CN112270212B - 基于多导联心电信号生成心搏标签数据序列的方法和装置 - Google Patents
基于多导联心电信号生成心搏标签数据序列的方法和装置 Download PDFInfo
- Publication number
- CN112270212B CN112270212B CN202011078169.0A CN202011078169A CN112270212B CN 112270212 B CN112270212 B CN 112270212B CN 202011078169 A CN202011078169 A CN 202011078169A CN 112270212 B CN112270212 B CN 112270212B
- Authority
- CN
- China
- Prior art keywords
- tensor
- dimensional
- data
- dimensional tensor
- layer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 204
- 238000012545 processing Methods 0.000 claims abstract description 203
- 238000005070 sampling Methods 0.000 claims abstract description 81
- 238000004364 calculation method Methods 0.000 claims abstract description 62
- 238000002360 preparation method Methods 0.000 claims abstract description 32
- 230000035945 sensitivity Effects 0.000 claims abstract description 12
- 230000008569 process Effects 0.000 claims description 73
- 238000010606 normalization Methods 0.000 claims description 56
- 230000000747 cardiac effect Effects 0.000 claims description 28
- 239000012634 fragment Substances 0.000 claims description 26
- 238000013528 artificial neural network Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 238000007499 fusion processing Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 7
- 230000009901 attention process Effects 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 12
- 238000004590 computer program Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 6
- 208000024172 Cardiovascular disease Diseases 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 102000003712 Complement factor B Human genes 0.000 description 1
- 108090000056 Complement factor B Proteins 0.000 description 1
- 208000000418 Premature Cardiac Complexes Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002565 electrocardiography Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000002861 ventricular Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Signal Processing (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明实施例涉及一种基于多导联心电信号生成心搏标签数据序列的方法和装置,所述方法包括:对多导联心电信号进行采样、片段划分、心电特征数据识别和第一数据准备处理,生成编码输入三维张量;识别多导联数据的R点数据位置,再进行第二数据准备处理,生成解码R点位置三维张量;以解码R点位置三维张量做为transformer模型解码器单元的心搏敏感注意力处理层计算因子,将编码输入三维张量输入transformer模型进行计算,生成心搏标签数据序列。本发明实施例对基于自注意力处理机制的transformer模型进行改造,在其解码器单元增加心搏敏感注意力处理层,提高了模型与心搏特征的敏感度。
Description
技术领域
本发明涉及信号处理技术领域,特别涉及一种基于多导联心电信号生成心搏标签数据序列的方法和装置。
背景技术
心血管疾病是威胁人类健康的主要疾病之一,利用有效的手段对心血管疾病进行检测是目前全世界关注的重要课题。心电图是现代医学中诊断心血管疾病的主要方法。专家医生在心电图的阅读分析过程中,都是需要同时比较各个导联(单导数据除外)的信号在时间顺序上的变化,导联之间的相关性(空间关系)和变异,然后才能够做出一个比较准确的判断。而这种依赖于医生经验的方式,准确率无法得到保障。
发明内容
本发明的目的,就是针对现有技术的缺陷,提供一种基于多导联心电信号生成心搏标签数据序列的方法、装置、电子设备、计算机程序产品及计算机可读存储介质,对基于自注意力处理机制的transformer模型进行改造,在其解码器单元增加心搏敏感注意力处理层,从而提高模型与心搏特征的敏感度,利用改进后的模型对具有时间特性的多导联信号进行处理,可以输出与多导联信号对应的心搏标签序列。
为实现上述目的,本发明实施例第一方面提供了一种基于多导联心电信号生成心搏标签数据序列的方法,所述方法包括:
获取多导联心电信号;
对所述多导联心电信号,进行心电数据采样与数据片段划分处理,生成第一心电四维张量;
根据所述第一心电四维张量,进行R点数据位置信息识别处理,生成第一R点位置三维张量;
对所述第一心电四维张量进行心电特征数据识别处理,生成第一心电特征四维张量;
基于transformer模型编码器单元的输入数据格式要求,对所述第一心电特征四维张量进行第一数据准备处理,生成编码输入三维张量;
基于transformer模型解码器单元的心搏敏感注意力处理层计算因子数据格式要求,对所述第一R点位置三维张量进行第二数据准备处理,生成解码R点位置三维张量;
以所述解码R点位置三维张量做为所述transformer模型解码器单元的心搏敏感注意力处理层计算因子,将所述编码输入三维张量输入所述transformer模型进行计算,生成心搏标签数据序列。
优选的,
所述多导联心电信号包括多个第一导联心电信号;所述多导联心电信号包括的第一导联心电信号数量为导联总数N;所述导联总数N个所述第一导联心电信号为同步采集的导联心电信号;
所述transformer模型包括所述编码器单元和所述解码器单元;所述编码器单元包括多层第一编码层;所述第一编码层包括第一编码自注意力处理层、第一编码求和与归一化处理层、第一编码前馈神经网络层和第二编码求和与归一化处理层;
所述解码器单元包括多层第一解码层、第一线性变换层和第一回归处理层;所述第一解码层包括第一解码自注意力处理层、第一解码求和与归一化处理层、第一编码-解码注意力处理层、第二解码求和与归一化处理层、第一心搏敏感注意力处理层、第三解码求和与归一化处理层、第一解码前馈神经网络层和第四解码求和与归一化处理层;所述第一回归处理层使用softmax函数进行回归计算。
优选的,所述对所述多导联心电信号,进行心电数据采样与数据片段划分处理,生成第一心电四维张量,具体包括:
按预设的第一采样频率,对每个所述第一导联心电信号进行第一心电数据采样处理,生成第一采样数据,由所述第一采样数据组成对应的第一采样数据序列;将所述第一采样数据序列的第一采样数据数量做为采样总数L1;
