[发明专利]一种基于分层注意力模型的心律失常分类方法

说明书

本发明公开了一种基于分层注意力模型的心律失常分类方法，包括以下步骤：1）获取数据集并进行数据预处理；2）提取时间特征，即前RR间期、后RR间期、局部平均RR间期、全局平均RR间期；3）构建分层注意力模型，包括两个层次，底层用于提取各类特征，顶层利用注意力模型融合各类特征；4）利用所获取的训练数据对模型进行训练，并在验证数据上优化模型的超参数；5）将待测心电数据输入到训练好的模型中，即可得到判别结果。本发明属于医学信息处理技术领域。本发明能将不同特征以及特征中的不同元素进行有效融合，从而提高检测分类的准确性。

技术领域

本发明涉及医学信息处理技术领域，具体为一种基于分层注意力模型的心律失常分类方法。

背景技术

心律失常是指心跳的频率或节奏不规则。心律失常时，心脏可能跳动过快、过慢或不规则。虽然大多数心律失常的影响可能不大，但有些可能很严重，甚至会危及生命。心律失常时，心脏可能无法向身体输送足够的血液，这会对大脑、心脏和其他器官造成损害。所以为了诊断这一问题，通常会使用动态心电图设备来长期记录病人的心电图数据。但对于心电图数据的分析，人工检查是繁琐和耗时的，特别是在长期监护的情况下，对于初级医生来说，实时诊断是一项困难的任务。因此，利用计算机辅助分析和解释心电信号，即时判断出异常心电信号，变得非常重要。

目前，已经有很多利用心电信号进行心律失常分类的研究，其通常会先提取各种特征，如形态特征、时序特征、时间特征等，再进行分类。现有的特征提取方法有很多，如传统的小波变换、傅里叶变换以及近几年兴起的深度神经网络方法等。深度学习方法能够从原始输入数据中自动学习潜在特征表示，具有很大的优势。对于心律失常分类任务来说，有两个重要的方面。一方面，不同的特征往往具有不同的重要性。如形态特征注重的是心电图的波形，时序特征注重的是心电信号随时间的变化，时间特征反映的是时间间隔，这几种特征反映了心跳搏动的不同方面，对心律失常分类也具有不同的影响。如何有效的融合这些特征变得至关重要。另一方面，这些特征可能包含不同的元素，不同的元素对于特征表示的影响也是不同的。如时序特征，其包含了不同时刻的心电信号，但并不是所有时刻的信号都同等重要。对于心律失常分类而言，异常部分的信号可能才是分类的关键。但目前有关心律失常分类的方法都未能同时考虑这两个重要的方面，而这会对分类的结果造成影响。

发明内容

(一)解决的技术问题

针对现有技术的不足，本发明提供了一种基于分层注意力模型的心律失常分类方法，能将不同特征以及特征中的不同元素进行有效融合，从而提高检测分类的准确性。

(二)技术方案

为实现以上目的，本发明通过以下技术方案予以实现：一种基于分层注意力模型的心律失常分类方法，包括以下步骤：

步骤一、获取数据集并进行数据预处理；

步骤二、提取时间特征：时间特征对于心律失常分类具有重要意义，一些室上性异位搏动患者虽具有与正常心跳相似形态的心电信号，但其RR间期是异常的，所述时间特征主要包括四类：

1)、前RR间期，指的是给定心跳与前一个心跳之间的RR间期；

2)、后RR间期，指的是给定心跳与后一个心跳之间的RR间期；

3)、局部平均RR间期，指的是覆盖过去10秒的滑动窗口内的所有RR间期的平均值；

4)、全局平均RR间期，指的是覆盖过去5分钟的滑动窗口内的所有RR 间期的平均值；

步骤三、构建分层注意力模型：该模型包括底层和顶层，底层包含三个主要部分，分别为提取形态特征的一维卷积神经网络(CNN)结构、提取时序特征的带有注意力机制的循环神经网络(RNN)结构以及提取时间特征的全连接层；而顶层利用注意力网络学习了不同特征的不同重要性，从而有效融合了不同特征；最后利用Softmax层，即可得出分类结果；