一种心电图信号分类方法

本发明涉及医学信号处理，具体地，涉及一种心电图信号分类方法及装置。

背景技术：

1、心电图(ecg)是检测人体心脏跳动的一种重要检测方法。如何通过患者的ecg信号准确判别ecg的类型对临床医学中的心血管疾病治疗和预防起着关键的作用。传统的ecg信号分类主要采用的是信号分析专家或者经验丰富的人员手动添加特征的方法，比如基于模糊数学统计方法、基于随机森林方法、形态特征、时间信息、hermite变换、小波变换等。但由于ecg信号种类繁多，具有独特性，同一人不同疾病的ecg信号特征不同，不同人同一疾病的ecg信号也有差异。因此传统方法很难提取到ecg信号的深度特征，准确率较低，达不到医生的诊断水平。

2、卷积神经网络(cnn)是近年来流行的一种算法，相较于传统算法，通过卷积、池化、反馈学习等方法对图像的处理，无需人为添加信号的特征，实现对信号的准确识别分类。但深度卷积神经网络使用了多个卷积层，网络结构过于复杂，容易造成网络冗余问题，导致特征被重复和过度学习。zumray dokur等人介绍了一种基于walsh函数训练的卷积神经网络心跳分类方法。该方法使用心电图信号，将其转化为walsh函数系数，并利用cnn模型进行分类。da un jeong等人介绍了一种基于cnn的心律失常分类方法。该方法使用标准12导联心电图，将其转化为2d时间-频率特征图，并利用cnn模型进行分类。xie等人使用fe-cnn网络，对mit-bih数据集中的ecg信号进行了五分类。实验结果显示cnn可以提取更多的频率信息特征。这些方法都利用特征丰富方法进行ecg信号处理。虽然ecg信号的特征更丰富，但是cnn在进行图片分类的时候，会对整张ecg信号图片进行卷积、池化等处理得到一个固定长度的特征向量，该向量包含了整个信号的信息。因此如何使网络能够更加准确的关注重要特征，并加深网络对这些特征的学习强度和深度是我们要解决的ecg信号分类问题。

技术实现思路

1、针对现有技术中的缺陷，本发明的目的在于提供一种心电图信号分类方法，可提高对ecg信号重要特征的学习，进而提升对心电图信号的分类正确率。

2、为实现上述目的，本发明提供了一种心电图信号分类方法，其包括以下步骤：

3、s1：利用时频分析法对ecg信号进行预处理，得到时频图；

4、s2：利用双重注意力机制的卷积神经网络对所述时频图进行特征提取，得到特征图；

5、s3：采用全连接层接收并识别所述特征图，得到ecg信号的类别。

6、本发明的进一步改进在于，步骤s1中时频分析法为短时傅里叶变换，其表达式为：

7、

8、其中：f(t)是ecg时域信号，g(t)是窗函数，τ是步长；g(t)起到时限作用，e-jω起限频作用，二者联合起来便可达到时频双限的作用；窗函数g(t)选择为汉明窗，窗函数的移动步长τ为3。

9、本发明的进一步改进在于，步骤s2中的卷积神经网络自输入至输出依次包括五个卷积层，其中第一个卷积层和第二个卷积层之间引入了注意力模型。

10、本发明的进一步改进在于，每个卷积层对输入的数据进行卷积处理、批量归一化处理、激活函数处理以及最大池化处理，以得到输出的特征图。

11、本发明的进一步改进在于，所述注意力模型采用了双重注意力机制，其包括两个支路；

12、在其中一个支路中，输入的特征图依次经过两次卷积处理、一次批量归一化处理后，由softmax函数进行处理，得到该支路输出的特征图；

13、在另一个支路中，输入的特征图依次经过两次卷积处理、一次批量归一化处理后，由sigmoid函数进行处理，得到该支路输出的特征图；

14、两个支路输出的特征图分别与系数α和β相乘，并与输入的特征图相加，相加的结果乘以可学习参数γ得到所述注意力模型输出的特征图。

15、本发明的进一步改进在于，所述全连接层的层数为四，其中第二层和第三层全连接层中加入dropout技术，第四层全连接层将ecg信号分为五类。

16、本发明提供的方案具有以下技术效果：本发明方法搭建了一个拥有双重注意力机制的自适应调节的网络，从而实现对多节拍心跳信号的识别。双重注意力机制是在注意力机制的基础上使用了两个不同的模块对特征的权重进行计算，并将结果综合反馈给网络。由于ecg信号种类繁多、特征复杂多样，不同模块可以关注到ecg信号不同的重要特征。通过使用注意力机制，可以使模型自适应地调整不同区域的权重，重点关注包含重要信息的区域，并从中提取出重要的特征进行侧重学习，最后进行ecg信号的分类。注意力机制还可以增强模型对于局部细节的识别能力，并且更好地聚焦于输入数据的最相关部分，从而提高网络收敛的速率和识别结果的准确性。有效的解决了ecg信号分类所困扰的两个问题：(1)网络层数增加使系统更加复杂，网络运算参数过于庞大，造成的资源浪费和性能冗余；(2)引入算法带来ecg信号特征增加，但传统网络无法对重要的特征进行侧重学习。

技术特征：

1.一种心电图信号分类方法，其特征在于包括以下步骤：

2.根据权利要求1所述的一种心电图信号分类方法，其特征在于，步骤s1中时频分析法为短时傅里叶变换，其表达式为：

3.根据权利要求1所述的一种心电图信号分类方法，其特征在于，步骤s2中的卷积神经网络自输入至输出依次包括五个卷积层，其中第一个卷积层和第二个卷积层之间引入了注意力模型。

4.根据权利要求3所述的一种心电图信号分类方法，其特征在于，每个卷积层对输入的数据进行卷积处理、批量归一化处理、激活函数处理以及最大池化处理，以得到输出的特征图。

5.根据权利要求3所述的一种心电图信号分类方法，其特征在于，所述注意力模型采用了双重注意力机制，其包括两个支路；

6.根据权利要求1所述的一种心电图信号分类方法，其特征在于，所述全连接层的层数为四，其中第二层和第三层全连接层中加入dropout技术，第四层全连接层将ecg信号分为五类。

技术总结
本发明公开了一种心电图信号分类方法，其特征在于包括以下步骤：S1：利用时频分析法对ECG信号进行预处理，得到时频图；S2：利用双重注意力机制的卷积神经网络对所述时频图进行特征提取，得到特征图；S3：采用全连接层接收并识别所述特征图，得到ECG信号的类别。该方法搭建了一个拥有双重注意力机制的自适应调节的网络，从而实现对多节拍心跳信号的识别。双重注意力机制是在注意力机制的基础上使用了两个不同的模块对特征的权重进行计算，并将结果综合反馈给网络。通过使用注意力机制，可以使模型自适应地调整不同区域的权重，重点关注包含重要信息的区域，并从中提取出重要的特征进行侧重学习，最后进行ECG信号的分类。

技术研发人员：李银伟,郑其斌,朱亦鸣,马慧连,王秋艳
受保护的技术使用者：上海理工大学
技术研发日：
技术公布日：2024/1/15