[发明专利]一种基于融合注意力机制的脉搏异常判别方法及系统

说明书

本发明提供一种基于融合注意力机制的脉搏异常判别方法及系统，其中方法包括：获取脉搏波历史数据，并对脉搏波历史数据进行预处理，得到满足预设规律的脉搏波图像；根据脉搏波图像建立注意力模块，并通过注意力模块分别在空间维度和通道维度上进行特征提取，分别得到空间特征数据及维度特征数据；根据空间特征数据及维度特征数据对预设的CNN神经网络模型进行自适应特征学习及训练，得到脉搏异常判别神经网络模型；采集脉搏波当前数据，将脉搏波当前数据作为输入信号，输入至脉搏异常判别神经网络模型，脉搏异常判别神经网络模型输出脉搏波当前数据的检测结果，实现对当前脉搏波异常判别。本发明提高了脉搏波图像判别的准确性。

技术领域

本发明涉及数据处理技术领域，特别是涉及一种基于融合注意力机制的脉搏异常判别方法及系统。

背景技术

在智能健康诊断中，使用脉搏来检测健康状态是目前一个重要研究领域。普通的应用方法有专家面询法、量表评估法和自动检测法。自动分析检测能够通过脉搏波图进行监测和实时评估，相对专家面询诊断来看，自动分析检测更加便捷，检测速度也更快。

现有的脉搏波的自动分析已经取得了一些进展，例如通过小波分析提取波形的高峰低谷，从而分析脉搏波频率；还有使用高斯混合模型提取脉搏波特征，进行特征分析。随着机器学习和深度学习的发展，支持向量机和深度神经网络也有了广泛的应用。

但是，基于高斯模型、小波分析的脉搏波特征分析方法只能对脉搏波数据做基本的预处理，无法达成健康与否的判断。而使用双通道的卷积神经网络方法能够较好地对特征进行定性分析，然而，将频域和时域相分离，会导致二者的关联关系被忽视，另一方面，传统的卷积神经网络的每一层都会从其前导层获取信息，然后转换成有用的特征信息，不同类型的网络层负责提取不同种类的特征信息，不同大小的卷积核的输出也不同，很难知道哪个变换能提供最有用的信息。

发明内容

为解决以上现有技术问题，本发明提供一种基于融合注意力机制的脉搏异常判别方法及系统，提高了脉搏异常判别的准确性。

本发明第一方面提供一种基于融合注意力机制的脉搏异常判别方法，包括：

获取脉搏波历史数据，并对所述脉搏波历史数据进行预处理，得到满足预设规律的脉搏波图像；

根据所述脉搏波图像建立注意力模块，并通过所述注意力模块分别在空间维度和通道维度上进行特征提取，分别得到空间特征数据及维度特征数据；

根据所述空间特征数据及所述维度特征数据对预设的CNN神经网络模型进行自适应特征学习及训练，得到脉搏异常判别神经网络模型；

采集脉搏波当前数据，将所述脉搏波当前数据作为输入信号，输入至所述脉搏异常判别神经网络模型，所述脉搏异常判别神经网络模型输出所述脉搏波当前数据的检测结果，实现对当前脉搏波异常判别。

进一步地，所述根据所述脉搏波图像建立注意力模块之前，包括：

通过重搏波注意力机制，对所述脉搏波图像的重搏波高度进行标注，得到重搏波高度信号；

根据所述脉搏波图像对应的所述重搏波高度信号，建立注意力模块。

进一步地，所述通过所述注意力模块分别在空间维度和通道维度上进行特征提取，分别得到空间特征数据及维度特征数据，包括：

通过单通道注意力机制，提取所述脉搏波图像的灰度梯度特征；

通过对所述灰度梯度特征分别在空间维度和通道维度上进行特征提取，分别得到空间特征数据及维度特征数据。

进一步地，所述对所述脉搏波历史数据进行预处理，得到满足预设规律的脉搏波图像，包括：

通过拉依达准则，对所述脉搏波历史数据中的离群值极性检测及剔除，得到一次处理信号；