以预设的片段长度L2为片段划分单位,对每个所述第一采样数据序列,进行第一数据片段划分处理,得到片段总数M个第一数据片段,M=L1/L2;再对所有所述第一数据片段,进行数据片段融合处理,生成与每个所述第一采样数据序列对应的第一采样二维张量;其中,所述第一采样二维张量的形状为W1×C1;所述W1为所述第一采样二维张量的二维参数,W1=M;所述C1为所述第一采样二维张量的一维参数,C1=L2;所述第一采样二维张量包括所述片段总数M个第一采样一维张量,所述第一采样一维张量与所述第一数据片段对应;
对所有所述第一采样二维张量,进行采样二维张量融合处理,生成所述第一心电四维张量;其中,所述第一心电四维张量的形状为B1×H1×W2×C2;所述B1为所述第一心电四维张量的四维参数,B1=W1=M;所述H1为所述第一心电四维张量的三维参数,H1=C1=L2;所述W2为所述第一心电四维张量的二维参数,W2=N;所述C2为所述第一心电四维张量的一维参数,C2=1;所述第一心电四维张量包括所述片段总数M个第一心电三维张量,所述第一心电三维张量包括所述片段长度L2个第一心电二维张量;所述第一心电二维张量包括所述导联总数N个所述第一采样数据。
优选的,所述对所述第一心电四维张量进行心电特征数据识别处理,生成第一心电特征四维张量,具体包括:
对所述第一心电四维张量,使用卷积神经网络进行心电特征数据识别处理,生成所述第一心电特征四维张量;其中,所述第一心电特征四维张量的形状为B2×H2×W3×C3;所述B2为所述第一心电特征四维张量的四维参数,B2=B1=M;所述H2为所述第一心电特征四维张量的三维参数,H2=1;所述W3为所述第一心电特征四维张量的二维参数;所述C3为所述第一心电特征四维张量的一维参数。
优选的,所述基于transformer模型编码器单元的输入数据格式要求,对所述第一心电特征四维张量进行第一数据准备处理,生成编码输入三维张量,具体包括:
对所述第一心电特征四维张量,进行四维张量形状降维处理,生成第一心电特征三维张量;其中,所述第一心电特征三维张量的形状为H3×W4×C4;所述H3为所述第一心电特征三维张量的三维参数,H3=B2=M;所述W4为所述第一心电特征三维张量的二维参数,W4=H2*W3=1*W3=W3;所述C4为所述第一心电特征三维张量的一维参数,C4=C3;
对所述第一心电特征三维张量,使用预设的权重因子三维张量E进行加权计算处理,生成所述编码输入三维张量;其中,所述权重因子三维张量E的形状为HE×WE×CE;所述HE为所述权重因子三维张量E的三维参数,HE=W4;所述WE为所述权重因子三维张量E的二维参数,所述WE与预设的所述transformer模型的模型输入长度LD相同;所述CE为所述权重因子三维张量E的一维参数,CE=C4;所述编码输入三维张量的形状为H4×W5×C5;所述H4为所述编码输入三维张量的三维参数,H4=H3=M;所述W5为所述编码输入三维张量的二维参数,W5=W4;所述C5为所述编码输入三维张量的一维参数,C5=WE=LD。
优选的,所述根据所述第一心电四维张量,进行R点数据位置信息识别处理,生成第一R点位置三维张量,具体包括:
在所述第一心电四维张量中,对每个所述第一心电二维张量,通过对其包括的所有第一采样数据,进行多导联数据融合的R点数据识别处理,生成对应的第一识别结果;当所述第一识别结果为R点数据时,将所述第一心电二维张量标记为第一R点张量;
设置所述第一R点位置三维张量的形状为HR1×WR1×CR1;并将所述第一R点位置三维张量中的所有第一R点位置数据,初始化为无效信息;其中,所述HR1为所述第一R点位置三维张量的三维参数,HR1=M;所述WR1为所述第一R点位置三维张量的二维参数,所述WR1与预设的片段内R点总数最大值NRMAX相同;所述CR1为所述第一R点位置三维张量的一维参数,CR1=L2;所述第一R点位置三维张量包括所述片段总数M个第一R点位置二维张量;所述第一R点位置二维张量包括所述片段内R点总数最大值NRMAX个第一R点位置一维张量;所述第一R点位置一维张量包括片段长度L2个所述第一R点位置数据;所述第一R点位置数据为所述无效信息或有效信息;
在所述第一R点位置三维张量中,对所有所述第一R点位置二维张量进行轮询,将被轮询的所述第一R点位置二维张量做为当前片段R点位置二维张量;获取所述当前片段R点位置二维张量,在所述第一R点位置三维张量中的索引位置信息,生成当前片段索引数据;将所述第一心电四维张量中,与所述当前片段索引数据对应的所述第一心电三维张量做为当前片段心电三维张量;获取所述当前片段心电三维张量中,标记为所述第一R点张量的所有所述第一心电二维张量的索引位置信息,生成当前片段R点位置数据,并由所述当前片段R点位置数据组成当前片段R点位置数据序列;对所有所述当前片段R点位置数据进行轮询,将被轮询的所述当前片段R点位置数据做为当前R点位置数据;获取所述当前R点位置数据在所述当前片段R点位置数据序列的索引位置信息,生成当前R点索引数据;并将在所述当前片段R点位置二维张量中,索引位置信息与所述当前R点索引数据相同的所述第一R点位置一维张量中,索引位置信息与所述当前R点位置数据相同的所述第一R点位置数据,修改为所述有效信息。
优选的,所述基于transformer模型解码器单元的心搏敏感注意力处理层计算因子数据格式要求,对所述第一R点位置三维张量进行第二数据准备处理,生成解码R点位置三维张量,具体包括:
使用预设的第一卷积核张量H,对所述第一R点位置三维张量进行卷积计算,生成所述解码R点位置三维张量。
优选的,所述以所述解码R点位置三维张量做为所述transformer模型解码器单元的心搏敏感注意力处理层计算因子,将所述编码输入三维张量输入所述transformer模型进行计算,生成心搏标签数据序列,具体包括:
使用所述编码器单元对所述编码输入三维张量进行编码计算,生成第一过程张量;
将所述第一过程张量,分别输入到所述解码器单元的多层所述第一解码层,并以所述解码R点位置三维张量做为所述心搏敏感注意力处理层计算因子进行多层融合解码计算,生成第二过程张量;
将所述第二过程张量,输入到所述解码器单元的所述第一线性变换层,进行解码数据线性转换处理,生成第三过程张量;
将所述第三过程张量,输入到所述解码器单元的所述第一回归处理层,进行线性转换数据回归处理,生成所述心搏标签数据序列。
优选的,
在将所述第一过程张量输入所述第一解码层之后,获取上一层解码层的输出张量做为当前解码层输入张量;并将所述第一过程张量做为当前编码层输出张量;
使用所述第一解码层的所述第一解码自注意力处理层对所述当前解码层输入张量,进行第一自注意力处理,生成第一一过程张量;
使用所述第一解码层的所述第一解码求和与归一化处理层,对所述当前解码层输入张量和所述第一一过程张量,进行第一求和与归一化处理,生成第一二过程张量;
使用所述第一解码层的所述第一编码-解码注意力处理层,对所述当前编码层输出张量和所述第一二过程张量,进行第一编码-解码注意力处理,生成第一三过程张量;
使用所述第一解码层的所述第二解码求和与归一化处理层,对所述第一二过程张量和所述第一三过程张量,进行第二求和与归一化处理,生成第一四过程张量;
使用所述第一解码层的所述第一心搏敏感注意力处理层,以所述解码R点位置三维张量做为第一计算因子,对所述当前编码层输出张量和所述第一四过程张量,进行第一心搏敏感注意力处理,生成第一五过程张量;
使用所述第一解码层的所述第三解码求和与归一化处理层,对所述第一四过程张量和所述第一五过程张量,进行第三求和与归一化处理,生成第一六过程张量;
使用所述第一解码层的所述第一解码前馈神经网络层,对所述第一六过程张量,进行第一前馈神经网络计算处理,生成第一七过程张量;
使用所述第一解码层的所述第四解码求和与归一化处理层,对所述第一六过程张量和所述第一七过程张量,进行第四求和与归一化处理,生成当前解码层输出张量;
将所述当前解码层输出张量,输入下一层解码层进行计算。
优选的,所述心搏标签数据序列包括所述片段总数M个片段心搏标签数据序列;所述片段心搏标签数据序列包括所述片段内R点总数最大值NRMAX个心搏标签数据。
本发明实施例第二方面提供了一种基于多导联心电信号生成心搏标签数据序列的装置,包括:
获取模块用于获取多导联心电信号;
数据准备模块用于对所述多导联心电信号,进行心电数据采样与数据片段划分处理,生成第一心电四维张量;
数据准备模块还用于根据所述第一心电四维张量,进行R点数据位置信息识别处理,生成第一R点位置三维张量;
数据准备模块还用于对所述第一心电四维张量进行心电特征数据识别处理,生成第一心电特征四维张量;
数据准备模块还用于基于transformer模型编码器单元的输入数据格式要求,对所述第一心电特征四维张量进行第一数据准备处理,生成编码输入三维张量;
数据准备模块还用于基于transformer模型解码器单元的心搏敏感注意力处理层计算因子数据格式要求,对所述第一R点位置三维张量进行第二数据准备处理,生成解码R点位置三维张量;
计算模块用于以所述解码R点位置三维张量做为所述transformer模型解码器单元的心搏敏感注意力处理层计算因子,将所述编码输入三维张量输入所述transformer模型进行计算,生成心搏标签数据序列。
