【技术实现步骤摘要】
本专利技术属于医学生理信号处理，涉及基于多尺度时通特征融合的生理信号片段分类方法。
技术介绍
1、阻塞性睡眠呼吸暂停(osa)事件分类旨在从医学生理信号中提取特征，完成事件分类。过去常常使用多导睡眠仪(polysomnography，psg)来检测osa，但这种方法成本太高，同时对osa的检测具有一定的主观性，因此并没有被普遍使用。从2018年开始，陆续有学者提出将机器学习方法和深度学习方法应用于osa检测，而随着深度学习的不断发展，各种基于深度学习方法的osa检测方法也被不断提出，其中最常见的利用各种通道信号对osa进行检测，其中心电(electrocardiogram，ecg)信号因为与osa相关性较高，且便于采取非侵入式的方法采集，是被使用最多的单通道信号。然而，由于ecg信号容易受到多种干扰因素的影响，如肌电信号和运动伪影等，因此会导致信号质量下降，难以提取出明显的特征用于osa的检测。因此，虽然现有基于ecg信号的osa检测方法取得了一定的进展，依旧存在样本数据中ecg特征差异不显著、时序和通道特征间依赖性被忽略的问题，从而导致对osa事件判断不准确。
技术实现思路
1、本专利技术的目的是提供基于多尺度时通特征融合的生理信号片段分类方法，该方法利用时间-通道注意力和transformer结合，对生理信号片段分析，改善ecg信号特征差异不显著的情况，以提高分析生理信号片段是否发生睡眠呼吸暂停事件的准确率。
2、本专利技术所采用的技术方案是，基于多尺度时通特征融合
3、步骤1，输入apnea-ecg公开数据集，对数据集中的相应ecg信号进行预处理操作，随后将处理后的数据集按1：1的比例划分为训练集和测试集；
4、步骤2，构建基于多尺度时通特征融合transformer的生理信号片段分析模型对生理信号进行分类，该模型包括由多尺度特征提取模块和transformer组合的transformer集成模型和分类模块，其中多尺度特征提取模块包括inception模块和时间-通道注意力模块tigct，分类模块包括平均池化、全连接层和softmax激活函数；
5、步骤3，使用步骤1处理后的训练集对步骤2构建的模型进行训练；
6、步骤4，将步骤1预处理后的测试集ecg信号送入步骤3训练好的模型，输出分类结果。
7、本专利技术的特点还在于：
8、步骤1中，对ecg信号进行预处理的过程为：
9、对ecg信号依次进行分段、巴特沃斯带通滤波、r峰检测与rr间期和r峰幅值提取、中值滤波、线性插值以及通道拼接，得到时间序列t。
10、步骤2中，通过inception卷积模块来捕捉不同尺度的特征信息，随后通过由改进后的gct模块和时间注意力组成的时间-通道注意力模块tigct自适应的完成时序特征和通道特征的整合，最后利用transformer完成上下文信息的交互，最后利用分类模块完成信号的分类。
11、步骤2中，inception卷积模块包括五个分支，第一个分支是一个1×1的卷积，第二个分支是由一个1×1的卷积和一个3×3的卷积组成，第三个分支是由一个1×1的卷积、一个3×3的卷积和一个5×5的卷积组成，第四个分支也是由一个1×1的卷积、一个3×3的卷积和一个5×5的卷积组成，第五个分支是由一个3×3的最大池化和一个1×1的卷积组成。
12、步骤2的具体过程如下：
13、步骤2.1，在多尺度特征提取模块中，将步骤1中的时间序列t通过inception模块后得到拼接的特征序列tinception，通过使用不同大小的卷积核和池化操作，公式如下：
14、tlayer1＝conv1×1(t) (1)
15、tlayer2＝conv3×3(conv1×1(t)) (2)
16、tlayer3＝conv5×5(conv3×3(conv1×1(t))) (3)
17、tlayer4＝conv5×5(conv3×3(conv1×1(t))) (4)
18、tlayer5＝conv1×1(maxpooling3×3(t)) (5)
19、tinception＝concatenation(tlayer1,tlayer2,tlayer3,tlayer4,tlayer5) (6)
20、公式(1)～(6)中，conv是卷积操作，maxpooling是最大池化操作，tlayer1、tlayer2、tlayer3、tlayer4、tlayer5分别代表inception模块的5个分支；
