CN113288162A - 基于自适应注意力机制的短时心电信号房颤自动检测系统 - Google Patents

Abstract

本发明公开了一种基于注意力机制的短时单导联心电信号房颤自动检测系统，其特征在于，包括数据采样模块、预处理模块、房颤自动检测模块、优化训练模块。本发明添加自适应注意力模块，能够对大量的心电信号的特征进行精确提取，去除冗余特征；同时，通过强调和抑制信息，有助于不断更新、调整网络结构中的参数去关注和保留一些重要的心电信号特征。此外，将双向时域采样模块与一维密集连接网络级联，一方面能够提取更多与短时单导联房颤信号相关的微小细粒度变化的信息；另一方面能够充分考虑心电信号的时域特征，更好的关注房颤信号间的差异性和互补性，获得更高的分类准确率和特异度。

Description

基于自适应注意力机制的短时心电信号房颤自动检测系统

技术领域

本发明属于人工智能和心电信号识别技术领域，尤其涉一种基于自适应注意力机制的短时单导联心电信号房颤自动检测系统。

背景技术

房颤是临床上最为常见且潜在危害较高的持续性心律失常，它很容易引起恶性疾病的发生，例如脑卒中，心力衰竭和血栓栓塞等。由于其极强的隐匿性以及多种并发症的严重影响，房颤对人类的生命和健康造成了极大的威胁。心电图作为房颤的主要检测方法，可以识别和检测不同类型的心律失常疾病。通常，在记录心电数据的过程中，有些患者可能刚刚经历过房颤发作，导致房颤段的心电数据无法被心电图所记录。因此，为了及时诊断和排除疾病，需要对心脏活动进行长期监视，例如动态心电图，智能手环或事故记录仪。然而，长期记录的心电片段数据量巨大，且初始阵发性房颤的持续时间很短，导致心电信号的波形发生微弱的变化，产生很高的漏诊率。因此，设计一个高效、便携、准确的自动房颤检测系统具有重要意义。

传统上，房颤检测主要依赖于检测P波的消失，F波的产生或不规则的R-R间期等基于特征的提取方法。但是，心电信号的F波和P波非常微妙，提取到的特征很有可能会被噪声所污染；其次，由于心电信号R-R时间间隔序列的不稳定性和复杂性，难以获得精准的检测结果。近年来，基于深度学习的房颤检测方法尽管可以通过大量心电数据的训练、学习和采样，避免了基于特征提取方法中复杂的步骤，并且能够获得良好的泛化能力。但是，由于节拍信息有限，从短时单导联心电信号中准确、可靠、便携地检测房颤仍然是一个巨大的挑战。更为重要的是，仅仅基于常规的深度卷积网络模型，并没有对心电的时域信号进行深入分析，也没有考虑心电信号在不同网络特征表达中的差异性和互补性，导致房颤信号检测的精确度和特异度并不高。

发明内容

为了解决上述已有技术存在的不足，本发明提出一种基于自适应注意力机制的短时单导联心电信号房颤自动检测系统，将融合卷积注意力模块添加到一维密集残差块中形成自适应注意力模块，能够对大量的心电信号的特征进行精确提取，去除冗余特征；同时，通过强调和抑制信息，有助于不断更新、调整网络模型中的参数去关注和保留一些重要的心电信号特征。此外，将双向时域采样模块与自适应注意力模块级联，一方面能够提取更多与短时单导联房颤信号相关的微小细粒度变化的信息；另一方面也能够充分考虑心电信号的时域特征，更好的关注房颤信号间的差异性和互补性，获得房颤更高的分类准确率和特异度。本发明的具体技术方案如下：

一种基于自适应注意力机制的短时心电信号房颤自动检测系统，包括数据采样模块、预处理模块、房颤自动检测模块和优化训练模块，其中，

所述数据采样模块用于对房颤和非房颤单导联心电信号片段进行片段移位采样，以使两类信号分布均匀；

所述预处理模块用于对所述数据采样模块处理后的心电信号片段进行初始化预处理，并作为所述房颤自动检测模块的训练数据；

所述房颤自动检测模块是利用深度学习框架搭建的基于自适应注意力机制的自动检测模块，用于构建房颤自动检测模型，所述房颤自动检测模块包括输入层、自适应注意力模块、双向时域采样模块和输出层，其中，

