基于多视图多尺度融合网络的心律失常检测模型建模方法

本发明属于计算机信号处理领域，具体涉及一种基于多视图多尺度融合网络的心律失常检测模型建模方法。

背景技术：

1、心血管疾病(cvd)是全球死亡的主要原因，据世界卫生组织(who)统计，全世界每年32％的死亡由心血管疾病造成，其中绝大多数的急性心血管疾病为突发事件。心血管疾病已成为目前全球非传染性疾病的主要死因。因此心血管疾病的预警十分关键。

2、心律失常作为临床上常见的心血管疾病的表现之一，而ecg作为监测记录心律失常的可靠手段，由于其数据量大，人工标注费时费力，且容易出错，随着近年来各式便携式心电监测装置的普及，需要分析的ecg数据量增长过快，心脏病专家的分析速度跟不上ecg的数据增长速度。因此能够实时且高精度的心律失常检测方法成为了当下的研究热点。

3、近年来研究人员们尝试将机器学习的方法应用在心律失常检测上，但是由于机器学习的需要人工进行特征提取等问题，导致机器学习的方法效果不够好。随着深度学习的发展，神经网络在分类任务中表现出了优异的效果。研究人员们开始尝试将神经网络应用在心律失常检测任务中，但他们的方法往往都只从单一的维度进行特征提取，这使得很多心律失常的异常特征被忽略，并且他们往往都忽略了辅助信息在诊断中的作用，这导致他们的网络的性能被限制。

技术实现思路

1、本发明的目的是为克服上现有技术存在的缺陷，提出了一种基于多视图多尺度融合网络的心律失常检测模型建模方法，该方法使用空间注意力模块、通道注意力模块和多尺度时间注意力模块从三个维度提取ecg信号特征，再利用残差网络进行三个维度的深度特征提取，然后将辅助信息分别融合到三个维度的深度特征之中，最后将所有特征融合通过多层感知机检测分类是否存在心律失常以及是什么类型的心律失常。该方法从三个不同的维度对ecg信号进行特征提取，并结合患者的辅助信息能够有效提高心律失常检测的准确率、高效性和实用性。

2、本发明采用的技术方案是：

3、本发明基于多视图多尺度融合网络的心律失常检测模型建模方法，包括以下步骤：

4、1)对原始ecg数据进行预处理，预处理过程依次为截取或补0、获取辅助信息、去噪和对去噪后的ecg信号进行数据增强，然后划分训练集、验证集和测试集；

5、2)构建心律失常检测模型，具体如下：使用通道注意力模块、空间注意力模块和多尺度时间注意力模块来提取每个预处理后ecg信号的多维特征；这些多维特征与预处理后ecg信号进行残差连接，形成两个混合特征，其中一个为包含时间、通道、空间三个维度的混合特征，另一个为包含通道、空间的混合特征；两个混合特征输入到并行的两个残差网络中，每个残差网络包含残差块、主干网络和多层感知机，残差块进行深度特征提取后输入主干网络，患者的辅助信息输入到两个残差网络中，并与主干网络的输出进行拼接后由多层感知机进行一次融合；然后，两个融合了辅助信息的特征进行二次融合；最后，二次融合后的特征输入到另一个多层感知机中生成预测的分类标签作为心律失常检测模型的最终输出；同时，两个融合了辅助信息的特征也使用多层感知机生成预测的分类标签；

6、3)对构建好的心律失常检测模型进行训练、验证和测试。

7、优选地，所述截取或补0的过程为：对原始ecg数据中超过30s的ecg信号取前30s，对不足30s的ecg信号进行补0处理，使其长度达到30s。

8、优选地，所述的辅助信息包括体重、年龄、性别、高血压史。

9、优选地，所述的去噪过程为：选取daubechies6小波函数作为母小波来过滤截取或补0后ecg信号的信号噪声，将信号分解成9级，删除其中的d1、d2、d3和a9分量；其中，信号噪声包含肌电干扰和工频噪声。

10、优选地，对去噪后st段抬高、房性早搏、室性早搏、左束支传导阻滞四个类别心律失常ecg信号进行数据增强。

11、优选地，所述多尺度时间注意力模块的构建过程具体如下：

12、b1)使用最大池化层和残差块对预处理后的ecg信号进行下采样和特征提取，并保留每个尺度下提取出的特征；公式表示如下：

13、

14、其中，xi是输入的预处理后ecg信号，pm是最大池化层，r是残差块，是在下采样过程中第k个尺度的特征；

15、b2)使用残差块和线性插值层对每个尺度提取出的特征进行上采样和特征提取，并与下采样保留的特征进行拼接；公式表示如下：

16、

17、其中，是在上采样过程中第k个尺度的特征，b是线性插值层，r是残差块，cat是拼接，a是注意力机制；

18、b3)将步骤b2)中最后一个残差块的输出也就是多尺度时间注意力模块输出的多尺度时间注意力权重与预处理后ecg信号相乘得到加权后的ecg信号输出；公式表示如下：

