基于改进型注意力机制的多标签心电信号分类方法

技术领域

本发明涉及心电信号分类技术领域，具体涉及一种基于改进型注意力机制的多标签心电信号分类方法。

背景技术

基于深度学习的心电多标签分类已经得到了广泛的研究，但由于多标签心电信号的复杂性以及数据本身样本不充分的特点导致现有的深度学习模型的准确率、精度还有一定的提升空间。具体来说，例如多标签心电信号通常为多导联，并且每个导联的信号具有一定的相似性，现有的模型对导联信号之间的相似性关注较少。大多数心电数据库存在数据样本不平衡的问题，严重影响模型在识别和分类时的性能。一些利用自注意力机制的多标签心电信号分类模型由于自注意力机制本身的限制，忽略了导联之间的相似性，并且信号的复杂性导致特征无法较为充分的提取。

发明内容

本发明为了克服以上技术的不足，提供了一种保证提取多标签心电信号的完整性的方法。

本发明克服其技术问题所采用的技术方案是：

一种基于改进型注意力机制的多标签心电信号分类方法，包括如下步骤：

a)对多标签心电信号预处理，得到预处理后的多标签心电信号X；

b)建立多尺度特征提取模块，将预处理后的多标签心电信号X输入到多尺度特征提取模块中，得到注意力特征图X

c)建立深度注意力特征融合网络，将注意力特征图X

d)建立分类模块，将特征X′

a-1)将多标签心电信号利用数据降采样的方法将其数据频率统一调整为2048个样本点，将降采样后的多标签心电信号利用共振稀疏分解的方式分解为三个部分，保留具有瞬时震荡部分的低共振分量x

a-2)将低共振分量x

a-3)将统一长度后的片段通过unsqueeze()函数或reshape()函数由一维数据转变为二维数据，得到预处理后的多标签心电信号X。

进一步的，步骤b)包括如下步骤：

b-1)多尺度特征提取模块由残差模块A和残差模块B构成，所述残差模块A由BN层、ReLU激活函数层、卷积层、最大池化层、注意力融合模块构成，所述残差模块B由BN层、ReLU激活函数层、卷积层、最大池化层、注意力融合模块构成；

b-2)将预处理后的多标签心电信号X依次输入到残差模块A的BN层、ReLU激活函数层、卷积层后，输出得到特征图

优选的，步骤b-1)中残差模块A的卷积层的卷积核大小为1×25，尺度为32；步骤b-1)中残差模块A的最大池化层的卷积核大小为1×2，尺度为32；步骤b-4)中第一卷积层的卷积核大小为1×1，尺度为16、第二卷积层的卷积核大小为1×1，尺度为32；步骤b-5)中第一卷积层的卷积核大小为1×1，尺度为16、第二卷积层的卷积核大小为1×1，尺度为32；步骤b-1)中残差模块B的卷积层的卷积核大小为1×15，尺度为32；步骤b-1)中残差模块B的最大池化层的卷积核大小为1×2，尺度为32；步骤b-9)中第一卷积层的卷积核大小为1×1，尺度为16、第二卷积层的卷积核大小为1×1，尺度为32；步骤b-10)中第一卷积层的卷积核大小为1×1，尺度为16、第二卷积层的卷积核大小为1×1，尺度为32。进一步的，步骤c)包括如下步骤：

c-1)深度注意力特征融合网络第一深度注意力特征融合模块DAFF和第二深度注意力特征融合模块DAFF构成，第一深度注意力特征融合模块DAFF与第二深度注意力特征融合模块DAFF相互并联，第一深度注意力特征融合模块DAFF和第二深度注意力特征融合模块DAFF均由卷积层、全连接层、h个并联的自注意力机制、注意力融合模块构成；

c-2)将注意力特征图X

c-3)第一深度注意力特征融合模块DAFF的注意力融合模块依次由第一卷积层、BN层、ReLU激活函数层、第二卷积层构成，将h个特征

c-4)将新特征

c-5)将注意力特征图X

c-6)第二深度注意力特征融合模块DAFF的注意力融合模块依次由第一卷积层、BN层、ReLU激活函数层、第二卷积层构成，将h个特征

c-7)将新特征

c-8)设置多尺度特征注意力融合模块，多尺度特征注意力融合模块依次由平均池化层、第一卷积层、BN层、ReLU激活函数层、第二卷积构成，将特征X

c-9)将全局注意力特征图X′

优选的，步骤c-2)中第一深度注意力特征融合模块DAFF的卷积层的卷积核大小为3×3；步骤c-3)中第一深度注意力特征融合模块DAFF的注意力融合模块的第一卷积层的卷积核大小为1×1，第二卷积层的卷积核大小为1×1；步骤c-5)中第二深度注意力特征融合模块DAFF的卷积层的卷积核大小为3×3；步骤c-6)中第二深度注意力特征融合模块DAFF的注意力融合模块的第一卷积层的卷积核大小为1×1，第二卷积层的卷积核大小为1×1；步骤c-8)中多尺度特征注意力融合模块的平均池化层的大小为1×1，第一卷积从的卷积核大小为1×1，第二卷积层的卷积核大小为1×1。

