基于自适应注意力机制的短时心电信号房颤自动检测系统技术方案

本发明专利技术公开了一种基于注意力机制的短时单导联心电信号房颤自动检测系统，其特征在于，包括数据采样模块、预处理模块、房颤自动检测模块、优化训练模块。本发明专利技术添加自适应注意力模块，能够对大量的心电信号的特征进行精确提取，去除冗余特征；同时，通过强调和抑制信息，有助于不断更新、调整网络结构中的参数去关注和保留一些重要的心电信号特征。此外，将双向时域采样模块与一维密集连接网络级联，一方面能够提取更多与短时单导联房颤信号相关的微小细粒度变化的信息；另一方面能够充分考虑心电信号的时域特征，更好的关注房颤信号间的差异性和互补性，获得更高的分类准确率和特异度。

【技术实现步骤摘要】
基于自适应注意力机制的短时心电信号房颤自动检测系统
本专利技术属于人工智能和心电信号识别
，尤其涉一种基于自适应注意力机制的短时单导联心电信号房颤自动检测系统。
技术介绍
房颤是临床上最为常见且潜在危害较高的持续性心律失常，它很容易引起恶性疾病的发生，例如脑卒中，心力衰竭和血栓栓塞等。由于其极强的隐匿性以及多种并发症的严重影响，房颤对人类的生命和健康造成了极大的威胁。心电图作为房颤的主要检测方法，可以识别和检测不同类型的心律失常疾病。通常，在记录心电数据的过程中，有些患者可能刚刚经历过房颤发作，导致房颤段的心电数据无法被心电图所记录。因此，为了及时诊断和排除疾病，需要对心脏活动进行长期监视，例如动态心电图，智能手环或事故记录仪。然而，长期记录的心电片段数据量巨大，且初始阵发性房颤的持续时间很短，导致心电信号的波形发生微弱的变化，产生很高的漏诊率。因此，设计一个高效、便携、准确的自动房颤检测系统具有重要意义。传统上，房颤检测主要依赖于检测P波的消失，F波的产生或不规则的R-R间期等基于特征的提取方法。但是，心电信号的F波和P波非常微妙，提取到的特征很有可能会被噪声所污染；其次，由于心电信号R-R时间间隔序列的不稳定性和复杂性，难以获得精准的检测结果。近年来，基于深度学习的房颤检测方法尽管可以通过大量心电数据的训练、学习和采样，避免了基于特征提取方法中复杂的步骤，并且能够获得良好的泛化能力。但是，由于节拍信息有限，从短时单导联心电信号中准确、可靠、便携地检测房颤仍然是一个巨大的挑战。更为重要的是，仅仅基于常规的深度卷积网络模型，并没有对心电的时域信号进行深入分析，也没有考虑心电信号在不同网络特征表达中的差异性和互补性，导致房颤信号检测的精确度和特异度并不高。
技术实现思路
为了解决上述已有技术存在的不足，本专利技术提出一种基于自适应注意力机制的短时单导联心电信号房颤自动检测系统，将融合卷积注意力模块添加到一维密集残差块中形成自适应注意力模块，能够对大量的心电信号的特征进行精确提取，去除冗余特征；同时，通过强调和抑制信息，有助于不断更新、调整网络模型中的参数去关注和保留一些重要的心电信号特征。此外，将双向时域采样模块与自适应注意力模块级联，一方面能够提取更多与短时单导联房颤信号相关的微小细粒度变化的信息；另一方面也能够充分考虑心电信号的时域特征，更好的关注房颤信号间的差异性和互补性，获得房颤更高的分类准确率和特异度。本专利技术的具体技术方案如下：一种基于自适应注意力机制的短时心电信号房颤自动检测系统，包括数据采样模块、预处理模块、房颤自动检测模块和优化训练模块，其中，所述数据采样模块用于对房颤和非房颤单导联心电信号片段进行片段移位采样，以使两类信号分布均匀；所述预处理模块用于对所述数据采样模块处理后的心电信号片段进行初始化预处理，并作为所述房颤自动检测模块的训练数据；所述房颤自动检测模块是利用深度学习框架搭建的基于自适应注意力机制的自动检测模块，用于构建房颤自动检测模型，所述房颤自动检测模块包括