所述输入层由卷积层构成，用于将所述预处理模块处理之后的心电信号转化为所述自适应注意力模块能够识别的特征向量；F＝f(x),s.t.x＝x₁,x₂,...,x_N，其中，F为特征向量，f代表房颤自动检测模块；x代表单导联心电信号片段，N表示心电信号片段的数量；

所述自适应注意力模块由密集残差子块级联构成，用于自适应关注和提取与房颤信号相关的特征并去除冗余特征；

所述双向时域采样模块由三个基于Attention机制的Bi-LSTM模块组成；

所述输出层由两层全连接层后接Sigmoid层组成，将房颤心电信号与非房颤心电信号进行精准分类，并输出分类结果；

所述优化训练模块的处理过程为对房颤自动检测模型加载预训练网络参数，将所述预处理模块预处理之后的心电数据片段按照十折交叉验证划分训练集和验证集，并添加单独的测试集；将训练集和验证集数据用于房颤检测系统模型的模型训练和最优参数选择，将测试集用于测试模型参数的效果；经Adam优化器和交叉熵损失函数优化训练并不断迭代更新，最终获得最优参数模型；

经所述数据采样模块、所述预处理模块、所述房颤自动检测模块、所述优化训练模块处理后得到最优参数模型，然后将被检测单导联心电信号直接输入基于自适应注意力机制的短时心电信号房颤自动检测系统中，即可自动判别被检测心电信号是否有房颤。

进一步地，所述自适应注意力模块由七个密集残差子块构成，每个密集残差子块由依次连接第一批量标准化层、第一线性整流函数层、最大池化层、第一Dropout层，第二批量标准化层、第二线性整流函数层、第一卷积层、卷积注意力模块，第三批量标准化层、第三线性整流函数层、第二卷积层，第二Dropout层，Efficient层。

进一步地，每个密集残差子块中第一卷积层和第三批量标准化层之间添加卷积注意力模块，所述卷积注意力模块包括通道注意力模块和空间注意力模块。

进一步地，所述数据采样模块的处理过程为：

S11：根据以下关系手动确定信号片段移位：

其中，ns_i是第i类心电信号的片段数，i＝1代表房颤类别,i＝2代表非房颤类别；l_t是记录的长度，l_s是片段长度，ss_i是第i类的片段移位；

S12：在训练数据集中，选择不同的段偏移对房颤类和非房颤类心电信号进行均匀采样，以平衡两类心电信号片段的数量；

S13：将所有平衡后的单导联心电信号记录在csv文件中，有房颤的单导联心电信号数据标记为1，其他不含房颤的心电信号数据标记为0，此csv文件即心电信号房颤自动检测模块的训练数据标签。

进一步地，所述预处理模块的预处理操作具体过程为：

S21：使用基于巴特沃斯和小波分析的一维混合滤波器对心电信号片段进行滤波去噪；

S22：z-score标准化：

其中，x_t表示采样时间t的心电信号，u表示x_t的平均值，σ表示x_t的标准差。

进一步地，信号片段移位过程中，l_t为6-60s，l_s固定为2s。

进一步地，预处理模块具体使用的是截止频率为0.5Hz和40Hz的巴特沃斯带通滤波器和基于Daubechies小波分析的一维混合滤波器。

进一步地，所述卷积注意力模块的处理过程为：

S31：通道注意力模块对输入特征向量进行双池化操作，即以最大池化和平均池化的串联作为下采样；

S32：池化后的特征向量经过所述通道注意力模块的全连接层输出，将添加了双池化的组合特征向量经过Sigmoid层之后，得出通道注意力的权重系数：

其中，W_C(F)为通道注意力的权重系数，FC为通道注意力模块的全连接层，W₁和W₀为通道注意力模块全连接层的权重系数，Avgpool(F)为通道注意力特征向量的平均池化操作，maxpool(F)为通道注意力特征向量的最大池化操作，

