一种心电图分类方法、系统、介质、设备及终端

本发明属于计算机辅助ecg分析，尤其涉及一种心电图分类方法、系统、介质、设备及终端。

背景技术：

1、目前，心电图(electrocardiogram，ecg)是记录人体心脏活动的可视化时间序列，它已经在临床上广泛用于心脏相关疾病的检查，并且形成了比较完善的ecg判断标准。计算机辅助ecg分析在面向基层医疗的云计算服务平台和可穿戴ecg设备等方面有着重要的应用价值，对于及时有效地预防和控制心脏疾病、挽救病人生命具有极大的意义。当前，计算机辅助ecg诊断方法主要分为两类：一类是基于浅层模型的ecg分类方法，该方法依赖于手工提取的ecg特征；另一类是基于深度学习的方法，是端对端的ecg分类方法，它可以有效地自动提取ecg抽象特征。

2、卷积神经网络(convolutional neural network，cnn)擅长提取局部特征，但在捕获全局特征表示方面存在一定的局限性。transformer通过自注意力模块可以捕获长距离的特征依赖，但会忽略局部特征的细节。

3、通过上述分析，现有技术存在的问题及缺陷为：现有基于浅层模型的ecg分类方法依赖手工提取的ecg特征，而基于transformer模型的ecg分类方法则易忽略局部特征的细节。

技术实现思路

1、针对现有技术存在的问题，本发明提供了一种心电图分类方法、系统、介质、设备及终端，尤其涉及一种基于卷积神经网络和transformer融合的心电图分类方法、系统、介质、设备及终端。

2、本发明是这样实现的，一种心电图分类方法，心电图分类方法包括：对原始ecg数据进行预处理；使用卷积神经网络模型分析心电信号的形态特征，通过短时傅里叶变换提取心电信号的时频特征，使用transformer模型分析心电信号的时间序列特征；使用融合器融合分类结果，得到最终的心电图分类结果。

3、进一步，心电图分类方法包括以下步骤：

4、步骤一，对原始心电图数据集进行心拍截取和去噪预处理；

5、步骤二，使用cnn分类器和transformer分类器学习预处理后的数据；

6、步骤三，使用融合器对分类器的学习结果进行融合，得到心电图分类结果。

7、进一步，步骤一中的原始心电图数据集使用mit-bih心率失常数据集；

8、对原始心电图数据集进行心拍截取和去噪预处理包括：经过带通滤波器和小波变换滤波器去除原始心拍中的基线漂移和工频干扰噪声；使用mit-bih数据集标记的r波位置定位r波，并截取r波前133个采样点、r波所在采样点和r波后266个采样点组成完整的心拍；提取rr特征并获取心拍对应标签。

9、进一步，步骤二中，心电图分类模型包括6条通道，前5条通道为使用不同卷积核大小的深度神经网络通道；其中，通道3和通道5使用两层卷积，通道1、2和4使用单层卷积；在每个卷积层后使用修正线性单元方法和最大池化层，并使用矩阵拼接方法拼接结果。

10、第六个通道为模型的时间维度特征处理通道，使用短时傅里叶变换提取原始心电信号的时频特征，再进入transformer模型进行学习，心电图分类模型使用融合器融合卷积神经网络和transformer模型的结果。

11、进一步，融合器由通道注意力机制和空间注意力机制构成，通道注意力机制的作用是融合来自transformer分支的全局信息；空间注意力机制的作用是增强卷积神经网络分支信息的局部细节并抑制不相关的区域。

12、进一步，对于transformer模型，input embedding的嵌入输出大小为64，位置编码使用正弦函数表示；多头注意力机制的头数为8，注意力模块层数为6。

13、本发明的另一目的在于提供一种应用所述的心电图分类方法的心电图分类系统，心电图分类系统包括：

14、ecg数据预处理模块，用于对原始心电图数据进行心拍截取和去噪预处理；

15、分类学习模块，用于使用cnn分类器和transformer分类器学习ecg数据；

16、心电图分类模块，用于使用融合器对分类器的学习结果进行融合。

17、本发明的另一目的在于提供一种计算机设备，计算机设备包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时，使得处理器执行所述的心电图分类方法的步骤。