输入层、自适应注意力模块、双向时域采样模块和输出层，其中，所述输入层由卷积层构成，用于将所述预处理模块处理之后的心电信号转化为所述自适应注意力模块能够识别的特征向量；F＝f(x),s.t.x＝x1,x2,...,xN，其中，F为特征向量，f代表房颤自动检测模块；x代表单导联心电信号片段，N表示心电信号片段的数量；所述自适应注意力模块由密集残差子块级联构成，用于自适应关注和提取与房颤信号相关的特征并去除冗余特征；所述双向时域采样模块由三个基于Attention机制的Bi-LSTM模块组成；所述输出层由两层全连接层后接Sigmoid层组成，将房颤心电信号与非房颤心电信号进行精准分类，并输出分类结果；所述优化训练模块的处理过程为对房颤自动检测模型加载预训练网络参数，将所述预处理模块预处理之后的心电数据片段按照十折交叉验证划分训练集和验证集，并添加单独的测试集；将训练集和验证集数据用于房颤检测系统模型的模型训练和最优参数选择，将测试集用于测试模型参数的效果；经Adam优化器和交叉熵损失函数优化训练并不断迭代更新，最终获得最优参数模型；经所述数据采样模块、所述预处理模块、所述房颤自动检测模块、所述优化训练模块处理后得到最优参数模型，然后将被检测单导联心电信号直接输入基于自适应注意力机制的短时心电信号房颤自动检测系统中，即可自动判别被检测心电信号是否有房颤。进一步地，所述自适应注意力模块由七个密集残差子块构成，每个密集残差子块由依次连接第一批量标准化层、第一线性整流函数层、最大池化层、第一Dropout层，第二批量标准化层、第二线性整流函数层、第一卷积层、卷积注意力模块，第三批量标准化层、第三线性整流函数层、第二卷积层，第二Dropout层，Efficient层。进一步地，每个密集残差子块中第一卷积层和第三批量标准化层之间添加卷积注意力模块，所述卷积注意力模块包括通道注意力模块和空间注意力模块。进一步地，所述数据采样模块的处理过程为：S11：根据以下关系手动确定信号片段移位：其中，nsi是第i类心电信号的片段数，i＝1代表房颤类别,i＝2代表非房颤类别；lt是记录的长度，ls是片段长度，ssi是第i类的片段移位；S12：在训练数据集中，选择不同的段偏移对房颤类和非房颤类心电信号进行均匀采样，以平衡两类心电信号片段的数量；S13：将所有平衡后的单导联心电信号记录在csv文件中，有房颤的单导联心电信号数据标记为1，其他不含房颤的心电信号数据标记为0，此csv文件即心电信号房颤自动检测模块的训练数据标签。进一步地，所述预处理模块的预处理操作具体过程为：S21：使用基于巴特沃斯和小波分析的一维混合滤波器对心电信号片段进行滤波去噪；S22：z-score标准化：其中，xt表示采样时间t的心电信号，u表示xt的平均值，σ表示xt的标准差。进一步地，信号片段移位过程中，lt为6-60s，ls固定为2s。进一步地，预处理模块具体使用的是截止频率为0.5Hz和40Hz的巴特沃斯带通滤波器和基于Daubechies小波分析的一维混合滤波器。进一步地，所述卷积注意力模块的处理过程为：S31：通道注意力模块对输入特征向量进行双池化操作，即以最大池化和平均池化的串联作为下采样；S32：池化后的特征向量经过所述通道注意力模块的全连接层输出，将添加了双池化的组合特征向量经过Sigmoid层之后，得出通道注意力的权重系数：其中，WC(F)为通道注意力的权重系数，FC为通道注意力模块的全连接层，W1和W0为通道注意力模块全连接层的权重系数，Avgpool(F)为通道注意力特征向量的平均池化操作，maxpool(F)为通道注意力特征向量的最大池化操作，为通道注意力平均池化后的特征向量，为通道注意力最大池化后的特征向量，σ为激活函数；S33：将通道本文档来自技高网...