为通道注意力平均池化后的特征向量，

为通道注意力最大池化后的特征向量，σ为激活函数；

S33：将通道注意力模块的输入特征向量乘以通道注意力的权重系数获得加权特征向量

S34：空间注意力模块在加权特征向量F’上首先使用最大池化和平均池化的双池化策略，然后将所述通道注意力模块和所述空间注意力模块拼接在一起；

S35：通过卷积运算获得空间注意力的权重系数：

W_F'＝σ(f^3×3([Avgpool(F')；Maxpool(F')])，f^5×5([Avgpool(F')；Maxpool(F')])，

其中，W_F'为空间注意力的权重系数，是一个自适应的权重系数，f^3×3、f^5×5和f^7×7均表示卷积运算，对应的滤波器大小分别为3×3，5×5和7×7；

为空间注意力平均池化后的特征向量，

为空间注意力最大池化后的特征向量，Avgpool(F')为空间注意力特征向量的平均池化操作，Maxpool(F')为空间注意力特征向量的最大池化操作；

S36：将空间注意力模块的输入特征和空间注意力的权重系数相乘，得到卷积注意力模块的特征向量

进一步地，所述双向时域采样模块的处理过程为：

S41：把自适应注意力模块得到的权重值传输到Bi-LSTM模块中，

i_t＝σ(W_ix_t+U_ih_t-1+b_i)

f_t＝σ(W_fx_t+U_fh_t-1+b_i)

o_t＝σ(W_ox_t+U_oh_t-1)

h_t＝o_t*tanh(c_t)

其中，i_t为输入门，f_t为忘记门，h_t为LSTM的隐藏门，o_t为输出门，

为更新状态，C_t和C_t-1分别为t和t-1时刻的记忆单元；W_i为输入门的权重，W_f为忘记门的权重，W_c为记忆单元的权重，W_o为输出门的权重；U_i为t-1时刻输入门隐藏层的权重，U_f为t-1时刻忘记隐藏层的权重，U_c为t-1时刻记忆单元隐藏层的权重，U_o为t-1时刻输出门隐藏层的权重；b_i为输入门的偏置值，b_c为记忆单元的偏置值，T为一个计时单元，

为隐藏门的前向单元，

为隐藏门的逆向单元，h_t-1为t-1时刻的隐藏单元，H_t为Bi-LSTM的隐藏门，σ为Mish激活函数：

Mish＝o_t*tanh(ln(1+e^x_t))

S42：在Bi-LSTM模块中加入Attention机制，构建双向时域采样模块，记为A-Bi-LSTM模块，具体过程为：Attention机制计算每个时序的权重，将所有时序的特征向量进行加权和作为最终特征向量，经由两层全连接层和Softmax层，将房颤心电信号与非房颤心电信号进行精准分类；

在A-Bi-LSTM模块中，条件概率定义为：

p(y_t|y₁,...,y_t-1,t)＝g(y_t-1,s_t,c_t)

S_t＝f_A-Bi-LSTM(S_t-1,y_t-1,c_t)

其中，p为A-Bi-LSTM模块的条件概率，y₁,...,y_t分别为时刻1到t的心电信号片段的编码序列标签，S_t为t时刻的解码状态，S_t-1为t-1时刻的解码状态，s_t为中间编码向量，h_j是为第j个单元的隐藏矢量，c_t为A-Bi-LSTM模块编解码序列上下文的权值向量，是h_j的加权和，

为第g个单元和第j个单元之间的概率，表示第j个单元对第g个单元的影响，

的值为：

e_gj＝a(S_t-1,h_j)

经过Softmax层的输出，得到房颤心电信号和非房颤心电信号的准确分类，且这两种分类的概率之和为1；g为前馈神经网络，e_gj和e_gk是点积矩阵的对齐模型，对齐计算为:

其中，

为判别分数，

为点积矩阵对齐模型中目标端的隐藏状态，

为点积矩阵对齐模型中源端的隐藏状态，W_a为目标端到源端的权重估计值。

本发明的有益效果在于：

1.本发明的系统以密集连接网络作为基础模型来提取初始心电信号的大量信息，一方面能够将输出的每一层都与之前所有层相关联，提升网络的表达能力；另一方面也能够解决由于网络层数过深而导致的梯度消失和梯度爆炸等问题。

2.本发明中的自适应注意力模块内引入了融合卷积注意力机制，能够同时整合通道注意力和空间注意力，更多的关注通道和空间维度中与房颤检测相关的重要特征，去除冗余特征；同时，通过强调和抑制信息，有助于不断更新、调整网络中的参数，并在房颤的自动检测中显示出明显的优势。

3.本发明将双向时域采样模块级联自适应注意力模块，一方面用于提取更多与短时单导联房颤信号相关的细粒度变化的信息，另一方面也能够充分考虑心电信号的时域特征，更好的关注(不同)房颤信号间的差异性和互补性，提升房颤检测系统的精准性和特异性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，通过参考附图会更加清楚的理解本发明的特征和优点，附图是示意性的而不应理解为对本发明进行任何限制，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，可以根据这些附图获得其他的附图。其中：

图1是本发明的基于自适应注意力机制的短时单导联心电信号房颤自动检测系统的主要流程图；

图2是本发明的基于自适应注意力机制的短时单导联心电信号房颤自动检测系统的总体结构图；

图3是本发明的密集残差子块的结构图；

图4是本发明的卷积注意力模块结构图；

图5是本发明的双向时域采样模块结构图；

图6是本发明的Mish激活函数结构图；

图7是本发明的系统模型训练Loss收敛曲线图。

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本发明的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。

为了方便理解本发明的上述技术方案，以下通过具体实施例对本发明的上述技术方案进行详细说明。

首先，获取由专业医生标注的单导联房颤信号片段以及单导联非房颤信号片段，每条片段长度在6-60s不等；其中，共获取到房颤信号片段为1098条，非房颤信号片段为5779条。由于获取到的心电数据片段是不平衡的，因此，数据采样模块对两类不同心电信号的输入段进行不同的片段移位采样(最终房颤信号片段和非房颤信号片段均采样到20000条)，以使两种类别的心电信号分布均匀。

处理过程为：

S11：根据以下关系手动确定信号片段移位：

其中，ns_i是第i类心电信号的片段数，i＝1代表房颤类别,i＝2代表非房颤类别；l_t是记录的长度(6-60s)，l_s是片段长度(固定为2s)，ss_i是第i类的片段移位；

S12：在训练数据中，选择不同的段偏移对房颤类和非房颤类心电信号进行均匀采样，以平衡两类心电信号片段的数量；

S13：将所有平衡后的单导联心电信号记录在csv文件中，有房颤的单导联心电信号数据标记为1，其他不含房颤的心电信号数据标记为0，此csv文件即心电信号房颤自动检测模块的训练数据标签。

其次，预处理模块对数据采样模块处理后的心电信号片段进行初始化预处理，并作为房颤自动检测模块的训练数据；由于心电信号所包含的几种噪声中，基线漂移噪声的频率很低，一般小于1Hz，而工频干扰和人体肌电的干扰所在的频段又比较高，所以，出于同时滤除低频噪声和高频噪声的目的，首先使用基于频域分析的滤波降噪对单导联心电信号片段去噪，具体使用的是截止频率为0.5Hz和40Hz的巴特沃斯带通滤波器。其次，为了能够更为完整的保留心电信号特征，反映信号的非平稳性、突变以及断点，采用既能有效滤除噪声又能够进行非平稳信号分析的小波变换降噪策略，具体使用的是Daubechies小波变换，它能够自适应地对不同类型的心电信号片段进行预处理。最后，为了避免由于不同数量级的心电信号对房颤检测的影响，同时也大幅度减少内存计算量，对去除噪声后的心电数据进行z-score标准化。