本发明实施例第三方面提供了一种电子设备,包括:存储器、处理器和收发器;
所述处理器用于与所述存储器耦合,读取并执行所述存储器中的指令,以实现上述第一方面所述的方法步骤;
所述收发器与所述处理器耦合,由所述处理器控制所述收发器进行消息收发。
本发明实施例第四方面提供了一种计算机程序产品,所述计算机程序产品包括计算机程序代码,当所述计算机程序代码被计算机执行时,使得所述计算机执行上述第一方面所述的方法。
本发明实施例第五方面提供了一种计算机可读存储介质,所述计算机存储介质存储有计算机指令,当所述计算机指令被计算机执行时,使得所述计算机执行上述第一方面所述的方法的指令。
本发明实施例提供一种基于多导联心电信号生成心搏标签数据序列的方法、装置、电子设备、计算机程序产品及计算机可读存储介质,对基于自注意力处理机制的transformer模型进行改造,在其解码器单元增加心搏敏感注意力处理层,从而提高了模型对心搏特征的敏感度,利用改进后的模型对具有时间特性的多导联信号进行处理,可以输出与多导联信号对应的心搏标签序列。
附图说明
图1为本发明实施例一提供的一种基于多导联心电信号生成心搏标签数据序列的方法示意图;
图2为本发明实施例一提供的一种卷积网络结构示意图;
图3为本发明实施例一提供的一种常规transformer模型结构示意图;
图4为本发明实施例一提供的一种改进transformer模型结构示意图;
图5为本发明实施例二提供的一种基于多导联心电信号生成心搏标签数据序列的装置的模块结构图;
图6为本发明实施例三提供的一种电子设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述,显然,所描述的实施例仅仅是本发明一部份实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
本发明实施例一提供一种基于多导联心电信号生成心搏标签数据序列的方法,如图1为本发明实施例一提供的一种基于多导联心电信号生成心搏标签数据序列的方法示意图所示,本方法主要包括如下步骤:
步骤1,获取多导联心电信号;
其中,多导联心电信号包括多个第一导联心电信号;多导联心电信号包括的第一导联心电信号数量为导联总数N;导联总数N个第一导联心电信号为同步采集的导联心电信号。
具体的,实现本发明方法的装置、终端设备或者服务器,从与自身连接的心电采集设备处获取到多导联心电信号;例如12导联、8导联心电信号。
此处,导联总数N为具体的导联数量,例如,对于12导联数据而言,N为12;对于8导联数据而言,N为8。
步骤2,对多导联心电信号,进行心电数据采样与数据片段划分处理,生成第一心电四维张量;
具体包括:步骤21,按预设的第一采样频率,对每个第一导联心电信号进行第一心电数据采样处理,生成第一采样数据,由第一采样数据组成对应的第一采样数据序列;将第一采样数据序列的第一采样数据数量做为采样总数L1;
此处,第一采样频率为预设的采样频率;
例如,得到2导联数据:第1导联数据与第2导联数据,导联数据时长为2秒,第一采样频率为125赫兹,则得到的第1、2采样数据序列均包括250个采样数据,L1=250;第1、2采样数据序列可以表示为第1采样数据序列[250],第2采样数据序列[250];
步骤22,以预设的片段长度L2为片段划分单位,对每个第一采样数据序列,进行第一数据片段划分处理,得到片段总数M个第一数据片段,M=L1/L2;再对所有第一数据片段,进行数据片段融合处理,生成与每个第一采样数据序列对应的第一采样二维张量;
其中,第一采样二维张量的形状为W1×C1;W1为第一采样二维张量的二维参数,W1=M;C1为第一采样二维张量的一维参数,C1=L2;第一采样二维张量包括片段总数M个第一采样一维张量,第一采样一维张量与第一数据片段对应;
此处,片段长度L2为预设的片段长度;
例如,L2=50,则片段总数M=250/50=5,W1=5,C1=50,第1采样数据序列[250]进行片段划分后得到的第1采样二维张量形状为5×50,表示为第1采样二维张量[5,50],同理,第2采样数据序列[250]进行片段划分后得到的第2采样二维张量为第2采样二维张量[5,50];
步骤23,对所有第一采样二维张量,进行采样二维张量融合处理,生成第一心电四维张量;
其中,第一心电四维张量的形状为B1×H1×W2×C2;B1为第一心电四维张量的四维参数,B1=W1=M;H1为第一心电四维张量的三维参数,H1=C1=L2;W2为第一心电四维张量的二维参数,W2=N;C2为第一心电四维张量的一维参数,C2=1;第一心电四维张量包括片段总数M个第一心电三维张量,第一心电三维张量包括片段长度L2个第一心电二维张量;第一心电二维张量包括导联总数N个第一采样数据。
这里,采样二维张量融合处理实际就是以片段总数做为第一心电四维张量的高维参数、以每个采样时间点上对应的导联数据作为一维参数,对整个多导联数据的整体分段处理;
例如,第1、2采样二维张量形状均为5×4,表示为[5,4],表示一共5个信号片段、每个片段4个采样点、每个采样点有2个导联数据源,则B1=5、H1=4、W2=2,最后第一心电四维张量的形状为5×4×2×1,表示为第一心电四维张量[5,4,2,1]。
步骤3,根据第一心电四维张量,进行R点数据位置信息识别处理,生成第一R点位置三维张量;
具体包括:步骤31,在第一心电四维张量中,对每个第一心电二维张量,通过对其包括的所有第一采样数据,进行多导联数据融合的R点数据识别处理,生成对应的第一识别结果;当第一识别结果为R点数据时,将第一心电二维张量标记为第一R点张量;
这里,在每个片段的每个采样点上,有多个导联数据存在,因为导联数据彼此间有关联性,所以对这多个导联数据进行多导联数据融合的R点数据识别处理,可以得到更准确的判断结果,如果当前采样时间点上被识别出的确出现了心搏最大峰值(R点),那么与当前采样时间点相关的第一心电二维张量就会被标记为第一R点张量;
例如,第一心电四维张量[2,4,2,1],第一心电四维张量包括2个第一心电三维张量[4,2,1],每一个第一心电三维张量对应一个心电片段,第一心电三维张量包括4个第一心电二张量,每个第一心电二维张量对应一个采样时间点;当第1片段内的第3个采样时间点、第2片段的第1个采样时间点被识别为R点时,第一心电四维张量的第1个第一心电三维张量的第3个第一心电二张量被标记为第一R点张量,以及第一心电四维张量的第2个第一心电三维张量的第1个第一心电二张量被标记为第一R点张量;
步骤32,设置第一R点位置三维张量的形状为HR1×WR1×CR1;并将第一R点位置三维张量中的所有第一R点位置数据,初始化为无效信息;
其中,HR1为第一R点位置三维张量的三维参数,HR1=M;WR1为第一R点位置三维张量的二维参数,WR1与预设的片段内R点总数最大值NRMAX相同;CR1为第一R点位置三维张量的一维参数,CR1=L2;第一R点位置三维张量包括片段总数M个第一R点位置二维张量;第一R点位置二维张量包括片段内R点总数最大值NRMAX个第一R点位置一维张量;第一R点位置一维张量包括片段长度L2个第一R点位置数据;第一R点位置数据为无效信息或有效信息;
此处,片段内R点总数最大值NRMAX为预设的数值,表示在片段时间宽度内可能出现R点的最大数量,常取正常状态下片段内R点总数平均值的正整数倍,例如,常规情况下单位时间内出现R点的平均数为10,则NRMAX可能被设置为20、30、40等;
此处,第一R点位置三维张量是用于对多导联数据的多个片段中的R点位置做编码的;第一R点位置三维张量包括M个第一R点位置二维张量,每个第一R点位置二维维张量对应一个片段;第一R点位置二维张量包括NRMAX个第一R点位置一维张量,从第1个到第NRMAX个第一R点位置一维张量表示每个片段内的R点顺序(使用NRMAX做为索引最大值,是为了保证所有R点都能被查询到);每个第一R点位置一维张量包括L2个第一R点位置数据,每个第一R点位置数据用于对当前索引R点在整个片段中的采样点位置进行编码;
这里,无效信息可以为0、空或其他具体取值,有效信息可以为1或其他具体取值;这里,是对第一R点位置三维张量进行初始化,首先创建形状、其次将张量内所述数据清0;
例如,片段内R点总数最大值NRMAX为10,第一心电四维张量[2,4,2,1],则HR1=2,WR1=10,CR1=4,第一R点位置三维张量表示为第一R点位置三维张量[2,10,4];第一R点位置三维张量内所有数据被初始化为0,见表一所示:
表一
步骤32,在第一R点位置三维张量中,对所有第一R点位置二维张量进行轮询,将被轮询的第一R点位置二维张量做为当前片段R点位置二维张量;获取当前片段R点位置二维张量,在第一R点位置三维张量中的索引位置信息,生成当前片段索引数据;将第一心电四维张量中,与当前片段索引数据对应的第一心电三维张量做为当前片段心电三维张量;获取当前片段心电三维张量中,标记为第一R点张量的所有第一心电二维张量的索引位置信息,生成当前片段R点位置数据,并由当前片段R点位置数据组成当前片段R点位置数据序列;对所有当前片段R点位置数据进行轮询,将被轮询的当前片段R点位置数据做为当前R点位置数据;获取当前R点位置数据在当前片段R点位置数据序列的索引位置信息,生成当前R点索引数据;并将在当前片段R点位置二维张量中,索引位置信息与当前R点索引数据相同的第一R点位置一维张量中,索引位置信息与当前R点位置数据相同的第一R点位置数据,修改为有效信息。
