一种基于注意力增强网络的多标签心电图像分类方法与流程

本发明涉及心电图像分类，具体涉及一种基于注意力增强网络的多标签心电图像分类方法。

背景技术：

1、实际的应用环境中心电图像大多以多标签的形式存在，多标签心电图像分类研究具有极强的应用价值以及可行性，促使研究者们对多标签心电图像分类方向不断探索。尽管多标签心电图像分类的研究已经达到较高的精度，但是大多数成果主要集中于如何充分的提取信号中的图像，却忽略了多标签心电图像中标签之间的相关性。

技术实现思路

1、本发明为了克服以上技术的不足，提供了一种能够从数据集中挖掘各种类别特征的上下文信息，以增强当前的心电图像的输入特征的方法。

2、本发明克服其技术问题所采用的技术方案是：

3、一种基于注意力增强网络的多标签心电图像分类方法，包括如下步骤：

4、a)获取多标签心电图像n，多标签心电图像n的标签为s，s＝{s1,s2,...,si,...,sm}，si为第i个标签，i∈{1,...,m}，m为心电图像中对象的类别个数；

5、b)构建特征挖掘模块，将多标签心电图像n输入到特征挖掘模块中，得到多标签心电特征图xrs；

6、c)将多标签心电特征图xrs输入到全连接层中，得到多标签心电图像类别的特征向量x′rs；

7、d)将多标签心电特征图xrs与多标签心电图像类别的特征向量x′rs进行拼接操作，得到融合特征xr；

8、e)构建卷积注意力增强模块caab，将融合特征xr输入到卷积注意力增强模块caab中，得到注意力特征向量n；

9、f)将注意力特征向量n与多标签心电特征图xrs进行拼接操作，得到融合特征xr′；

10、g)将融合特征xr′输入到卷积注意力增强模块caab中，得到注意力特征向量p；h)将注意力特征向量p与多标签心电特征图xrs进行拼接操作，得到融合特征xp；

11、i)构建通道相关性模块，将多标签心电特征图xrs输入到通道相关性模块中，得到特征x′rs2；

12、j)将特征x′rs2与多标签心电特征图xrs拼接融合相加，得到相关性特征xn；k)构建分类模块，将融合特征xp与相关性特征xn输入到分类模块中，输出得到多标签心电图像的分类结果。

13、进一步的，步骤b)中特征挖掘模块由resnet-34网络构成，将多标签心电图像n输入到resnet-34网络中，输出得到多标签心电特征图xrs，xrs∈rc×h×w，r为实数空间，c为特征图的通道数，h为特征图的高，w为特征图的宽。

14、进一步的，步骤e)包括如下步骤：

15、e-1)卷积注意力增强模块caab由第一卷积层、第二卷积层、第三卷积层、第四卷积层、relu激活函数层、se-net网络构成；

16、e-2)将融合特征xr输入到卷积注意力增强模块caab的第一卷积层中，输出得到注意力特征

17、e-3)将融合特征xr输入到卷积注意力增强模块caab的第二卷积层中，输出得到注意力特征

18、e-4)将融合特征xr输入到卷积注意力增强模块caab的第三卷积层中，输出得到注意力特征

19、e-5)将融合特征xr输入到卷积注意力增强模块caab的第四卷积层中，输出得到注意力特征

20、e-6)将注意力特征注意力特征注意力特征及注意力特征相加后输入到卷积注意力增强模块caab的relu激活函数层中，输出得到注意力特征x′r；

21、e-7)将注意力特征x′r输入到卷积注意力增强模块caab的se-net网络中，输出得到注意力特征向量n。

22、优选的，e-1)中第一卷积层的卷积核大小为1×25，卷积核的个数为32，第二卷积层的卷积核大小为1×15，卷积核的个数为32，第三卷积层的卷积核大小为1×7，卷积核的个数为32，第四卷积层的卷积核大小为1×3，卷积核的个数为32。