预处理操作具体过程为：

S21：使用基于巴特沃斯和小波分析的一维混合滤波器对心电信号片段进行滤波去噪；

S22：z-score标准化：

其中，x_t表示采样时间t的心电信号，u表示x_t的平均值，σ表示x_t的标准差。

第三，参照图1-图5，本实例的房颤自动检测模块包括输入层、自适应注意力模块、双向时域采样模块和输出层，其中，

输入层由卷积层构成，用于将预处理模块处理之后的心电信号转化为自适应注意力模块能够识别的特征向量；F＝f(x),s.t.x＝x₁,x₂,...,x_N，其中，F为特征向量，f代表房颤自动检测模块；x代表单导联心电信号片段，N表示心电信号片段的数量；

自适应注意力模块由7个密集残差子块级联构成，用于自适应关注和提取与房颤信号相关的特征并去除冗余特征；每个密集残差子块包含13层，密集残差子块一方面能够将输出的每一层都与之前所有层相关联，提升网络的表达能力，另一方面也能够解决由于网络层数过深而导致的梯度消失和梯度爆炸等问题。每个密集连接块的构成如图3所示，依次连接的有第一批量标准化层(BN1)、第一线性整流函数层(ReLU1)、最大池化层(Maxpool1)、第一Dropout层，第二批量标准化层(BN2)、第二线性整流函数层(ReLU2)、第一卷积层(Conv(1)，卷积注意力模块(CBAM)，第三批量标准化层(BN3)、第三线性整流函数层(ReLU3)、第二卷积层(Conv(2))，第二Dropout层，Efficient层。每个密集残差子块中第一卷积层和第三批量标准化层之间添加卷积注意力模块，卷积注意力模块包括通道注意力模块和空间注意力模块。每一层的单元都会随数据流传输到下一层的单元，为了使得提取出的特征向量更加准确，对提取出的特征向量进行批量规范化(BN)和线性修正(ReLU)操作。

卷积注意力模块的处理过程为：

S31：通道注意力模块对输入特征向量进行双池化操作，即以最大池化和平均池化的串联作为下采样；

S32：池化后的特征向量经过所述通道注意力模块的全连接层输出，将添加了双池化的组合特征向量经过Sigmoid层之后，得出通道注意力的权重系数：

其中，W_C(F)为通道注意力的权重系数，FC为通道注意力模块的全连接层，W₁和W₀为通道注意力模块全连接层的权重系数，Avgpool(F)为通道注意力特征向量的平均池化操作，max pool(F)为通道注意力特征向量的最大池化操作，

为通道注意力平均池化后的特征向量，

为通道注意力最大池化后的特征向量，σ为激活函数，；

S33：将通道注意力模块的输入特征向量乘以通道注意力的权重系数获得加权特征向量

S34：空间注意力模块在加权特征向量F’上使用最大池化和平均池化的双池化策略，然后将所述通道注意力模块和所述空间注意力模块连接在一起；空间注意力模块更加专注于房颤信号R-R间隔的突变信息，并能够解决心电信号聚焦的问题。

S35：如图4所示，通过运算获得空间注意力的权重系数：

W_F'＝σ(f^3×3([Avgpool(F')；Maxpool(F')])，f^5×5([Avgpool(F')；Maxpool(F')])，

其中，W_F'为空间注意力的权重系数,f^3×3、f^5×5和f^7×7均表示卷积运算，对应的滤波器大小分别为3×3，5×5和7×7；

为空间注意力平均池化后的特征向量，

为空间注意力最大池化后的特征向量，Avgpool(F')为空间注意力特征向量的平均池化操作，Maxpool(F')为空间注意力特征向量的最大池化操作；

S36：将空间注意力模块的输入特征和空间注意力的权重系数相乘，得到特征向量

最终，通过融合通道注意力模块和空间注意力模块的卷积注意力模块能够从大量房颤信号中有选择的关注与房颤信息相关的重要特征，去除冗余特征；同时，通过强调和抑制信息，有助于不断更新、调整网络的参数，并将这些重要特征一同输入到双向时域采样模块。