例如,第一心电四维张量[2,4,2,1],第一R点位置三维张量[2,10,4],第1片段内的第2、4个采样时间点、第2片段的第1、3个采样时间点被识别为R点,即第一心电四维张量中,第1个第一心电三维张量的第2、4个第一心电二张量,以及第2个第一心电三维张量的第1、3个第一心电二张量均被标记为第一R点张量;
对第一R点位置三维张量中进行20次轮询时:
(1)轮询索引为1时,当前片段R点位置二维张量为第1第一R点位置二维张量;当前片段索引数据为1;当前片段心电三维张量为第一心电四维张量[2,4,2,1]中第1个第一心电三维张量[4,2,1];检查发现第1个第一心电三维张量[4,2,1]中,第2、4个第一心电二张量为第一R点张量,则当前片段R点位置数据序列包括2个当前片段R点位置数据(第1当前片段R点位置数据=2,第2当前片段R点位置数据=4);
对所有当前片段R点位置数据进行2次轮询时:
将第1当前片段R点位置数据做为当前R点位置数据(第1当前片段R点位置数据=2),其在当前片段R点位置数据序列里的索引位置为1,所以当前R点索引数据为1,则设置第1第一R点位置二维张量的第1第一R点位置一维张量的第2个第一R点位置数据为1;
将第2当前片段R点位置数据做为当前R点位置数据(第2当前片段R点位置数据=4),其在当前片段R点位置数据序列里的索引位置为2,所以当前R点索引数据为2,则设置第1片段的第1第一R点位置二维张量的第2第一R点位置一维张量的第4个第一R点位置数据为1;表一的数据更新,如表二所示:
表二
(2)轮询索引为2时,当前片段R点位置二维张量为第2第一R点位置二维张量;当前片段索引数据为2;当前片段心电三维张量为第一心电四维张量[2,4,2,1]中第2个第一心电三维张量[4,2,1];检查发现第2个第一心电三维张量[4,2,1]中,第1、3个第一心电二张量为第一R点张量,则当前片段R点位置数据序列包括2个当前片段R点位置数据(第1当前片段R点位置数据=1,第2当前片段R点位置数据=3);
对所有当前片段R点位置数据进行2次轮询时:
将第1当前片段R点位置数据做为当前R点位置数据(第1当前片段R点位置数据=1),其在当前片段R点位置数据序列里的索引位置为1,所以当前R点索引数据为1,则设置第2第一R点位置二维张量的第1第一R点位置一维张量的第1个第一R点位置数据为1;
将第2当前片段R点位置数据做为当前R点位置数据(第2当前片段R点位置数据=3),其在当前片段R点位置数据序列里的索引位置为2,所以当前R点索引数据为2,则设置第2第一R点位置二维张量的第2第一R点位置一维张量的第3个第一R点位置数据为1;表二的数据更新,如表三所示:
表三
步骤4,对第一心电四维张量进行心电特征数据识别处理,生成第一心电特征四维张量;
具体包括:对第一心电四维张量,使用卷积神经网络进行心电特征数据识别处理,生成第一心电特征四维张量;
其中,第一心电特征四维张量的形状为B2×H2×W3×C3;B2为第一心电特征四维张量的四维参数,B2=B1=M;H2为第一心电特征四维张量的三维参数,H2=1;W3为第一心电特征四维张量的二维参数;C3为第一心电特征四维张量的一维参数。
这里的特征数据计算,一方面将多导联数据进行关联融合,另一方面也是通过卷积计算,增加可计算的数据长度,以便后续模型计算更精确。
这里的W3的取值与具体卷积计算的卷积核、滑窗或步幅大小有关,C3与卷积网络最后一次卷积运算的卷积核数量有关。
例如,第一心电四维张量的形状为128×4×1000×1,表示为第一心电四维张量[128,4,100,1],卷积神经网络的结构如图2为本发明实施例一提供的一种卷积网络结构示意图所示包括3层卷积层,其中:第一卷积层,CNN卷积核大小为3x3,卷积核数量为16,步幅为[2,2],卷积之后进行全连接和归一化处理;第二卷积层,CNN卷积核大小为3x3,卷积核数量为32,步幅为[1,1],卷积之后进行全连接和归一化处理;第三卷积层,CNN卷积核大小为3x3,卷积核数量为32,步幅为[2,2],卷积之后进行全连接和归一化处理;
则,第一层卷积之后,输出张量形状为128×2×500×16;第二层卷积之后,输出张量形状为128×2×500×32;第三层卷积之后,输出张量形状为128×1×250×32。
步骤5,基于transformer模型编码器单元的输入数据格式要求,对第一心电特征四维张量进行第一数据准备处理,生成编码输入三维张量;
具体包括:步骤51,对第一心电特征四维张量,进行四维张量形状降维处理,生成第一心电特征三维张量;
其中,第一心电特征三维张量的形状为H3×W4×C4;H3为第一心电特征三维张量的三维参数,H3=B2=M;W4为第一心电特征三维张量的二维参数,W4=H2*W3=1*W3=W3;C4为第一心电特征三维张量的一维参数,C4=C3;
例如,第一心电特征四维张量的形状为128×1×250×32,表示为第一心电特征四维张量[128,1,250,32],则进行降维后,第一心电特征三维张量的形状为128×250×32,表示为第一心电特征三维张量[128,250,32];
步骤52,对第一心电特征三维张量,使用预设的权重因子三维张量E进行加权计算处理,生成编码输入三维张量;
其中,权重因子三维张量E的形状为HE×WE×CE;HE为权重因子三维张量E的三维参数,HE=W4;WE为权重因子三维张量E的二维参数,WE与预设的transformer模型的模型输入长度LD相同;CE为权重因子三维张量E的一维参数,CE=C4;编码输入三维张量的形状为H4×W5×C5;H4为编码输入三维张量的三维参数,H4=H3=M;W5为编码输入三维张量的二维参数,W5=W4;C5为编码输入三维张量的一维参数,C5=WE=LD。
此处,后续使用的transformer模型的输入数据格式为三维张量格式,其一维参数的值即为模型输入长度LD;
例如,模型输入长度LD为16,第一心电特征三维张量形状为128×250×32,权重因子三维张量E的形状为250×16×32,则编码输入三维张量的形状为128×250×16,表示为编码输入三维张量[128,250,16]。
步骤6,基于transformer模型解码器单元的心搏敏感注意力处理层计算因子数据格式要求,对第一R点位置三维张量进行第二数据准备处理,生成解码R点位置三维张量;
具体包括:使用预设的第一卷积核张量H,对第一R点位置三维张量进行卷积计算,生成解码R点位置三维张量。
这里是第一卷积核张量H为一个高斯卷积核,对第一R点位置三维张量进行卷积是使用高斯核函数进行卷积。
步骤7,以解码R点位置三维张量做为transformer模型解码器单元的心搏敏感注意力处理层计算因子,将编码输入三维张量输入transformer模型进行计算,生成心搏标签数据序列;
此处,基于注意力机制的transformer模型,常被训练用于对连续数据的块特征进行识别(输出对应的块特征标签序列);常规的transformer模型如图3为本发明实施例一提供的一种常规transformer模型结构示意图所示,包括编码器单元和解码器单元;编码器单元包括多层(例如4层)第一编码层;第一编码层包括第一编码自注意力处理层、第一编码求和与归一化处理层、第一编码前馈神经网络层和第二编码求和与归一化处理层;对应的,解码器单元包括多层(例如4层)第一解码层、第一线性变换层和第一回归处理层;第一解码层包括第一解码自注意力处理层、第一解码求和与归一化处理层、第一编码-解码注意力处理层、第二解码求和与归一化处理层、第一解码前馈神经网络层和第三解码求和与归一化处理层;在第一回归处理层处,一般使用softmax函数进行回归计算;
本发明实施例对常规transformer模型的解码器单元进行了改进,如图4为本发明实施例一提供的一种改进transformer模型结构示意图所示,在第一解码前馈神经网络层之前加入了实现心搏敏感注意力计算的第一心搏敏感注意力处理层以及与之对应的第三解码求和与归一化处理层;由此进一步提高了transformer模型对心搏数据的识别度;
具体包括:步骤71,使用编码器单元对编码输入三维张量进行编码计算,生成第一过程张量;
此处,本发明实施例改进的transformer模型未对编码器单元进行调整,所以这里的处理流程与常规处理流程一致;
步骤72,将第一过程张量,分别输入到解码器单元的多层第一解码层,并以解码R点位置三维张量做为心搏敏感注意力处理层计算因子进行多层融合解码计算,生成第二过程张量;
这里,每一层解码层的输入数据有两个,一个是来自于编码器对应编码层的输出结果,另一个是上一层解码层的输出结果;