23、进一步的，步骤g)包括如下步骤：

24、g-1)将融合特征xr′输入到卷积注意力增强模块caab的第一卷积层中，输出得到注意力特征

25、g-2)将融合特征xr′输入到卷积注意力增强模块caab的第二卷积层中，输出得到注意力特征

26、g-3)将融合特征xr′输入到卷积注意力增强模块caab的第三卷积层中，输出得到注意力特征

27、g-4)将融合特征xr′输入到卷积注意力增强模块caab的第四卷积层中，输出得到注意力特征

28、g-5)将注意力特征注意力特征注意力特征及注意力特征相加后输入到卷积注意力增强模块caab的relu激活函数层中，输出得到注意力特征x′r′；

29、g-6)将注意力特征x′r′输入到卷积注意力增强模块caab的se-net网络中，输出得到注意力特征向量p。

30、进一步的，步骤i)包括如下步骤：

31、进一步的，i-1)通道相关性模块由全局最大池化层、全连接层、第一relu激活函数层、第二relu激活函数层构成；

32、i-2)将多标签心电特征图xrs输入到通道相关性模块的全局最大池化层中，输出得到特征图xrs2，xrs2∈rc×1×1；

33、i-3)在通道维度中将特征图xrs2划分为o组，得到特征为第i个特征，i∈{1,...,o}；

34、i-4)将特征分别依次输入到通道相关性模块的全连接层、第一relu激活函数层中，输出得到变换后的通道特征为第i个变换后的通道特征，

35、i-5)将特征与变换后的通道特征相拼接操作，得到第i个通道相关性特征

36、i-6)将所有的通道相关性特征相加后输入到通道相关性模块的第二relu激活函数层中，输出得到特征x′rs2，x′rs2∈rc×1×1。

37、进一步的，步骤k)包括如下步骤：

38、k-1)分类模块由融合单元及全连接层构成；

39、k-2)将融合特征xp与相关性特征xn输入到分类模块的融合单元中进行特征融合，输出得到最终特征x；

40、k-3)将最终特征x输入到分类模块的全连接层中，得到多标签心电图像的分类结果。

41、本发明的有益效果是：使用一种基于注意力增强网络的多标签心电分类方法，构建了一个能够对多标签心电图像进行分类的模型，挖掘各种心电图像类别特征的上下文信息，充分捕捉特征通道之间的相关性并利用类别标签之间相关性信息，从而有效的对多标签心电图像进行分类，提高了分类的准确率和精度。

技术特征：

1.一种基于注意力增强网络的多标签心电图像分类方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的基于注意力增强网络的多标签心电图像分类方法，其特征在于：步骤b)中特征挖掘模块由resnet-34网络构成，将多标签心电图像n输入到resnet-34网络中，输出得到多标签心电特征图xrs，xrs∈rc×h×w，r为实数空间，c为特征图的通道数，h为特征图的高，w为特征图的宽。

3.根据权利要求1所述的基于注意力增强网络的多标签心电图像分类方法，其特征在于，步骤e)包括如下步骤：

4.根据权利要求3所述的基于注意力增强网络的多标签心电图像分类方法，其特征在于：e-1)中第一卷积层的卷积核大小为1×25，卷积核的个数为32，第二卷积层的卷积核大小为1×15，卷积核的个数为32，第三卷积层的卷积核大小为1×7，卷积核的个数为32，第四卷积层的卷积核大小为1×3，卷积核的个数为32。

5.根据权利要求3所述的基于注意力增强网络的多标签心电图像分类方法，其特征在于，步骤g)包括如下步骤：

6.根据权利要求3所述的基于注意力增强网络的多标签心电图像分类方法，其特征在于，步骤i)包括如下步骤：

7.根据权利要求1所述的基于注意力增强网络的多标签心电图像分类方法，其特征在于，步骤k)包括如下步骤：

技术总结
一种基于注意力增强网络的多标签心电图像分类方法，使用一种基于注意力增强网络的多标签心电分类方法，构建了一个能够对多标签心电图像进行分类的模型，挖掘各种心电图像类别特征的上下文信息，充分捕捉特征通道之间的相关性并利用类别标签之间相关性信息，从而有效的对多标签心电图像进行分类，提高了分类的准确率和精度。

技术研发人员：王英龙,徐国璇,舒明雷,朱亮,单珂,刘照阳
受保护的技术使用者：山东省人工智能研究院
技术研发日：
技术公布日：2024/1/12