双向时域采样模块的处理过程为：

S41：把自适应注意力模块得到的权重值传输到Bi-LSTM模块中，

i_t＝σ(W_ix_t+U_ih_t-1+b_i)

f_t＝σ(W_fx_t+U_fh_t-1+b_i)

o_t＝σ(W_ox_t+U_oh_t-1)

h_t＝o_t*tanh(c_t)

其中，i_t为输入门，f_t为忘记门，h_t为LSTM的隐藏门，o_t为输出门，

为更新状态，C_t和C_t-1分别为t和t-1时刻的记忆单元；W_i为输入门的权重，W_f为忘记门的权重，W_c为记忆单元的权重，W_o为输出门的权重；U_i为t-1时刻输入门隐藏层的权重，U_f为t-1时刻忘记隐藏层的权重，U_c为t-1时刻记忆单元隐藏层的权重，U_o为t-1时刻输出门隐藏层的权重；b_i为输入门的偏置值，b_c为记忆单元的偏置值，T为一个计时单元，

为隐藏门的前向单元，

为隐藏门的逆向单元，h_t-1为t-1时刻的隐藏单元，H_t为Bi-LSTM的隐藏门，σ为Mish激活函数：

Mish＝o_t*tanh(ln(1+e^x_t))

如图6所示，Mish激活函数在负值的时候并不是完全截断，而是允许比较小的负梯度流入，从而保证心电信号的信息流动，避免了梯度消失；同时Mish激活函数没有边界，也避免了如sigmoid，tanh激活函数存在梯度饱和问题。此外，Mish函数还保证了每一点的平滑，从而使得梯度下降效果比Relu要好，在房颤信号的精准检测中发挥了巨大的作用。

S42：在Bi-LSTM模块中加入Attention机制，构建双向时域采样模块，记为A-Bi-LSTM模块，Attention引导下的A-Bi-LSTM模块能够使得不同特征重新分配权重，更加关注了心电信号细粒度变化的信息，使得房颤检测更为精准，特异性更高。具体过程为：Attention机制计算每个时序的权重，将所有时序的特征向量进行加权和作为最终特征向量，经由两层全连接层和Softmax层，将房颤心电信号与非房颤心电信号进行精准分类；

在A-Bi-LSTM模块中，条件概率定义为：

p(y_t|y₁,...,y_t-1,t)＝g(y_t-1,s_t,c_t)

S_t＝f_A-Bi-LSTM(S_t-1,y_t-1,c_t)

其中，p为A-Bi-LSTM模块的条件概率，y₁,...,y_t分别为时刻1到t的心电信号片段的编码序列标签，S_t为t时刻的解码状态，S_t-1为t-1时刻的解码状态，s_t为中间编码向量，h_j是为第j个单元的隐藏矢量，c_t为A-Bi-LSTM模块编解码序列上下文的权值向量，是h_j的加权和，

为第g个单元和第j个单元之间的概率，表示第j个单元对第g个单元的影响，

的值为：

e_gj＝a(S_t-1,h_j)

经过Softmax层的输出，得到房颤心电信号和非房颤心电信号的准确分类，且这两种分类的概率之和为1；g为前馈神经网络，e_gj和e_gk是点积矩阵的对齐模型，对齐计算为:

其中，

为判别分数，

为点积矩阵对齐模型中目标端的隐藏状态，

为点积矩阵对齐模型中源端的隐藏状态，W_a为目标端到源端的权重估计值。

可以看出，当模型输入各种特征时，双向时域模块将重点放在与房颤信息检测非常相关的部分；并且将双向时域模块的输出作为输出门的特征向量，计算目标状态和源隐藏状态之间的相似度，极大的提升房颤检测的精准度。此外，双向时域模块将上一层提取到的隐藏状态进行语义矢量表示，关注并计算隐藏状态的注意力值，也有助于解决在深层的网络中学习不佳的问题。