其中,每层的详细计算过程如下所示:
步骤721,在将第一过程张量输入第一解码层之后,获取上一层解码层的输出张量做为当前解码层输入张量;并将第一过程张量做为当前编码层输出张量;
例如,编码器单元的第二层编码层,对应解码器单元的第二层解码层,对于第二层解码层来说,会得到两个输入数据:第1数据为第二层编码层的输出数据,第2数据为第一层解码层的输出数据;
步骤722,使用第一解码层的第一解码自注意力处理层对当前解码层输入张量,进行第一自注意力处理,生成第一一过程张量;
例如,第二层解码层,首先使用当前解码层的自注意力处理层对第2数据进行自注意力计算,得到第1过程数据;
步骤723,使用第一解码层的第一解码求和与归一化处理层,对当前解码层输入张量和第一一过程张量,进行第一求和与归一化处理,生成第一二过程张量;
例如,第二层解码层,在自注意力计算之后,使用求和与归一化处理层对第2数据和第1过程数据进行第1次求和与归一化处理,得到第2过程数据;
步骤724,使用第一解码层的第一编码-解码注意力处理层,对当前编码层输出张量和第一二过程张量,进行第一编码-解码注意力处理,生成第一三过程张量;
例如,第二层解码层,在第1次求和与归一化处理之后,使用编码-解码注意力处理层对第1数据和第2过程数据进行编码-解码注意力处理,得到第3过程数据;
步骤725,使用第一解码层的第二解码求和与归一化处理层,对第一二过程张量和第一三过程张量,进行第二求和与归一化处理,生成第一四过程张量;
例如,第二层解码层,在编码-解码注意力处理之后,使用求和与归一化处理层对第2过程数据和第3过程数据进行第2次求和与归一化处理,得到第4过程数据;
步骤726,使用第一解码层的第一心搏敏感注意力处理层,以解码R点位置三维张量做为第一计算因子,对当前编码层输出张量和第一四过程张量,进行第一心搏敏感注意力处理,生成第一五过程张量;
例如,第二层解码层,在第2次求和与归一化处理之后,使用心搏敏感注意力处理层对第1数据和第4过程数据进行心搏敏感注意力处理层,得到第5过程数据;
这里的心搏敏感注意力处理层,是本发明实施例针对transformer模型在心电识别应用领域中,为解码层增加的一个改进模块;
常规情况下,注意力处理层的处理流程如式(1)所示:
其中,αij如式(2)所示:
其中,eij如式(3)所示:
其中,处理层的输入序列为(x1,..xi.,xn),处理层的输出序列为(Z1,..Zi.,Zn),/>i的取值从1到n,j的取值从1到n,k的取值从1到n;n为输入序列包括的一维张量Xi的总数;αij为第一因子,WV、WQ、WK为第一、第二、三加权张量;LD为transformer模型的模型输入长度;
本发明实施例的心搏敏感注意力处理层,在传统注意力处理层的基础上,将解码R点位置三维张量中对应的解码R点位置二维张量,做为第二因子Bij,带入式(3)进行计算,如式(4)所示
这样计算的好处是,在心搏敏感注意力处理层中,以心搏R点编码做为计算因子,可以提高模型对心搏数据的敏感度;这里还可以是将Bij与αij相加生成更新后的αij,再将更新后的αij带入式(1)进行线性变换从而得到对应的Zi;
步骤727,使用第一解码层的第三解码求和与归一化处理层,对第一四过程张量和第一五过程张量,进行第三求和与归一化处理,生成第一六过程张量;
例如,第二层解码层,在心搏敏感注意力处理之后,使用求和与归一化处理层对第4过程数据和第5过程数据进行第3次求和与归一化处理,得到第6过程数据;
步骤728,使用第一解码层的第一解码前馈神经网络层,对第一六过程张量,进行第一前馈神经网络计算处理,生成第一七过程张量;
例如,第二层解码层,在第3次求和与归一化处理之后,使用前馈神经网络层对第6过程数据进行前馈神经网络计算处理,得到第7过程数据;
步骤729,使用第一解码层的第四解码求和与归一化处理层,对第一六过程张量和第一七过程张量,进行第四求和与归一化处理,生成当前解码层输出张量;
例如,第二层解码层,在前馈神经网络计算处理之后,使用求和与归一化处理层对第6过程数据和第7过程数据进行第4次求和与归一化处理,得到第8过程数据;
步骤730,将当前解码层输出张量,输入下一层解码层进行计算。
例如,将第8过程数据做为第二层解码层的输出数据,向第三层解码层传送;
步骤73,将第二过程张量,输入到解码器单元的第一线性变换层,进行解码数据线性转换处理,生成第三过程张量;
例如,如图4所示,解码器单元包括4层解码层,即在第4层解码层输出之后,将输出结果传送至线性变换层进行全连接计算,这里的线性变换层常见的都是一个全连接神经网络;
步骤74,将第三过程张量,输入到解码器单元的第一回归处理层,进行线性转换数据回归处理,生成心搏标签数据序列;
其中,心搏标签数据序列包括片段总数M个片段心搏标签数据序列;片段心搏标签数据序列包括片段内R点总数最大值NRMAX个心搏标签数据。
这里,常见的是使用softmax函数进行回归计算,最终输出的心搏标签数据序列,在该心搏标签数据序列中,对应每一个R点位置,给出对应的心搏类型标签:例如,窦性心搏标签、室性早搏标签等等。
图5为本发明实施例二提供的一种基于多导联心电信号生成心搏标签数据序列的装置的模块结构图,该装置可以为实现上述实施例提供的方法的终端设备或者服务器,也可以为在终端设备或者服务器上能够实现上述实施例提供的方法的装置或芯片系统。如图5所示,该装置包括:
获取模块51用于获取多导联心电信号;
数据准备模块52用于对多导联心电信号,进行心电数据采样与数据片段划分处理,生成第一心电四维张量;
数据准备模块52还用于根据第一心电四维张量,进行R点数据位置信息识别处理,生成第一R点位置三维张量;
数据准备模块52还用于对第一心电四维张量进行心电特征数据识别处理,生成第一心电特征四维张量;
数据准备模块52还用于基于transformer模型编码器单元的输入数据格式要求,对第一心电特征四维张量进行第一数据准备处理,生成编码输入三维张量;
数据准备模块52还用于基于transformer模型解码器单元的心搏敏感注意力处理层计算因子数据格式要求,对第一R点位置三维张量进行第二数据准备处理,生成解码R点位置三维张量;
计算模块53用于以解码R点位置三维张量做为transformer模型解码器单元的心搏敏感注意力处理层计算因子,将编码输入三维张量输入transformer模型进行计算,生成心搏标签数据序列。
本发明实施例提供的一种基于多导联心电信号生成心搏标签数据序列的装置,可以执行上述方法实施例中的方法步骤,其实现原理和技术效果类似,在此不再赘述。
需要说明的是,应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分,实际实现时可以全部或部分集成到一个物理实体上,也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现;也可以全部以硬件的形式实现;还可以部分模块通过处理元件调用软件的形式实现,部分模块通过硬件的形式实现。例如,获取模块可以为单独设立的处理元件,也可以集成在上述装置的某一个芯片中实现,此外,也可以以程序代码的形式存储于上述装置的存储器中,由上述装置的某一个处理元件调用并执行以上确定模块的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起,也可以独立实现。这里所描述的处理元件可以是一种集成电路,具有信号的处理能力。在实现过程中,上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
例如,以上这些模块可以是被配置成实施以上方法的一个或多个集成电路,例如:一个或多个特定集成电路(Application Specific Integrated Circuit,ASIC),或,一个或多个数字信号处理器(Digital Signal Processor,DSP),或,一个或者多个现场可编程门阵列(Field Programmable Gate Array,FPGA)等。再如,当以上某个模块通过处理元件调度程序代码的形式实现时,该处理元件可以是通用处理器,例如中央处理器(CentralProcessing Unit,CPU)或其它可以调用程序代码的处理器。再如,这些模块可以集成在一起,以片上系统(System-on-a-chip,SOC)的形式实现。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行该计算机程序指令时,全部或部分地产生按照本发明实施例所描述的流程或功能。上述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。上述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,上述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线路((Digital Subscriber Line,DSL))或无线(例如红外、无线、蓝牙、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。上述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。上述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘(solid state disk,SSD))等。
