[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

说明书

本发明公开了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。本发明步骤：构建基于注意力机制的多特征融合模型，进行模型训练，用测试集验证模型，计算评价标准，根据评价标准调整模型参数，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；其中，构建基于注意力机制的多特征融合模型，包括利用深层残差网络提取心电信号的局部特征，利用双向长短期记忆网络提取心电信号的全局特征，并引入注意力机制进行特征融合，同时对重要信息进行保留，最后输入softmax函数进行分类。本发明摒弃了传统算法数据预处理、手工特征提取等步骤，融合多个心电特征，能提取重点信息，去除干扰信息，提升模型准确率，对临床医学做出贡献。

技术领域

本发明属于心电信号分类技术领域，具体涉及一种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。

背景技术

在全世界，心脏病是导致死亡的主要原因之一。心电描记术(ECG)可以记录心脏在一段时间内的生理活动，常被用于生理信号的常规监测。对心电信号的有效分析有助于检测许多心脏疾病，如房颤(AF)、心肌梗死(MI)和心力衰竭(HF)等。其中，房颤是临床上最为常见的心律失常之一。近年来，随着人口老龄化的日益加重，房颤的发病率呈现逐年增加的趋势，由此而引发的并发症及心血管疾病严重威胁着人类的健康。因此，有关从心电信号记录中有效且准确地诊断房颤的研究，具有非常重要的意义。

计算机辅助解释自从50多年前被引入临床心电图工作流程以来，已经变得越来越重要，在许多临床环境中作为医生解释的重要辅助手段。心电信号分类相关研究中，传统的机器学习是凭借人为手工提取特征来获得模型，但是人为手工提取特征的方法，不仅受各种噪声影响，而且会丢失大量信息，并不适用于庞大的用户人群，泛化能力较差，不足以应对实际运用。

最近几年，深度学习模型在心电数据建模方面取得了初步成功，广泛使用的心电信号数据和深度学习的算法范例为大幅提高自动心电图分析的准确性和可扩展性提供了机会。现有的算法，大多是以原始心电信号作为端到端的深度神经网络(DNNs)模型的输入数据，不需要大量的数据预处理、特征工程或手工规则，经过层层抽象将原始数据逐层抽象为自身任务所需的最终特征表示，最后以特征到任务目标的映射作为结束。然而端到端的深度神经网络无法对全面的特征进行提取，现有的商业心电图解释算法仍然表现出相当大的误诊率。

发明内容

针对现有技术所存在的问题，本发明提出一种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，构建的基于注意力机制的多特征融合模型利用深层残差网络提取心电信号的局部信息，并利用双向长短期记忆网络提取心电信号的全局信息，引入注意力机制进行特征融合，同时对重要信息进行保留，最后输入softmax函数进行分类。

为实现上述目的，本发明采用如下的技术方案：

本发明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，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：