[发明专利]基于时频信息融合注意力的生理信号片段分析方法

说明书

本发明公开了一种基于时频信息融合注意力的生理信号片段分析方法，具体步骤如下：输入公开数据集中原始ECG信号，对相应信号进行预处理操作后划分为训练集和测试集；步骤2，构建基于Transformer时频信息融合的生理信号片段分析模型；步骤3，使用步骤1处理后的训练集对步骤2构建的模型进行训练；步骤4，将步骤1预处理后的测试集ECG信号送入步骤3训练好的模型，最终输出分类检测的结果。该方法利用基于Transformer时频信息融合的生理信号片段分析，以提高分析生理信号片段是否发生睡眠呼吸暂停事件的准确率。

技术领域

本发明属于医学生理信号处理技术领域，涉及一种基于时频信息融合注意力的生理信号片段分析方法。

背景技术

阻塞性睡眠呼吸暂停(OSA)事件分类旨在从医学生理信号中提取特征，完成事件分类。目前，主要采用心电信号对呼吸暂停事件进行判断。其中，根据采用技术的不同分为基于机器学习的睡眠呼吸暂停分类方法和基于深度学习的睡眠呼吸暂停分类方法。

传统的机器学习分类方法主要通过特征工程的手段人工的选择合适的特征集合作为机器学习分类器的输入完成睡眠呼吸暂停事件的分类。但由于手工选择特征降低了工作效率不利于在大数据集的普及，导致该方法无法实现自动化睡眠呼吸暂停事件分类。

近年来随着深度学习的不断发展已在不同的领域得到应用，并在不需要领域知识的情况下显示出其优于传统机器学习模型的优势。其中，卷积神经网络是一种流行的深度学习模型，由于其在视觉图像，语音识别和文本识别等任务中出色的特征提取和分类能力，目前CNN也被应用于生物信号分类问题。有人提出将预处理后的ECG信号输入到LeNet-5模型中提取特征并完成OSA分类。但CNN模型受限于感受野大小无法完成远距离建模和上下文信息提取导致该模型在睡眠呼吸暂停事件分类上遇到瓶颈。为了捕获ECG数据中的上下文信息和实现远距离建模有人提出将ECG长信号按照固定长度为1min划分片段，随后利用CNN与循环神经网络(RNN)结合模型，实现远距离建模，捕获上下文信息完成OSA分类。但由于RNN模型无法实现并行化处理，且当序列长度过长时会发生梯度消失和梯度爆炸问题。此外，由于信息采集时环境干扰带来的噪音和ECG数据特征之间差异不明显等都是影响OSA检测精度的重要问题。

发明内容

本发明的目的是提供一种基于时频信息融合注意力的生理信号片段分析方法，该方法利用基于Transformer时频信息融合的生理信号片段分析，以提高分析生理信号片段是否发生睡眠呼吸暂停事件的准确率。

本发明所采用的技术方案是，基于时频信息融合注意力的生理信号片段分析方法，具体包括如下步骤：

步骤1，输入公开数据集中原始ECG信号，对相应信号进行预处理操作后划分为训练集和测试集；

步骤2，构建基于Transformer时频信息融合的生理信号片段分析模型；

步骤3，使用步骤1处理后的训练集对步骤2构建的模型进行训练；

步骤4，将步骤1预处理后的测试集ECG信号送入步骤3训练好的模型，最终输出分类检测的结果。

本发明的特点还在于：

步骤1中对ECG信号进行预处理的过程为：

依次进行分段、滤波、R峰检测与RR间期和R峰幅值提取、线性插值以及通道拼接，得到时间序列z。

步骤2中，基于Transformer时频信息融合的生理信号片段分析模型包括特征提取模块、时频信息融合模块以及分类模块；

特征提取模块包括深度残差收缩网络DRSNs、多尺度卷积注意力MSCA和多层卷积+ReLU模块CRL；

时频信息融合模块包括由可扩展位置编码、自适应剪枝时频信息融合注意力模块APTFFA和多尺度MLP组成的Transformer架构；