19、

20、其中是加权后的ecg信号输出，是点乘。

21、优选地，提取多维特征并与预处理后ecg信号进行残差连接的过程具体如下：

22、将预处理后ecg信号分别输入到通道注意力模块、空间注意力模块和多尺度时间注意力模块中，获得注意力权重加权的三个ecg特征，分别为通道特征空间特征时间特征将加权后的三个ecg特征以以下公式进行残差连接：

23、

24、其中xi是预处理后ecg信号，res是残差连接，xu是上支路残差网络的输入，xl是下支路残差网络的输入；其中，下支路残差网络是与多尺度时间注意力模块连接的残差网络。

25、优选地，心律失常检测模型训练和验证过程中，在计算损失时采用联合损失和焦点损失函数；在测试时根据心律失常检测模型对测试集中各ecg信号预测的分类标签，结合测试集中各ecg信号记录的真实分类标签，计算评价指标，对心律失常检测模型进行评价，若评价指标满足要求，得到心律失常检测模型的最优参数，否则调整心律失常检测模型的参数，重新对心律失常检测模型进行训练、验证和测试。

26、更优选地，联合损失和焦点损失函数的构建过程具体如下：

27、c1)利用交叉熵损失函数计算二次融合后的特征输入到多层感知机中生成预测的分类标签的损失和融合了辅助信息的特征使用多层感知机生成预测的分类标签的损失；所述交叉熵损失函数的公式表示如下：

28、

29、其中yi是训练集或验证集中第i个ecg信号记录的真实分类标签，pi是预测的第i个分类标签，n为训练集或验证集中ecg信号的数量；

30、c2)计算各类别心律失常的ecg信号的焦点损失权重，然后将两个融合了辅助信息的特征使用多层感知机生成预测的分类标签的损失和二次融合后的特征输入到多层感知机中生成预测的分类标签的损失分别与焦点损失权重相乘，得到三个焦点损失，最后将三个焦点损失加在一起得到联合损失；公式表示如下：

31、

32、其中b是原始ecg数据中ecg信号的数量，ni是原始ecg数据中第i类心律失常的ecg信号数量，wi是第i类心律失常的ecg信号的分配权重，如果第i类是被数据增强过的ecg信号所属心律失常类别，则使用公式(2)，否则使用公式(1)，m为原始ecg数据中心律失常的类别数量，wi′是第i类心律失常的ecg信号的焦点损失权重，是融合了辅助信息的特征使用多层感知机生成预测的分类标签的损失或二次融合后的特征输入到多层感知机中生成预测的分类标签的损失，是焦点损失函数，是上支路残差网络输出的融合了辅助信息的特征使用多层感知机生成预测的分类标签的焦点损失，是下支路残差网络输出的融合了辅助信息的特征使用多层感知机生成预测的分类标签的焦点损失，是二次融合后的特征输入到多层感知机中生成预测的分类标签的焦点损失，是联合损失。

33、优选地，将所有除测试集外的心律失常ecg信号分为十堆，所有正常ecg信号也分为十堆，每次训练过程选取不同的九堆心律失常ecg信号和九堆正常ecg信号作为训练集，对应的验证过程则选取剩余的一堆心律失常ecg信号和一堆正常ecg信号作为验证集，训练和验证结束后用测试集进行测试，将各测试结果的平均评价指标作为一次过程的评价指标；训练、验证和测试过程重复10次，对十次过程的评价指标再进行求平均值，将这个平均值作为该心律失常检测模型的最终评价指标。