第四，对预处理后的数据按照十折交叉验证的方法训练网络并获得最优模型。最终的结果取十折交叉验证后平均值。此外，为了验证提出的网络模型的泛化能力，还配置单独的测试集进行测试，提升模型的实用性和适用性。。在本实例中，一段心电信号输入到前馈神经网络中得到一个预测结果，为了计算与标签的误差，使用交叉熵函数作为损失函数，用于计算模型预测的结果与真实结果的偏差：

其中，J(w)是总损失函数；w是模型的权重参数；H(s_n,t_n)是交叉熵的分布；N是样本数；y_n是第n个实际标签；

是第n个预测标签。

在训练模型的过程中，使用Adam优化器来进行参数的更新，学习率为0.0001，权值衰减为0.999，动量为0.85。图7是根据本发明实施例的损失函数迭代训练的曲线图，横坐标表示迭代次数，纵坐标表示损失函数的值。随着迭代次数的增加，测试损失和训练损失均动态减少，表明随时则迭代次数的增加，损失越来越小。并且，测试

减少的程度小于训练损失，表明训练损失的迭代训练效果更好。最终，当模型收敛到100个Epoch时，loss值小于10^^-5时，认为此时的神经网络参数已经达到最优，将此时的参数视为最优参数。

最后，将采集心电信号输入到房颤自动检测系统中，自动输出是否有房颤，若输出检测结果为1，则说明检测到房颤，反之，若检测结果为0，则说明未检测到房颤。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于自适应注意力机制的短时心电信号房颤自动检测系统，其特征在于，包括数据采样模块、预处理模块、房颤自动检测模块和优化训练模块，其中，

所述数据采样模块用于对房颤和非房颤单导联心电信号片段进行片段移位采样，以使两类信号分布均匀；

所述预处理模块用于对所述数据采样模块处理后的心电信号片段进行初始化预处理，并作为所述房颤自动检测模块的训练数据；

所述房颤自动检测模块是利用深度学习框架搭建的基于自适应注意力机制的自动检测模块，用于构建房颤自动检测模型，所述房颤自动检测模块包括输入层、自适应注意力模块、双向时域采样模块和输出层，其中，

所述输入层由卷积层构成，用于将所述预处理模块处理之后的心电信号转化为所述自适应注意力模块能够识别的特征向量；F＝f(x),s.t.x＝x₁,x₂,...,x_N，其中，F为特征向量，f代表房颤自动检测模块；x代表单导联心电信号片段，N表示心电信号片段的数量；

所述自适应注意力模块由密集残差子块级联构成，用于自适应关注和提取与房颤信号相关的特征并去除冗余特征；

所述双向时域采样模块由三个基于Attention机制的Bi-LSTM模块组成；

所述输出层由两层全连接层后接Sigmoid层组成，将房颤心电信号与非房颤心电信号进行精准分类，并输出分类结果；

所述优化训练模块的处理过程为对房颤自动检测模型加载预训练网络参数，将所述预处理模块预处理之后的心电数据片段按照十折交叉验证划分训练集和验证集，并添加单独的测试集；将训练集和验证集数据用于房颤检测系统模型的模型训练和最优参数选择，将测试集用于测试模型参数的效果；经Adam优化器和交叉熵损失函数优化训练并不断迭代更新，最终获得最优参数模型；

经所述数据采样模块、所述预处理模块、所述房颤自动检测模块、所述优化训练模块处理后得到最优参数模型，然后将被检测单导联心电信号直接输入基于自适应注意力机制的短时心电信号房颤自动检测系统中，即能够自动判别被检测心电信号是否有房颤。

2.根据权利要求1所述的一种基于自适应注意力机制的短时心电信号房颤自动检测系统，其特征在于，所述自适应注意力模块由七个密集残差子块构成，每个密集残差子块由依次连接第一批量标准化层、第一线性整流函数层、最大池化层、第一Dropout层，第二批量标准化层、第二线性整流函数层、第一卷积层、卷积注意力模块，第三批量标准化层、第三线性整流函数层、第二卷积层，第二Dropout层，Efficient层。

