[发明专利]一种融合多导联注意力机制的ResNeXt网络分类方法

权利要求书

1.一种融合多导联注意力机制的ResNeXt网络分类方法，其特征在于：该方法包括以下步骤：

S1.对12导联心电信号进行预处理；

①确定等分割窗口W和覆盖长度，及窗口移动步长S；其中由于数据集不同类别数量不均衡，为了平衡数据集，按照每个类别数据数量作为权重，对不同心电类别数据设置不同覆盖长度；

②对所有分割后的心电信号片段所有值进行归一化；

③对所有归一化后的心电信号片段分别对每个导联单独作STFT变换，得到H*M*12的多通道频谱图像；

④为了提高数据准确性，对所有频谱图取对数，获得对数频谱图；

S2.构建面向12导联心电信号的MARX-Net模型；

①MARX-Net网络由分组卷积残差网络ResNeXt和导联注意力模块组成；MARX-Net网络将基于SE-Net的导联融合模块融入ResNeXt中，导联注意力机制分别设置在最初频谱图像数据送入网络时，以及ResNeXt每个分组卷积支路的恒等映射中；

②MARX-Net网络数据输入为12通道的频谱图像，首先经过一层导联注意力模块，即Senet,包括globalaveragepooling，两层全连接层，sigmoid层；之后进入9层多支路的ResNeXt网络；对于每层ResNeXt来说，由SplitLayer和TransitionLayer组成；

③其中SplitLayer为含有相同拓扑结构的多支路CNN结构，这里支路数量设置为2,每个支路的网络结构为1×1卷积层,3×3卷积层；每个支路为2个卷积层，分别使用1×1和3×3的卷积核，卷积步长分别为1和2，卷积核的数量皆为64；多个支路最终得到特征图，以及原始输入相加聚合，实现恒等残差映射；

④TransitionLayer为1×1卷积层；

⑤每一个卷积层包括BN-RELU-Conv，将激活函数RELU放在Conv之前,使层与层之间存在一条无阻碍的完全恒等路径，从而加快网络的收敛，将由此卷积层组成的残差块称为PReActResNet；

S3.对S2中构建的模型进行优化训练；

所采用的损失函数是交叉熵损失函数：

其中,x表示样本,y表示实际的标签,a表示预测的输出,n表示样本总数量；

S4.对测试集中的每条12导联心电记录进行预测具体步骤如下：

Step1数据预处理

①对于测试集每条心电记录，按其标签类别在数据集中的占比权重确定等分割窗口W和覆盖长度，及窗口移动步长S；得到n个片段，每个片段长度为l，导联数为12，即一个12×l的矩阵，分割得到每个片段的所属记录的类别即为该片段的标签；

②对于每个分割片段，对所有值进行归一化；

③对所有归一化后的心电信号片段分别对每个导联单独作STFT变换，得到H*M*12的多通道频谱图像；

④对测试集中每条记录提取的n个片段集打包，作为一个预测样本；

Step2模型预测

①将Step1中得到的一个预测样本，即n个H*M*12的矩阵，输送至MARX-Net网络中，模型最经过Softmax映射为该预测样本对于每个类别的所属概率估计，该模型输出为n×c的矩阵，其中c为类别数量；

②计算每个片段的最大概率对应类别，得到n个类别标签序列W＝{w₁,w₂,…w_n}，其中w_i∈{1,2,……,c}；

Step3结果投票

①统计Step2②中的投票数最多的类别，投票结果最多的类别为该记录的最终类别；

②若W中每个类别数量相同，则按照每个类别在数据集中的占比进行加权，选择权重最少的类别为最终类别。