图6为本发明实施例三提供的一种电子设备的结构示意图。该电子设备可以为前述的终端设备或者服务器,也可以为与前述终端设备或者服务器连接的实现本发明实施例方法的终端设备或服务器。如图6所示,该电子设备可以包括:处理器61(例如CPU)、存储器62、收发器63;收发器63耦合至处理器61,处理器61控制收发器63的收发动作。存储器62中可以存储各种指令,以用于完成各种处理功能以及实现本发明上述实施例中提供的方法和处理过程。优选的,本发明实施例涉及的电子设备还包括:电源64、系统总线65以及通信端口66。系统总线65用于实现元件之间的通信连接。上述通信端口66用于电子设备与其他外设之间进行连接通信。
在图6中提到的系统总线可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该系统总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。通信接口用于实现数据库访问装置与其他设备(例如客户端、读写库和只读库)之间的通信。存储器可能包含随机存取存储器(Random Access Memory,RAM),也可能还包括非易失性存储器(Non-Volatile Memory),例如至少一个磁盘存储器。
上述的处理器可以是通用处理器,包括中央处理器CPU、网络处理器(NetworkProcessor,NP)、图形处理器(Graphics Processing Unit,GPU)等;还可以是数字信号处理器DSP、专用集成电路ASIC、现场可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
需要说明的是,本发明实施例还提供一种计算机可读存储介质,该存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述实施例中提供的方法和处理过程。
本发明实施例还提供一种运行指令的芯片,该芯片用于执行上述实施例中提供的方法和处理过程。
本发明实施例还提供一种程序产品,该程序产品包括计算机程序,该计算机程序存储在存储介质中,至少一个处理器可以从上述存储介质读取上述计算机程序,上述至少一个处理器执行上述实施例中提供的方法和处理过程。
本发明实施例提供一种基于多导联心电信号生成心搏标签数据序列的方法、装置、电子设备、计算机程序产品及计算机可读存储介质,对基于自注意力处理机制的transformer模型进行改造,在其解码器单元增加心搏敏感注意力处理层,从而提高了模型对心搏特征的敏感度,利用改进后的模型对具有时间特性的多导联信号进行处理,可以输出与多导联信号对应的心搏标签序列。
专业人员应该还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于多导联心电信号生成心搏标签数据序列的方法,其特征在于,所述方法包括:
获取多导联心电信号;
对所述多导联心电信号,进行心电数据采样与数据片段划分处理,生成第一心电四维张量;
根据所述第一心电四维张量,进行R点数据位置信息识别处理,生成第一R点位置三维张量;
对所述第一心电四维张量进行心电特征数据识别处理,生成第一心电特征四维张量;
基于transformer模型编码器单元的输入数据格式要求,对所述第一心电特征四维张量进行第一数据准备处理,生成编码输入三维张量;
基于transformer模型解码器单元的心搏敏感注意力处理层计算因子数据格式要求,对所述第一R点位置三维张量进行第二数据准备处理,生成解码R点位置三维张量;
以所述解码R点位置三维张量作为所述transformer模型解码器单元的心搏敏感注意力处理层计算因子,将所述编码输入三维张量输入所述transformer模型进行计算,生成心搏标签数据序列;
其中,所述多导联心电信号包括多个第一导联心电信号;所述多导联心电信号包括的第一导联心电信号数量为导联总数N;所述导联总数N个所述第一导联心电信号为同步采集的导联心电信号;
所述transformer模型包括所述编码器单元和所述解码器单元;所述编码器单元包括多层第一编码层;所述第一编码层包括第一编码自注意力处理层、第一编码求和与归一化处理层、第一编码前馈神经网络层和第二编码求和与归一化处理层;
所述解码器单元包括多层第一解码层、第一线性变换层和第一回归处理层;所述第一解码层包括第一解码自注意力处理层、第一解码求和与归一化处理层、第一编码-解码注意力处理层、第二解码求和与归一化处理层、第一心搏敏感注意力处理层、第三解码求和与归一化处理层、第一解码前馈神经网络层和第四解码求和与归一化处理层;所述第一回归处理层使用softmax函数进行回归计算;
所述对所述多导联心电信号,进行心电数据采样与数据片段划分处理,生成第一心电四维张量,具体包括:
按预设的第一采样频率,对每个所述第一导联心电信号进行第一心电数据采样处理,生成第一采样数据,由所述第一采样数据组成对应的第一采样数据序列;将所述第一采样数据序列的第一采样数据数量作为采样总数L1;
以预设的片段长度L2为片段划分单位,对每个所述第一采样数据序列,进行第一数据片段划分处理,得到片段总数M个第一数据片段,M=L1/L2;再对所有所述第一数据片段,进行数据片段融合处理,生成与每个所述第一采样数据序列对应的第一采样二维张量;其中,所述第一采样二维张量的形状为W1×C1;所述W1为所述第一采样二维张量的二维参数,W1=M;所述C1为所述第一采样二维张量的一维参数,C1=L2;所述第一采样二维张量包括所述片段总数M个第一采样一维张量,所述第一采样一维张量与所述第一数据片段对应;
对所有所述第一采样二维张量,进行采样二维张量融合处理,生成所述第一心电四维张量;其中,所述第一心电四维张量的形状为B1×H1×W2×C2;所述B1为所述第一心电四维张量的四维参数,B1=W1=M;所述H1为所述第一心电四维张量的三维参数,H1=C1=L2;所述W2为所述第一心电四维张量的二维参数,W2=N;所述C2为所述第一心电四维张量的一维参数,C2=1;所述第一心电四维张量包括所述片段总数M个第一心电三维张量,所述第一心电三维张量包括所述片段长度L2个第一心电二维张量;所述第一心电二维张量包括所述导联总数N个所述第一采样数据;
所述根据所述第一心电四维张量,进行R点数据位置信息识别处理,生成第一R点位置三维张量,具体包括:
在所述第一心电四维张量中,对每个所述第一心电二维张量,通过对其包括的所有所述第一采样数据,进行多导联数据融合的R点数据识别处理,生成对应的第一识别结果;当所述第一识别结果为R点数据时,将所述第一心电二维张量标记为第一R点张量;
设置所述第一R点位置三维张量的形状为HR1×WR1×CR1;并将所述第一R点位置三维张量中的所有第一R点位置数据,初始化为无效信息;其中,所述HR1为所述第一R点位置三维张量的三维参数,HR1=M;所述WR1为所述第一R点位置三维张量的二维参数,所述WR1与预设的片段内R点总数最大值NRMAX相同;所述CR1为所述第一R点位置三维张量的一维参数,CR1=L2;所述第一R点位置三维张量包括所述片段总数M个第一R点位置二维张量;所述第一R点位置二维张量包括所述片段内R点总数最大值NRMAX个第一R点位置一维张量;所述第一R点位置一维张量包括片段长度L2个所述第一R点位置数据;所述第一R点位置数据为所述无效信息或有效信息;
在所述第一R点位置三维张量中,对所有所述第一R点位置二维张量进行轮询,将被轮询的所述第一R点位置二维张量作为当前片段R点位置二维张量;获取所述当前片段R点位置二维张量,在所述第一R点位置三维张量中的索引位置信息,生成当前片段索引数据;将所述第一心电四维张量中,与所述当前片段索引数据对应的所述第一心电三维张量作为当前片段心电三维张量;获取所述当前片段心电三维张量中,标记为所述第一R点张量的所有所述第一心电二维张量的索引位置信息,生成当前片段R点位置数据,并由所述当前片段R点位置数据组成当前片段R点位置数据序列;对所有所述当前片段R点位置数据进行轮询,将被轮询的所述当前片段R点位置数据作为当前R点位置数据;获取所述当前R点位置数据在所述当前片段R点位置数据序列的索引位置信息,生成当前R点索引数据;并将在所述当前片段R点位置二维张量中,索引位置信息与所述当前R点索引数据相同的所述第一R点位置一维张量中,索引位置信息与所述当前R点位置数据相同的所述第一R点位置数据,修改为所述有效信息。