18、本发明的另一目的在于提供一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时，使得处理器执行所述的心电图分类方法的步骤。

19、本发明的另一目的在于提供一种信息数据处理终端，信息数据处理终端用于实现所述的心电图分类系统。

20、结合上述的技术方案和解决的技术问题，本发明所要保护的技术方案所具备的优点及积极效果为：

21、第一，针对上述现有技术存在的技术问题以及解决该问题的难度，紧密结合本发明的所要保护的技术方案以及研发过程中结果和数据等，详细、深刻地分析本发明技术方案如何解决的技术问题，解决问题之后带来的一些具备创造性的技术效果。具体描述如下：

22、本发明提出了基于卷积神经网络cnn和transformer相结合的心电图ecg分类方法，该方法首先对原始ecg数据进行心拍截取和预处理，然后分别使用卷积神经网络分类器和transformer分类器对处理后的数据进行学习，最后使用融合器对不同分类器的学习结果进行融合，最终得到心电图的分类结果。

23、本发明使用卷积神经网络模型分析心电信号的形态特征，通过短时傅里叶变换提取心电信号的时频特征后使用transformer模型分析心电信号的时间序列特征，再使用融合器融合两个维度的分类结果，提升心电图分类的整体准确率。传统的机器学习和深度学习方法都是依赖数据的不同特征进行分类，本发明选用卷积神经网络，可以省去传统机器学习方法手动提取的步骤，自动提取每种数据类型的不同特征；cnn还具有局部连接和权值共享的特征，5条使用不同卷积核大小的通道相当于被赋予了不同大小的感受野，可以多尺度地学习心电信号的形态特征，而融合通道后拼接rr特征使特征的丰富度进一步扩充。

24、本发明分为三步，第一步进行去噪和预处理操作，第二步使用提出的方法进行学习，第三步在测试集上预测结果并使用指标分析。本发明在采用融合方法诊断时所涉及到的心电图特征如心拍长度、心拍标签和rr特征已经提取到，rr特征包括四种分别是rr前期特征、rr后期特征、rr前后期比率特征和附近十个心拍rr间期平均值特征，对qrs波起止点及r波的提取方法不做限制。

25、本发明在mit-bih数据集中(https://www.physionet.org/content/mitdb/1.0.0/)以三种数据集划分方式，测试集为54713个心拍、41494个心拍和49607个心拍的情况下分别取得99.42％，98.87％和97.38％的总体准确率；同时，对s类和v类也保持着较好的分类效果。从表5来看，虽然实验三同样具有较高的总体准确率，但是在s类和v类上的约登指数和f1不及前两者；对比之下，使用深度神经网络和transformer融合的模型能够提升心电图分类任务的性能。

26、第二，把技术方案看做一个整体或者从产品的角度，本发明所要保护的技术方案具备的技术效果和优点，具体描述如下：

27、本发明充分考虑了卷积神经网络及transformer的各自优势，分别将它们作为基分类器分类，然后使用融合模块将两种分类器的分类结果进行融合，从而获得一个比较好的心电图五分类结果；不同卷积核的多通道神经网络模型提供了不同的感受野以充分学习心电图形态特征；短时傅里叶变换提取了心电信号的时频特征，使模型可以学习心电图的形态和时频信息，提升整体分类性能。

28、第三，作为本发明的权利要求的创造性辅助证据，还体现在以下几个重要方面：

29、(1)本发明的技术方案转化后的预期收益和商业价值为：

30、可应用于便携式心电监测设备，实现医生对患者病情的实时监护，从而进行有效预防和干预；计算机辅助心电图诊断的应用使医生从海量的心电图分析中解放出来，提高效率和诊断准确率。

31、(2)本发明的技术方案填补了国内外业内技术空白：

32、使用两种基分类器获取心电图不同维度的特征，加入心电图的rr特征，使用融合模块融合这些特征，使模型能更全面的学习心电图的特征，以达到更好的分类效果。