进一步的，步骤d)中的分类模块由多层感知机MLP及softmax函数构成，多层感知机MLP依次由一层LN层及一层全连接层构成，将特征X′

本发明的有益效果是：使用一种基于改进型注意力机制的多标签心电信号分类方法，构建了一个能够对多标签多导联心电信号进行分类的模型，利用该模型强大的对心电数据的学习能力，能让计算机充分提取心电信号的特征，构建数据处理通道模型，从而有效的对多标签多导联心电信号进行分类，提高了分类的准确率和精度。

附图说明

图1本发明的方法流程图；

图2为本发明的深度注意力特征提取融合模块的结构图。

具体实施方式

下面结合附图1、附图2对本发明做进一步说明。

一种基于改进型注意力机制的多标签心电信号分类方法，包括如下步骤：

a)对多标签心电信号预处理，得到预处理后的多标签心电信号X。

b)建立多尺度特征提取模块，将预处理后的多标签心电信号X输入到多尺度特征提取模块中，得到注意力特征图X

c)建立深度注意力特征融合网络，将注意力特征图X

d)建立分类模块，将特征X′

实施例1：

步骤a)包括如下步骤：

a-1)将多标签心电信号利用数据降采样的方法将其数据频率统一调整为2048个样本点，将降采样后的多标签心电信号利用共振稀疏分解的方式分解为三个部分，保留具有瞬时震荡部分的低共振分量x

a-2)将低共振分量x

实施例2：

步骤b)包括如下步骤：

b-1)多尺度特征提取模块由残差模块A和残差模块B构成，所述残差模块A由BN层、ReLU激活函数层、卷积层、最大池化层、注意力融合模块构成，所述残差模块B由BN层、ReLU激活函数层、卷积层、最大池化层、注意力融合模块构成。

b-2)将预处理后的多标签心电信号X依次输入到残差模块A的BN层、ReLU激活函数层、卷积层后，输出得到特征图

b-7)将预处理后的多标签心电信号X依次输入到残差模块B的BN层、ReLU激活函数层、卷积层后，输出得到特征图

b-8)将预处理后的多标签心电信号X输入到残差模块B的最大池化层后，输出得到特征图

b-9)所述残差模块B的注意力融合模块由局部注意力块及全局注意力块构成，所述局部注意力块依次由第一卷积层、BN层、ReLU激活函数层、第二卷积层构成，将特征图

b-10)所述残差模块B的注意力融合模块的全局注意力块依次由平均池化层、第一卷积层、BN层、ReLU激活函数层、第二卷积层构成，将特征图

b-11)将局部注意力特征图

b-12)将注意力特征图

实施例3：

步骤b-1)中残差模块A的卷积层的卷积核大小为1×25，尺度为32；步骤b-1)中残差模块A的最大池化层的卷积核大小为1×2，尺度为32；步骤b-4)中第一卷积层的卷积核大小为1×1，尺度为16、第二卷积层的卷积核大小为1×1，尺度为32；步骤b-5)中第一卷积层的卷积核大小为1×1，尺度为16、第二卷积层的卷积核大小为1×1，尺度为32；步骤b-1)中残差模块B的卷积层的卷积核大小为1×15，尺度为32；步骤b-1)中残差模块B的最大池化层的卷积核大小为1×2，尺度为32；步骤b-9)中第一卷积层的卷积核大小为1×1，尺度为16、第二卷积层的卷积核大小为1×1，尺度为32；步骤b-10)中第一卷积层的卷积核大小为1×1，尺度为16、第二卷积层的卷积核大小为1×1，尺度为32。

实施例4：

步骤c)包括如下步骤：

c-1)深度注意力特征融合网络第一深度注意力特征融合模块DAFF和第二深度注意力特征融合模块DAFF构成，第一深度注意力特征融合模块DAFF与第二深度注意力特征融合模块DAFF相互并联，第一深度注意力特征融合模块DAFF和第二深度注意力特征融合模块DAFF均由卷积层、全连接层、h个并联的自注意力机制、注意力融合模块构成。

c-2)将注意力特征图X

c-3)第一深度注意力特征融合模块DAFF的注意力融合模块依次由第一卷积层、BN层、ReLU激活函数层、第二卷积层构成，将h个特征

c-4)将新特征

c-5)将注意力特征图X

c-6)第二深度注意力特征融合模块DAFF的注意力融合模块依次由第一卷积层、BN层、ReLU激活函数层、第二卷积层构成，将h个特征

c-7)将新特征

c-8)设置多尺度特征注意力融合模块，多尺度特征注意力融合模块依次由平均池化层、第一卷积层、BN层、ReLU激活函数层、第二卷积构成，将特征X

c-9)将全局注意力特征图X′

实施例5：

步骤c-2)中第一深度注意力特征融合模块DAFF的卷积层的卷积核大小为3×3；

步骤c-3)中第一深度注意力特征融合模块DAFF的注意力融合模块的第一卷积层的卷积核大小为1×1，第二卷积层的卷积核大小为1×1；步骤c-5)中第二深度注意力特征融合模块DAFF的卷积层的卷积核大小为3×3；步骤c-6)中第二深度注意力特征融合模块DAFF的注意力融合模块的第一卷积层的卷积核大小为1×1，第二卷积层的卷积核大小为1×1；步骤c-8)中多尺度特征注意力融合模块的平均池化层的大小为1×1，第一卷积从的卷积核大小为1×1，第二卷积层的卷积核大小为1×1。

实施例6：

步骤d)中的分类模块由多层感知机MLP及softmax函数构成，多层感知机MLP依次由一层LN层及一层全连接层构成，将特征X′

最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。