2.根据权利要求1所述的基于多导联心电信号生成心搏标签数据序列的方法,其特征在于,所述对所述第一心电四维张量进行心电特征数据识别处理,生成第一心电特征四维张量,具体包括:
对所述第一心电四维张量,使用卷积神经网络进行心电特征数据识别处理,生成所述第一心电特征四维张量;其中,所述第一心电特征四维张量的形状为B2×H2×W3×C3;所述B2为所述第一心电特征四维张量的四维参数,B2=B1=M;所述H2为所述第一心电特征四维张量的三维参数,H2=1;所述W3为所述第一心电特征四维张量的二维参数;所述C3为所述第一心电特征四维张量的一维参数。
3.根据权利要求2所述的基于多导联心电信号生成心搏标签数据序列的方法,其特征在于,所述基于transformer模型编码器单元的输入数据格式要求,对所述第一心电特征四维张量进行第一数据准备处理,生成编码输入三维张量,具体包括:
对所述第一心电特征四维张量,进行四维张量形状降维处理,生成第一心电特征三维张量;其中,所述第一心电特征三维张量的形状为H3×W4×C4;所述H3为所述第一心电特征三维张量的三维参数,H3=B2=M;所述W4为所述第一心电特征三维张量的二维参数,W4=H2*W3=1*W3=W3;所述C4为所述第一心电特征三维张量的一维参数,C4=C3;
对所述第一心电特征三维张量,使用预设的权重因子三维张量E进行加权计算处理,生成所述编码输入三维张量;其中,所述权重因子三维张量E的形状为HE×WE×CE;所述HE为所述权重因子三维张量E的三维参数,HE=W4;所述WE为所述权重因子三维张量E的二维参数,所述WE与预设的所述transformer模型的模型输入长度LD相同;所述CE为所述权重因子三维张量E的一维参数,CE=C4;所述编码输入三维张量的形状为H4×W5×C5;所述H4为所述编码输入三维张量的三维参数,H4=H3=M;所述W5为所述编码输入三维张量的二维参数,W5=W4;所述C5为所述编码输入三维张量的一维参数,C5=WE=LD。
4.根据权利要求1所述的基于多导联心电信号生成心搏标签数据序列的方法,其特征在于,所述基于transformer模型解码器单元的心搏敏感注意力处理层计算因子数据格式要求,对所述第一R点位置三维张量进行第二数据准备处理,生成解码R点位置三维张量,具体包括:
使用预设的第一卷积核张量H,对所述第一R点位置三维张量进行卷积计算,生成所述解码R点位置三维张量。
5.根据权利要求1所述的基于多导联心电信号生成心搏标签数据序列的方法,其特征在于,所述以所述解码R点位置三维张量作为所述transformer模型解码器单元的心搏敏感注意力处理层计算因子,将所述编码输入三维张量输入所述transformer模型进行计算,生成心搏标签数据序列,具体包括:
使用所述编码器单元对所述编码输入三维张量进行编码计算,生成第一过程张量;
将所述第一过程张量,分别输入到所述解码器单元的多层所述第一解码层,并以所述解码R点位置三维张量作为所述心搏敏感注意力处理层计算因子进行多层融合解码计算,生成第二过程张量;
将所述第二过程张量,输入到所述解码器单元的所述第一线性变换层,进行解码数据线性转换处理,生成第三过程张量;
将所述第三过程张量,输入到所述解码器单元的所述第一回归处理层,进行线性转换数据回归处理,生成所述心搏标签数据序列。
6.根据权利要求5所述的基于多导联心电信号生成心搏标签数据序列的方法,其特征在于,
在将所述第一过程张量输入所述第一解码层之后,获取上一层解码层的输出张量作为当前解码层输入张量;并将所述第一过程张量作为当前编码层输出张量;
使用所述第一解码层的所述第一解码自注意力处理层对所述当前解码层输入张量,进行第一自注意力处理,生成第一一过程张量;
使用所述第一解码层的所述第一解码求和与归一化处理层,对所述当前解码层输入张量和所述第一一过程张量,进行第一求和与归一化处理,生成第一二过程张量;
使用所述第一解码层的所述第一编码-解码注意力处理层,对所述当前编码层输出张量和所述第一二过程张量,进行第一编码-解码注意力处理,生成第一三过程张量;
使用所述第一解码层的所述第二解码求和与归一化处理层,对所述第一二过程张量和所述第一三过程张量,进行第二求和与归一化处理,生成第一四过程张量;
使用所述第一解码层的所述第一心搏敏感注意力处理层,以所述解码R点位置三维张量作为第一计算因子,对所述当前编码层输出张量和所述第一四过程张量,进行第一心搏敏感注意力处理,生成第一五过程张量;
使用所述第一解码层的所述第三解码求和与归一化处理层,对所述第一四过程张量和所述第一五过程张量,进行第三求和与归一化处理,生成第一六过程张量;
使用所述第一解码层的所述第一解码前馈神经网络层,对所述第一六过程张量,进行第一前馈神经网络计算处理,生成第一七过程张量;
使用所述第一解码层的所述第四解码求和与归一化处理层,对所述第一六过程张量和所述第一七过程张量,进行第四求和与归一化处理,生成当前解码层输出张量;
将所述当前解码层输出张量,输入下一层解码层进行计算。
7.根据权利要求1所述的基于多导联心电信号生成心搏标签数据序列的方法,其特征在于,
所述心搏标签数据序列包括所述片段总数M个片段心搏标签数据序列;所述片段心搏标签数据序列包括所述片段内R点总数最大值NRMAX个心搏标签数据。
8.一种用于实现权利要求1-7任一项所述的基于多导联心电信号生成心搏标签数据序列的方法的装置,其特征在于,所述装置包括:
获取模块用于获取多导联心电信号;
数据准备模块用于对所述多导联心电信号,进行心电数据采样与数据片段划分处理,生成第一心电四维张量;
数据准备模块还用于根据所述第一心电四维张量,进行R点数据位置信息识别处理,生成第一R点位置三维张量;
数据准备模块还用于对所述第一心电四维张量进行心电特征数据识别处理,生成第一心电特征四维张量;
数据准备模块还用于基于transformer模型编码器单元的输入数据格式要求,对所述第一心电特征四维张量进行第一数据准备处理,生成编码输入三维张量;
数据准备模块还用于基于transformer模型解码器单元的心搏敏感注意力处理层计算因子数据格式要求,对所述第一R点位置三维张量进行第二数据准备处理,生成解码R点位置三维张量;
计算模块用于以所述解码R点位置三维张量作为所述transformer模型解码器单元的心搏敏感注意力处理层计算因子,将所述编码输入三维张量输入所述transformer模型进行计算,生成心搏标签数据序列。
9.一种电子设备,其特征在于,包括:存储器、处理器和收发器;
所述处理器用于与所述存储器耦合,读取并执行所述存储器中的指令,以实现权利要求1-7任一项所述的方法步骤;
所述收发器与所述处理器耦合,由所述处理器控制所述收发器进行消息收发。
10.一种计算机可读存储介质,其特征在于,所述计算机存储介质存储有计算机指令,当所述计算机指令被计算机执行时,使得所述计算机执行权利要求1-7任一项所述的方法的指令。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011078169.0A CN112270212B (zh) | 2020-10-10 | 2020-10-10 | 基于多导联心电信号生成心搏标签数据序列的方法和装置 |
PCT/CN2021/108314 WO2022073374A1 (zh) | 2020-10-10 | 2021-07-26 | 基于多导联心电信号生成心搏标签数据序列的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011078169.0A CN112270212B (zh) | 2020-10-10 | 2020-10-10 | 基于多导联心电信号生成心搏标签数据序列的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112270212A CN112270212A (zh) | 2021-01-26 |
CN112270212B true CN112270212B (zh) | 2023-12-08 |
Family
ID=74337799
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011078169.0A Active CN112270212B (zh) | 2020-10-10 | 2020-10-10 | 基于多导联心电信号生成心搏标签数据序列的方法和装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112270212B (zh) |
WO (1) | WO2022073374A1 (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112270212B (zh) * | 2020-10-10 | 2023-12-08 | 深圳市凯沃尔电子有限公司 | 基于多导联心电信号生成心搏标签数据序列的方法和装置 |