【技术保护点】
1.一种基于自适应注意力机制的短时心电信号房颤自动检测系统，其特征在于，包括数据采样模块、预处理模块、房颤自动检测模块和优化训练模块，其中，/n所述数据采样模块用于对房颤和非房颤单导联心电信号片段进行片段移位采样，以使两类信号分布均匀；/n所述预处理模块用于对所述数据采样模块处理后的心电信号片段进行初始化预处理，并作为所述房颤自动检测模块的训练数据；/n所述房颤自动检测模块是利用深度学习框架搭建的基于自适应注意力机制的自动检测模块，用于构建房颤自动检测模型，所述房颤自动检测模块包括输入层、自适应注意力模块、双向时域采样模块和输出层，其中，/n所述输入层由卷积层构成，用于将所述预处理模块处理之后的心电信号转化为所述自适应注意力模块能够识别的特征向量；F＝f(x),s.t.x＝x

【技术特征摘要】
1.一种基于自适应注意力机制的短时心电信号房颤自动检测系统，其特征在于，包括数据采样模块、预处理模块、房颤自动检测模块和优化训练模块，其中，
所述数据采样模块用于对房颤和非房颤单导联心电信号片段进行片段移位采样，以使两类信号分布均匀；
所述预处理模块用于对所述数据采样模块处理后的心电信号片段进行初始化预处理，并作为所述房颤自动检测模块的训练数据；
所述房颤自动检测模块是利用深度学习框架搭建的基于自适应注意力机制的自动检测模块，用于构建房颤自动检测模型，所述房颤自动检测模块包括输入层、自适应注意力模块、双向时域采样模块和输出层，其中，
所述输入层由卷积层构成，用于将所述预处理模块处理之后的心电信号转化为所述自适应注意力模块能够识别的特征向量；F＝f(x),s.t.x＝x1,x2,...,xN，其中，F为特征向量，f代表房颤自动检测模块；x代表单导联心电信号片段，N表示心电信号片段的数量；
所述自适应注意力模块由密集残差子块级联构成，用于自适应关注和提取与房颤信号相关的特征并去除冗余特征；
所述双向时域采样模块由三个基于Attention机制的Bi-LSTM模块组成；
所述输出层由两层全连接层后接Sigmoid层组成，将房颤心电信号与非房颤心电信号进行精准分类，并输出分类结果；
所述优化训练模块的处理过程为对房颤自动检测模型加载预训练网络参数，将所述预处理模块预处理之后的心电数据片段按照十折交叉验证划分训练集和验证集，并添加单独的测试集；将训练集和验证集数据用于房颤检测系统模型的模型训练和最优参数选择，将测试集用于测试模型参数的效果；经Adam优化器和交叉熵损失函数优化训练并不断迭代更新，最终获得最优参数模型；
经所述数据采样模块、所述预处理模块、所述房颤自动检测模块、所述优化训练模块处理后得到最优参数模型，然后将被检测单导联心电信号直接输入基于自适应注意力机制的短时心电信号房颤自动检测系统中，即能够自动判别被检测心电信号是否有房颤。


2.根据权利要求1所述的一种基于自适应注意力机制的短时心电信号房颤自动检测系统，其特征在于，所述自适应注意力模块由七个密集残差子块构成，每个密集残差子块由依次连接第一批量标准化层、第一线性整流函数层、最大池化层、第一Dropout层，第二批量标准化层、第二线性整流函数层、第一卷积层、卷积注意力模块，第三批量标准化层、第三线性整流函数层、第二卷积层，第二Dropout层，Efficient层。


3.根据权利要求2所述的一种基于自适应注意力机制的短时心电信号房颤自动检测系统，其特征在于，每个密集残差子块中第一卷积层和第三批量标准化层之间添加卷积注意力模块，所述卷积注意力模块包括通道注意力模块和空间注意力模块。


4.根据权利要求1或2所述的一种基于自适应注意力机制的短时心电信号房颤自动检测系统，其特征在于，所述数据采样模块的处理过程为：
S11：根据以下关系手动确定信号片段移位：






其中，nsi是第i类心电信号的片段数，i＝1代表房颤类别,i＝2代表非房颤类别；lt是记录的长度，ls是片段长度，ssi是第i类的片段移位；
S12：在训练数据集中，选择不同的段偏移对房颤类和非房颤类心电信号进行均匀采样，以平衡两类心电信号片段的数量；
S13：将所有平衡后的单导联心电信号记录在csv文件中，有房颤的单导联心电信号数据标记为1，其他不含房颤的心电信号数据标记为0，此csv文件即心电信号房颤自动检测模块的训练数据标签。


5.根据权利要求1或2所述的一种基于自适应注意力机制的短时心电信号房颤自动检测系统，其特征在于，所述预处理模块的预处理操作具体过程为：
S21：使用基于巴特沃斯和小波分析的一维混合滤波器对心电信号片段进行滤波去噪；
S22：z-score标准化：其中，xt表示采样时间t的心电信号，u表示xt的平均值，σ表示xt的标准差。


6.根据权利要求4所述的一种基于自适应注意力机制的短时心电信号房颤自动检测系统，其特征在于，信号片段移位过程中，lt为6-60s，ls固定为2s。


7.根据权利要求5所述的一种基于自适应注意力机制的短时心电信号房颤自动检测系统，其特征在于，预处理模块具体使用的是截止频率为0.5Hz和40Hz的巴特沃斯带通滤波器和基于Daubechies小波分析的一维混合滤波器。


8.根据权利要求3所述的一种基于自适应注意力机制的短时心电信号房颤自动检测系统...

【专利技术属性】
技术研发人员：张光磊，张鹏，孙洋洋，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：北京;11