[发明专利]基于注意力机制的多特征融合心电信号分类模型建模方法

权利要求书

1.基于注意力机制的多特征融合心电信号分类模型建模方法，其特征在于：按以下步骤实现：

步骤1、构建基于注意力机制的多特征融合模型，具体过程如下：

1.1将T组原始心电信号输入深度残差网络，获得原始心电信号数据的局部特征v_i，i∈[1,T]；其中，搭建的深度残差网络包括34层，采用残差块的连接方式，每个残差块有两个卷积层，在每一个卷积层之前，顺序采用批归一化和ReLu激活函数层，最后一个残差块的最后一个卷积层之前采用了dropout层；

1.2将步骤1.1中的T组原始心电信号传入双向长短期记忆网络，双向长短期记忆网络的输出维度设置为128，获得原始心电信号的全局特征h_i，i∈[1,T]；

1.3将全局特征和局部特征输入注意力机制，提取出局部特征中的原始心电信号分类依据，具体过程如下：

1.3.1将局部特征v_i和全局特征h_i分别经过全连接层，与不同的权重W_Q、W_K乘积后通过融合层实现相加，相加后再传入tanh激活函数，获取全局特征与局部特征的相似度，最后将相似度传入全连接层，与权重W_α乘积得到融合特征e_i；融合特征e_i的表达式如下：

e_i＝W_α*tanh(W_Q*v_i+W_K*h_i) (1)

1.3.2将融合特征e_i传入softmax层做归一化处理，得到权重α_i；α_i的表达式如下：

1.3.3将权重α_i与局部特征v_i做乘积计算，提取局部特征中的原始心电信号分类依据S，S的表达式如下：

S＝α_i*v_i (3)

1.4利用softmax层的映射做原始心电信号的最终分类输出，得到分类模型，共分成四个分类标签，包括房颤类、噪声类、正常类和其他类；

步骤2、对基于注意力机制的多特征融合模型进行训练；

步骤3、将测试集数据输入分类模型，获得分类输出类别，并与真实分类标签做对比，得出分类模型中房颤类的评价标准：精度pre、召回率rec、F1指标f1、准确率acc；

步骤4、若评价标准不满足精度pre、召回率rec、F1指标f1和准确率acc中任一个的阈值要求，则手动调整基于注意力机制的多特征融合模型在dropout层的学习率drop，然后回到步骤3，否则执行步骤5；

步骤5、将基于注意力机制的多特征融合模型在dropout层的参数设置为0.3，同时使用Adam优化器将学习率初始化为10×e^-2，最终得到基于注意力机制的多特征融合心电信号分类模型。

2.根据权利要求1所述基于注意力机制的多特征融合心电信号分类模型建模方法，其特征在于：每个残差块的两个卷积层的卷积核长度分别是16和32×2^k，k从0开始，每间隔4个残差块增大1。

3.根据权利要求1所述基于注意力机制的多特征融合心电信号分类模型建模方法，其特征在于：所述的双向长短期记忆网络包括前向和后向两个隐藏层，每个隐藏层引入门控机制，包括遗忘门、输入门和输出门。

4.根据权利要求1所述基于注意力机制的多特征融合心电信号分类模型建模方法，其特征在于：基于注意力机制的多特征融合模型训练数据来自于physionet2017挑战赛的公开数据，采用256个样本，90％作为训练集，10％作为测试集。