21、步骤2.2，将步骤2.1中得到的特征序列tinception通过时间-通道注意力tigct模块进行处理，得到特征序列ttigct，公式如下：
22、
23、
24、其中，γ为缩放因子，β为平移因子，ε为常数，αt表示对应于第t个时间步的注意力权重，n表示输入序列的总时间步数。
25、步骤2.3，将步骤2.2中的特征序列tticgt通过transformer进行上下文信息交互，得到输出结果ψ；
26、步骤2.4，在分类模块中，将步骤2.3中得到的输出结果ψ采用如下公式(9)获取睡眠呼吸暂停事件生理信号分类的预测值
27、
28、步骤3中，利用交叉熵损失函数对训练网络得到的结果进行约束，具体过程如下：
29、
30、
31、其中，n为样本数，yi表示样本i的标签，pi表示样本i预测为正类的概率，y为传入的标签，k为总的类别数。
32、本专利技术的有益效果如下：
33、1.本专利技术构建了一个transformer集成模块(transformer integration model)，它由多尺度特征融合模块和transformer组成，其中多尺度特征融合模块提取生理信号中的时序特征和通道特征，融合时通信息，而transformer进行上下文信息交互。
34、2.本专利技术在门控通道转换(gct)模块上进行改进，改进后的gct模块命名为igct模块，它通过对特征数据计算均差和标准差之比来调整，加速训练过程并提高模型的泛化能力。
35、3.本专利技术构建了一个时间-通道注意力模块，即tigct模块，它是将igct模块与时间注意力结合。考虑到时序信息和通道信息之间的依赖相关性，通过融合时通特征信息，可以有效地改善ecg信号特征差异不显著的问题，提高对生理信号片段分类的准确度。
本文档来自技高网...【技术保护点】
1.基于多尺度时通特征融合的生理信号片段分类方法，其特征在于：具体包括如下步骤：
2.根据权利要求1所述的基于多尺度时通特征融合的生理信号片段分类方法，其特征在于：所述步骤1中，对ECG信号进行预处理的过程为：
3.根据权利要求2所述的基于多尺度时通特征融合的生理信号片段分类方法，其特征在于：所述步骤2中，通过Inception卷积模块来捕捉不同尺度的特征信息，随后通过由改进后的GCT模块和时间注意力组成的时间-通道注意力模块TIGCT自适应的完成时序特征和通道特征的整合，最后利用Transformer完成上下文信息的交互，最后利用分类模块完成信号的分类。
4.根据权利要求3所述的基于多尺度时通特征融合的生理信号片段分类方法，其特征在于：所述步骤2中，Inception卷积模块包括五个分支，第一个分支是一个1×1的卷积，第二个分支是由一个1×1的卷积和一个3×3的卷积组成，第三个分支是由一个1×1的卷积、一个3×3的卷积和一个5×5的卷积组成，第四个分支也是由一个1×1的卷积、一个3×3的卷积和一个5×5的卷积组成，第五个分支是由一个3×3的最
5.根据权利要求4所述的基于多尺度时通特征融合的生理信号片段分类方法，其特征在于：所述步骤2的具体过程如下：
6.根据权利要求5所述的基于多尺度时通特征融合的生理信号片段分类方法，其特征在于：所述步骤3中，利用交叉熵损失函数对训练网络得到的结果进行约束，具体过程如下：
...【技术特征摘要】
1.基于多尺度时通特征融合的生理信号片段分类方法，其特征在于：具体包括如下步骤：
2.根据权利要求1所述的基于多尺度时通特征融合的生理信号片段分类方法，其特征在于：所述步骤1中，对ecg信号进行预处理的过程为：
3.根据权利要求2所述的基于多尺度时通特征融合的生理信号片段分类方法，其特征在于：所述步骤2中，通过inception卷积模块来捕捉不同尺度的特征信息，随后通过由改进后的gct模块和时间注意力组成的时间-通道注意力模块tigct自适应的完成时序特征和通道特征的整合，最后利用transformer完成上下文信息的交互，最后利用分类模块完成信号的分类。
4.根据权利要求3所述的基于多尺度时通特征融合的生理信号片段...
【专利技术属性】
技术研发人员：石争浩，彭妃婷，李成建，李娜，尤珍臻，贾萌，黑新宏，赵明华，冯亚宁，任晓勇，刘海琴，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。