会出现误判或漏判。因此，构建一个准确的自动心律失常检测方法辅助医生工作对临床心律失常诊断具有重要帮助。

在过去的几十年里，提出了大量的心律失常检测方法。这些方法主要由四个步骤组成，包括降噪、特征提取和选择、特征变换和心律失常分类。在这些步骤中，特征提取将输入的心电信号转化为多种特征，这些特征在心律失常的检测中起着重要作用，主要有P-QRS-T波特征、统计特征、形态特征、小波特征。特征变换将原始的高维心电信号转化为一个更低维的子空间，实现了降维的目的，可以通过主成分分析、线性判别分析、独立成分分析等方法实现。特征工程之后，各种各样的分类器用来对心电信号分类，常用的分类器主要有六种，包括人工神经网络、线性判别分析、k近邻、支持向量机、决策树和贝叶斯分类器。

近些年，深度神经网络(deep neural network,DNN)凭借其强大的特征提取能力，在计算机视觉领域取得了巨大的成功。不同于传统的机器学习方法，DNN是一种受数据驱动的方法，无需特征工程的设计。许多研究工作也尝试用DNN解决心律失常检测的问题。卷积神经网络(convolutional neural network,CNN)常被用于分析生理信号，随着卷积层的加深，特征以一种更加抽象的方式被学习和表示。长短时记忆网络(long short-termmemory,LSTM)是一种广泛用于分析时间序列的深度学习方法，也常用于心律失常检测。不少研究人员将LSTM应用在卷积神经网络提取的特征之后，这种堆叠的网络实现了较高的心律失常检测性能。

很多研究工作虽然在心律失常检测上取得了一定的效果，可是，他们通常忽略了不是所有的导联，不是所有的时间步对检测心律失常都有同样的贡献。最近，”Multi-classArrhythmia detection from 12-lead varied-length ECG using Attention-basedTime-Incremental Convolutional Neural Network”提出一种有效的多类心律失常检测方法，集成了卷积神经网络、循环元胞和注意力机制。具有意义地是，他们引入了时间维度的注意力机制给从不同的信号片段提取的特征分配相应的权重，帮助定位了信号的感兴趣片段。然而，该研究工作并没有关注“哪些导联”对给定的心电记录是有意义的。

为了便于分析心律失常，最好同步记录3或6个导联，甚至12个导联，以满足临床诊断的需要。换句话说，导联的信息是有冗余的。事实上，某个缺失的肢体导联可以通过其它已知肢体导联由公式计算得出。比如，根据Einthoven定律，II导联QRS波的振幅等于I和III导联QRS波振幅的总和。心前区导联V1-V6虽然不能通过计算得出，心脏病专家却可以根据经验推断出大致的波形。在之前的工作中，心电信号的12导联特性被忽略。

发明内容

本发明为克服现有技术的不足之处，提出一种基于导联注意力机制的多类心律失常检测方法，以期能实现高准确率心律失常自动检测。