[发明专利]融合深度和医学特征的基于序列标注的多导联心电信号分类方法

说明书

本发明公开了一种基于序列标注并融合各导联的深度特征与医学特征的心电信号分类方法。该方法借鉴文本序列标注思想，首先提取每个导联上的深度时域特征和传统医学特征，将两个特征进行融合，然后使用Seq2Seq对12个导联进行类别标注，在模型预测时对12个导联的类别标注进行投票。同时在解码时加入和编码器之间的注意力机制，为了在解码时每个导联的类别更加改导联的编码信息，使解码结果更加正确。本方法是一种端到端的心电信号分类方式,利用了深度学习特征和医学特征,有效提升了多导联心电信号分类的准确率。

技术领域

该发明属于机器学习与模式识别技术领域，利用给定的12导联心电信号(ECG)数据集构造一种鲁棒性较强的神经网络预测方法，以期达到对心电信号给出正确分类。

背景技术

随着心脏疾病的发病率和死亡率越来越高，人类健康直接受到了威胁。心电图识别是心脏疾病临床医学诊断的重要前提，由于心电图诊断需求的不断增加，人工识别心电图速度慢、实时性差，因此，心电图自动识别技术的研究一直受到各方学者的关注。

心电信号的传统医学特征提取主要由人工定义并提取，其定义和提取方法基于心电医学的专业领域知识，虽提取过程较为繁琐，但得到的特征数据更为具体和精确。

近年来，深度学习在不同的应用场景中显示出强大的信息提取和拟合能力，如图像分类和疾病监测等。其动机在于通过模拟人类大脑的神经连接结构来建立模型。卷积神经网络是目前最受欢迎的深度学习方法，其本质是一种表示学习方法，是一种端到端学习的深度学习方法。深度网络是以端到端的多层方式集成了低/中/高级特征和分类器，特征的“层次”可以通过层叠层的深度来丰富。

通过训练神经网络得到深度特征的过程是数据驱动模型学习的过程，通过端到端的方式得到自动分类准确率高的网络模型，其网络模型最后一层的深度特征表示该数据的高维抽象特征。

Seq2Seq模型，其中encoder和decoder都为LSTM单元。

encoder在每个时刻输入为一个导联的一维特征数据，心电信号为12导联，encoder的输入序列长度为12。最终生成对12个导联序列的编码向量e由在第12时刻encoder的LSTM单元输出的最后的隐藏层状态h_t和记忆细胞c_t直接拼接组成，模型结构如图1所示。

decoder接收编码e后，在第一个时刻输入起始符“GO”，然后逐一顺序生成每个导联对应类别概率，直到生成12个类别标签，相当于为导联标注一个对应的心电图类别。decoder在模型训练和模型预测时的输入输出设置是不同的。训练时，在第一个时刻输入起始符“GO”，在之后的每个时刻都输如每个导联对应的真实类别标签，对应每个时刻decoder预测生成对应的类别概率。而在于模型预测时，decoder每个时刻的类别概率经过softmax之后找到最有可能的类别标签，该标签是下一个时刻decoder的输入，如此迭代生成最终的类别标签序列。

本发明将深度学习特征和医学特征融合,借助Seq2Seq提出一种基于序列标注并融合各导联的深度特征与医学特征的心电信号分类方法.

发明内容

本发明的目的在于针对心电信号分类技术存在特征提取繁琐复杂，准确率低以及泛化能力差等缺点，提出一种基于序列标注并融合各导联的深度特征与医学特征的心电信号分类方法.

本发明公开了一种基于序列标注并融合各导联的深度特征与医学特征的心电信号分类方法.该分类方法首先提取心电信号的QRS子片段,并分别提取医学特征和每个导联的深度特征，然后训练Seq2Seq模型生成导联类别序列，最后预测12类别进行投票决定最终类别。

本发明其具体方法步骤如下：

S1.对12导联心电信号进行预处理