[发明专利]基于注意力机制的无监督多模态心电图异常检测方法在审
申请号: | 202211589031.6 | 申请日: | 2022-12-09 |
公开(公告)号: | CN115944302A | 公开(公告)日: | 2023-04-11 |
发明(设计)人: | 刘华锋;彭建辉 | 申请(专利权)人: | 浙江大学 |
主分类号: | A61B5/318 | 分类号: | A61B5/318;G06N3/0455;G06N3/047;G06N3/048;G06N3/088;G06N3/084;G06F18/2433;G06F18/214;A61B5/346;A61B5/00;G06F123/02 |
代理公司: | 杭州天勤知识产权代理有限公司 33224 | 代理人: | 王琛 |
地址: | 310058 浙江*** | 国省代码: | 浙江;33 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 基于 注意力 机制 监督 多模态 心电图 异常 检测 方法 | ||
1.一种基于注意力机制的无监督多模态心电图异常检测方法,包括如下步骤:
(1)从病人体表采集多导联心电信号,以每一个心跳周期为一组心电时域序列;
(2)对每组心电时域序列进行归一化处理以及频域转换,得到对应的心电频域序列;
(3)构建基于注意力机制的重构模型,其包含两个编码模块以及一个解码模块,两个编码模块分别用于对心电时域序列和心电频域序列进行编码,得到的编码特征拼接后经由解码模块解码成与输入维度一致的ECG波形序列;
(4)将心电时域序列和心电频域序列成对逐一输入至模型,以模型输出的ECG波形序列与输入心电时域序列平均误差最小为损失函数,从而对模型进行训练;
(5)将待检测心电信号的时域序列和频域序列输入至训练好的重构模型,根据模型输出ECG波形序列与输入心电时域序列之间的重构误差,判别待检测的心电信号是否异常。
2.根据权利要求1所述的无监督多模态心电图异常检测方法,其特征在于:所述步骤(2)中的归一化处理采用最大-最小值归一化策略,频域转换采用小波变换。
3.根据权利要求1所述的无监督多模态心电图异常检测方法,其特征在于:所述重构模型中的两个编码模块结构相同,但在训练过程中不共享权重,独立进行特征学习。
4.根据权利要求1所述的无监督多模态心电图异常检测方法,其特征在于:输入至模型中的心电时域序列和心电频域序列需先进行位置编码,即给序列中每一时刻对应的幅值增添时间位置信息,具体如下:
PE(pos,2i)=sin(pos/100002i/d)
PE(pos,2i+1)=cos(pos/100002i/d)
其中:PE(pos,2i)表示序列中偶数位置增添的时间位置信息,PE(pos,2i+1)表示序列中奇数位置增添的时间位置信息,pos表示序列中每一幅值对应的时间点,d表示编码的维度,i为自然数。
5.根据权利要求1所述的无监督多模态心电图异常检测方法,其特征在于:所述编码模块采用多头注意力机制以及残差连接,其中多头注意力机制由多个自注意力机制叠加形成;同时在编码模块前向传播学习参数的过程中,对每层参数做了Layer Normalization,对每一层的激活值做了归一化。
6.根据权利要求5所述的无监督多模态心电图异常检测方法,其特征在于:所述自注意力机制的计算过程如下:
Q=Xembedding*WQ
K=Xembedding*WK
V=Xembedding*WV
其中:Attention(Q,K,V)为自注意力机制的输出,Xembedding为经位置编码后的心电时域序列或心电频域序列,Q、K、P分别为查询向量、键向量、值向量,WQ、WK、WV分别为查询向量、键向量、值向量对应的权值矩阵,dk为自注意力机制的输出维度,T表示转置。
7.根据权利要求1所述的无监督多模态心电图异常检测方法,其特征在于:两个编码模块输出的编码特征沿时间轴方向拼接,即拼接之后维度变为原来的两倍,进而特征经由解码模块线性映射层解码成与输入维度一致的ECG波形序列。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于浙江大学,未经浙江大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202211589031.6/1.html,转载请声明来源钻瓜专利网。