34、相比于现有技术，本发明具有的有益效果为：

35、本发明通过多尺度多视图全面挖掘心率失常的异常特征，具体是使用空间注意力模块、通道注意力模块和多尺度时间注意力模块从三个维度提取ecg信号特征，再利用残差网络进行三个维度的深度特征提取，然后将辅助信息分别融合到三个维度的深度特征之中，最后将所有特征融合通过多层感知机检测分类是否存在心律失常以及是什么类型的心律失常，克服了以往的心律失常检测方法以单一尺度或单一视图为主，难以全面挖掘心律失常异常特征的问题。进一步，本发明利用辅助信息辅助网络对心律失常的检测，有效提高了心律失常检测的准确率，克服了以往的方法忽视辅助信息作用的问题。再进一步，本发明使用了新的双支路融合的网络结构，可以保障特征提取的全面性，利用双支路补全被单支路忽略的特征。最后，本发明使用联合损失和全新设计的焦点损失函数能够解决数据不平衡问题，有效提升心律失常检测的准确率、高效性和实用性。

技术特征：

1.基于多视图多尺度融合网络的心律失常检测模型建模方法，其特性在于：包括以下步骤：

2.根据权利要求1所述基于多视图多尺度融合网络的心律失常检测模型建模方法，其特性在于：所述截取或补0的过程为：对原始ecg数据中超过30s的ecg信号取前30s，对不足30s的ecg信号进行补0处理，使其长度达到30s。

3.根据权利要求1所述基于多视图多尺度融合网络的心律失常检测模型建模方法，其特性在于：所述的辅助信息包括体重、年龄、性别、高血压史。

4.根据权利要求1所述基于多视图多尺度融合网络的心律失常检测模型建模方法，其特性在于：所述的去噪过程为：选取daubechies6小波函数作为母小波来过滤截取或补0后ecg信号的信号噪声，将信号分解成9级，删除其中的d1、d2、d3和a9分量；其中，信号噪声包含肌电干扰和工频噪声。

5.根据权利要求1所述基于多视图多尺度融合网络的心律失常检测模型建模方法，其特性在于：对去噪后st段抬高、房性早搏、室性早搏、左束支传导阻滞四个类别心律失常ecg信号进行数据增强。

6.根据权利要求1所述基于多视图多尺度融合网络的心律失常检测模型建模方法，其特性在于：所述多尺度时间注意力模块的构建过程具体如下：

7.根据权利要求1所述基于多视图多尺度融合网络的心律失常检测模型建模方法，其特性在于：提取多维特征并与预处理后ecg信号进行残差连接的过程具体如下：

8.根据权利要求1所述基于多视图多尺度融合网络的心律失常检测模型建模方法，其特性在于：心律失常检测模型训练和验证过程中，在计算损失时采用联合损失和焦点损失函数；在测试时根据心律失常检测模型对测试集中各ecg信号预测的分类标签，结合测试集中各ecg信号记录的真实分类标签，计算评价指标，对心律失常检测模型进行评价，若评价指标满足要求，得到心律失常检测模型的最优参数，否则调整心律失常检测模型的参数，重新对心律失常检测模型进行训练、验证和测试。

9.根据权利要求8所述基于多视图多尺度融合网络的心律失常检测模型建模方法，其特性在于：联合损失和焦点损失函数的构建过程具体如下：

10.根据权利要求1所述基于多视图多尺度融合网络的心律失常检测模型建模方法，其特性在于：将所有除测试集外的心律失常ecg信号分为十堆，所有正常ecg信号也分为十堆，每次训练过程选取不同的九堆心律失常ecg信号和九堆正常ecg信号作为训练集，对应的验证过程则选取剩余的一堆心律失常ecg信号和一堆正常ecg信号作为验证集，训练和验证结束后用测试集进行测试，将各测试结果的平均评价指标作为一次过程的评价指标；训练、验证和测试过程重复10次，对十次过程的评价指标再进行求平均值，将这个平均值作为该心律失常检测模型的最终评价指标。

技术总结
本发明公开了基于多视图多尺度融合网络的心律失常检测模型建模方法，使用空间注意力模块、通道注意力模块和多尺度时间注意力模块获得原始ECG信号的三个维度特征，将这些特征与原始ECG信号进行残差连接形成两个混合特征；两个混合特征输入到两个并行网络进行深度特征提取，辅助信息输入到并行网络与深度特征进行融合；提取两路中融合了辅助信息的特征进一步融合，并将融合后的特征输入到一个新的多层感知机中生成预测结果，作为网络输出，且训练时使用焦点损失。本发明关注心律失常发生时在不同视图下表现出的异常特征，提取不同视图下心律失常在原始ECG信号上的特征，并结合辅助信息，有效提高心律失常检测的准确率、高效性和实用性。

技术研发人员：蒋明峰,朱业龙,何晓玉,李杨
受保护的技术使用者：浙江理工大学
技术研发日：
技术公布日：2024/9/23