CN113693611B (zh) * | 2021-08-31 | 2022-10-14 | 平安科技(深圳)有限公司 | 基于机器学习的心电数据分类方法及装置 |
CN113892955B (zh) * | 2021-10-18 | 2024-03-29 | 上海乐普云智科技股份有限公司 | 基于人工智能模型定位qrs波并进行分类的方法和装置 |
CN115363599B (zh) * | 2022-09-22 | 2024-05-07 | 山东大学 | 一种用于心房颤动识别的心电信号处理方法及系统 |
CN117113063B (zh) * | 2023-10-19 | 2024-02-02 | 北京齐碳科技有限公司 | 用于纳米孔信号的编解码系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111126350A (zh) * | 2020-01-17 | 2020-05-08 | 乐普(北京)医疗器械股份有限公司 | 一种心搏分类结果的生成方法和装置 |
CN111291576A (zh) * | 2020-03-06 | 2020-06-16 | 腾讯科技(深圳)有限公司 | 神经网络内部表示信息量确定方法、装置、设备、介质 |
CN111310572A (zh) * | 2020-01-17 | 2020-06-19 | 上海优加利健康管理有限公司 | 利用心搏时间序列生成心搏标签序列的处理方法和装置 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB0704429D0 (en) * | 2007-03-08 | 2007-04-18 | Sensor Technologies & Devices | Method and apparatus for determining information concerning the identity of an individual |
US9314181B2 (en) * | 2009-11-03 | 2016-04-19 | Vivaquant Llc | Method and apparatus for detection of heartbeat characteristics |
CN110612536B (zh) * | 2017-05-19 | 2024-01-26 | 谷歌有限责任公司 | 神经机器翻译的逐深度可分离卷积 |
CN107837082B (zh) * | 2017-11-27 | 2020-04-24 | 乐普(北京)医疗器械股份有限公司 | 基于人工智能自学习的心电图自动分析方法和装置 |
CN109411042B (zh) * | 2018-02-24 | 2021-06-25 | 上海乐普云智科技股份有限公司 | 心电信息处理方法和心电工作站 |
CN110890155B (zh) * | 2019-11-25 | 2022-10-28 | 中国科学技术大学 | 一种基于导联注意力机制的多类心律失常检测方法 |
CN111275093B (zh) * | 2020-01-17 | 2024-01-26 | 上海乐普云智科技股份有限公司 | 一种用于多标签标注心电信号的心搏分类方法和装置 |
CN112270212B (zh) * | 2020-10-10 | 2023-12-08 | 深圳市凯沃尔电子有限公司 | 基于多导联心电信号生成心搏标签数据序列的方法和装置 |
-
2020
- 2020-10-10 CN CN202011078169.0A patent/CN112270212B/zh active Active
-
2021
- 2021-07-26 WO PCT/CN2021/108314 patent/WO2022073374A1/zh active Application Filing
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111126350A (zh) * | 2020-01-17 | 2020-05-08 | 乐普(北京)医疗器械股份有限公司 | 一种心搏分类结果的生成方法和装置 |
CN111310572A (zh) * | 2020-01-17 | 2020-06-19 | 上海优加利健康管理有限公司 | 利用心搏时间序列生成心搏标签序列的处理方法和装置 |
CN111291576A (zh) * | 2020-03-06 | 2020-06-16 | 腾讯科技(深圳)有限公司 | 神经网络内部表示信息量确定方法、装置、设备、介质 |
Non-Patent Citations (1)
Title |
---|
张楠 等人.《深度学习自然语言处理实战》.机械工业出版社,2020,第145-148页. * |
Also Published As
Publication number | Publication date |
---|---|
WO2022073374A1 (zh) | 2022-04-14 |
CN112270212A (zh) | 2021-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112270212B (zh) | 基于多导联心电信号生成心搏标签数据序列的方法和装置 | |
CN111772619B (zh) | 一种基于深度学习的心搏识别方法、终端设备及存储介质 | |
CN109620205B (zh) | 心电数据分类方法、装置、计算机设备和存储介质 | |
JP7304901B2 (ja) | 不整脈検出方法、装置、電子装置およびコンピュータ記憶媒体 | |
EP4227852A1 (en) | Scatter diagram classification method and apparatus for photoplethysmography signal | |
CN111310572B (zh) | 利用心搏时间序列生成心搏标签序列的处理方法和装置 | |
CN110664395B (zh) | 图像处理方法、图像处理装置以及存储介质 | |
WO2021017313A1 (zh) | 房颤的检测方法、装置、计算机设备及存储介质 | |
Rahman et al. | ECG classification for detecting ECG arrhythmia empowered with deep learning approaches | |
CN108573227B (zh) | 心电图数据质量评价方法及装置 | |
CN108814585B (zh) | 心电信号处理方法、装置和计算机可读存储介质 | |
CN115568860B (zh) | 基于双注意力机制的十二导联心电信号的自动分类方法 | |
CN111652135A (zh) | 心电图数据生成方法、装置及电子设备 | |
CN114041800B (zh) | 心电信号实时分类方法、装置及可读存储介质 | |
CN111631704B (zh) | 基于心电与脑电信息结合的糖尿病前期检测系统和方法 | |
WO2020228420A1 (zh) | 降噪自编码器的训练方法、心电信号的降噪方法及其装置 | |
CN111126350B (zh) | 一种心搏分类结果的生成方法和装置 | |
US20230371831A1 (en) | Method and apparatus for predicting blood pressure by fusing calibrated photoplethysmographic signal data | |
CN116712056B (zh) | 心电图数据的特征图像生成与识别方法、设备及存储介质 | |
CN111528832A (zh) | 一种心律失常分类方法及其有效性验证方法 | |
Kumar et al. | Review on compressive sensing algorithms for ECG signal for IoT based deep learning framework | |
CN113693611B (zh) | 基于机器学习的心电数据分类方法及装置 | |
KR102560516B1 (ko) | 심전도 데이터 및 신체 정보를 이용하는 딥러닝 모델 기반 심장 질환 발병 예측 장치 및 방법 | |
CN114469126B (zh) | 心电数据的分类处理方法、装置、存储介质及计算机设备 | |
CN117393153B (zh) | 基于医疗物联网时序数据和深度学习算法的休克实时风险预警监测方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |