[发明专利]一种基于通道注意力分组残差网络的12导联心电信号分类方法

说明书

本发明公开了一种基于通道注意力分组残差网络的12导联心电信号分类方法，由于原始12导联心电信号的长度不一或时间过长，无法对其直接分类，需要对每条记录以等长的时间间隔分割处理，把分割好心电信号片段经过SIFT变换到频域中，得到频谱图，然后对频谱图取对数最后得到对数频谱图，然后将对数频谱图输入到设计好的基于通道注意力分组残差网络(XSENet)网络中进行分类。该方法的主干网络主要采用分组残差网络和Senet结合的思想。该方法具有分类识别率高等优点。该主干网络的输入为12导联心电信号在频域上取对数后的频谱图，每个输出分别为所属类别的概率，是一种端对端的心电信号分类方法；本发明降低了解决问题的繁琐复杂过程，有效地提高了心电信号分类准确率。

技术领域

本发明属于机器学习与模式识别技术领域，利用给定的12导联心电信号(ECG)数据集构造一种鲁棒性较强的神经网络预测方法，以期达到对新的心电信号给出正确分类。

背景技术

心血管疾病(CVD)是最常见的死亡原因之一，占全世界死亡人数的31％以上，统计显示，心脏猝死占所有心脏疾病死亡的一半，超过80％的心脏猝死于心率失常密切相关。心电图(ECG)是诊断心脏相关疾病的临床标准，对心率失常的筛选和分类尤其有价值。一般通过直观分析心电图的形态，可以区分不同类型的心率失常。然而，心电图的形态高度依赖于主体，不同受试者差异有统计学意义，心电分析在很大程度上依赖医生的经验，视觉评估难以准确诊断心律失常。因此，开发出一种能够分析心电信号的计算机辅助诊断技术具有重要意义。近年来，深度学习在不同的应用场景中显示出强大的信息提取和拟合能力，如图像分类和疾病监测等。其动机在于通过模拟人类大脑的神经连接结构来建立模型。卷积神经网络是目前最受欢迎的深度学习方法，其本质是一种表示学习方法，是一种端到端学习的深度学习方法。深度网络是以端到端的多层方式集成了低/中/高级特征和分类器，特征的“层次”可以通过层叠层的深度来丰富。但是，深度神经网络训练很困难，往往会出席那梯度消失或梯度爆炸问题。分组残差网络(ResNext)在解决深度卷积神经网络退化的问题上，没有直接向网络中堆砌层去拟合所需的潜在映射，而是显示地让这些层拟合残差映射，并且包含了分组卷积的思想，不同组的卷积能够学习到更加多样的表示。

Senet的核心思想在于通过网络去学习特征权重，使得有效的特征向量全重大，无效或效果小的特征向量权重小，训练模型达到更好的效果。Senet作为一个轻量级的网络可以嵌入到以后的网络中。

本发明提出一种基于通道注意力分组残差网络的12导联心电信号分类方法(XSENet)。

发明内容

本发明的目的在于针对传统的心电信号分类技术存在特征提取繁琐复杂，准确率低以及泛化能力差等缺点，提出一种基于通道注意力分组残差网络的12导联心电信号分类方法(XSENet)。

本发明公开了一种基于通道注意力分组残差网络的12导联心电信号分类方法，由于原始心电信号的长度不一或时间过长，无法对其直接分类，需要对每条记录以等长的时间间隔分割处理，把分割好心电信号片段经过SIFT变换到频域中，得到频谱图，然后对频谱图取对数最后得到对数频谱图，然后将对数频谱图输入到设计好的XSENet网络中进行分类。该方法的主干网络主要采用分组残差网络和Senet结合的思想，该方法具有分类识别率高等优点。该网络的输入为心电信号在频域上取对数后的频谱图，每个输出分别为所属类别的概率，是一种端对端的心电信号分类方法：

本发明整体流程见图1，其具体方法步骤如下：

S1.对12导联心电信号进行预处理

(1)计算每个样本的总长度RL，确定分割窗口长度WL以及窗口移动步长S，对每个样本进行等长度的分割，每条记录分割出片段数量为：

(2)将分割等到的心电信号子片段经过STFT变换到频域中，得到频谱图；

(3)对频谱图取对数，得到对数频谱图；