[发明专利]一种融合多导联注意力机制的ResNeXt网络分类方法

说明书

本发明公开了一种融合多导联注意力机制的ResNeXt网络分类方法，本发明首先利用傅里叶变换将原始时域信号转变为对应的频谱图像，然后采用MARX‑Net网络对二维频谱图进行图像分类以实现心律失常的类别识别，同时本方法在网络结构中融入了多导联注意力模块，增加了关注相关导联信息的权重，抑制了无关导联信息的权重，进而提高了心电信号分类的准确率。同时引入了PreAct方法改变神经网络激活层位置，改善了残差网络的性能。本发明是一种端到端的心电分类方法。降低了解决问题的繁琐复杂过程，有效地提高了心电信号分类准确率。

技术领域

本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，以期达到对新的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。

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。但是，深度神经网络训练很困难，往往会出席那梯度消失或梯度爆炸问题。分组残差网络(ResNext)在解决深度卷积神经网络退化的问题上，没有直接向网络中堆砌层去拟合所需的潜在映射，而是显示地让这些层拟合残差映射，并且包含了分组卷积的思想，不同组的卷积能够学习到更加多样的表示。

Senet的核心思想在于通过网络去学习特征权重，使得有效的特征向量全重大，无效或效果小的特征向量权重小，训练模型达到更好的效果。Senet作为一个轻量级的网络可以嵌入到以后的网络中。本发明提出一种融合多导联注意力机制的ResNeXt网络分类方法(MARX-Net)

发明内容

本发明的目的在于针对传统的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，提出一种一种融合多导联注意力机制的ResNeXt网络分类方法(MARX-Net).

本发明公开了一种融合多导联注意力机制的ResNeXt网络分类方法(MARX-Net).由于原始心电信号的长度不一或时间过长，无法对其直接分类，需要对每条记录以等长的时间间隔分割处理，把分割好心电信号片段经过SIFT变换到频域中，得到频谱图，然后对频谱图取对数最后得到对数频谱图，然后将对数频谱图输入到设计好的MARX-Net网络中进行分类。MARX-Net网络由分组卷积残差网络ResNeXt^[42]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.该网络的输入为心电信号在频域上取对数后的频谱图，每个输出分别为所属类别的概率，是一种端对端的心电信号分类方法：本发明整体流程见图1，其具体方法步骤如下：

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的多通道频谱图象。

④为了提高数据准确性，对所有频谱图对2取对数，获得对数频谱图。

S2.构建面向12导联心电信号的XSENet模型