3.根据权利要求2所述的一种基于自适应注意力机制的短时心电信号房颤自动检测系统，其特征在于，每个密集残差子块中第一卷积层和第三批量标准化层之间添加卷积注意力模块，所述卷积注意力模块包括通道注意力模块和空间注意力模块。

4.根据权利要求1或2所述的一种基于自适应注意力机制的短时心电信号房颤自动检测系统，其特征在于，所述数据采样模块的处理过程为：

S11：根据以下关系手动确定信号片段移位：

其中，ns_i是第i类心电信号的片段数，i＝1代表房颤类别,i＝2代表非房颤类别；l_t是记录的长度，l_s是片段长度，ss_i是第i类的片段移位；

S12：在训练数据集中，选择不同的段偏移对房颤类和非房颤类心电信号进行均匀采样，以平衡两类心电信号片段的数量；

S13：将所有平衡后的单导联心电信号记录在csv文件中，有房颤的单导联心电信号数据标记为1，其他不含房颤的心电信号数据标记为0，此csv文件即心电信号房颤自动检测模块的训练数据标签。

5.根据权利要求1或2所述的一种基于自适应注意力机制的短时心电信号房颤自动检测系统，其特征在于，所述预处理模块的预处理操作具体过程为：

S21：使用基于巴特沃斯和小波分析的一维混合滤波器对心电信号片段进行滤波去噪；

S22：z-score标准化：

其中，x_t表示采样时间t的心电信号，u表示x_t的平均值，σ表示x_t的标准差。

6.根据权利要求4所述的一种基于自适应注意力机制的短时心电信号房颤自动检测系统，其特征在于，信号片段移位过程中，l_t为6-60s，l_s固定为2s。

7.根据权利要求5所述的一种基于自适应注意力机制的短时心电信号房颤自动检测系统，其特征在于，预处理模块具体使用的是截止频率为0.5Hz和40Hz的巴特沃斯带通滤波器和基于Daubechies小波分析的一维混合滤波器。

8.根据权利要求3所述的一种基于自适应注意力机制的短时心电信号房颤自动检测系统，其特征在于，所述卷积注意力模块的处理过程为：

S31：通道注意力模块对输入特征向量进行双池化操作，即以最大池化和平均池化的串联作为下采样；

S32：池化后的特征向量经过所述通道注意力模块的全连接层输出，将添加了双池化的组合特征向量经过Sigmoid层之后，得出通道注意力的权重系数：

其中，W_C(F)为通道注意力的权重系数，FC为通道注意力模块的全连接层，W₁和W₀为通道注意力模块全连接层的权重系数，Avgpool(F)为通道注意力特征向量的平均池化操作，maxpool(F)为通道注意力特征向量的最大池化操作，

为通道注意力平均池化后的特征向量，

为通道注意力最大池化后的特征向量，σ为激活函数，；

S33：将通道注意力模块的输入特征向量乘以通道注意力的权重系数获得加权特征向量

S34：空间注意力模块在加权特征向量F’上首先使用最大池化和平均池化的双池化策略，然后将所述通道注意力模块和所述空间注意力模块拼接在一起；

S35：通过卷积运算获得空间注意力的权重系数：

W_F'＝σ(f^3×3([Avgpool(F')；Maxpool(F')])，f^5×5([Avgpool(F')；Maxpool(F')])，

其中，W_F'为空间注意力的权重系数，是一个自适应的权重系数，f^3×3、f^5×5和f^7×7均表示卷积运算，对应的滤波器大小分别为3×3，5×5和7×7；

为空间注意力平均池化后的特征向量，

为空间注意力最大池化后的特征向量，Avgpool(F')为空间注意力特征向量的平均池化操作，Maxpool(F')为空间注意力特征向量的最大池化操作；

S36：将空间注意力模块的输入特征和空间注意力的权重系数相乘，得到卷积注意力模块的特征向量

9.根据权利要求3所述的一种基于自适应注意力机制的短时心电信号房颤自动检测系统，其特征在于，所述双向时域采样模块的处理过程为：

S41：把自适应注意力模块得到的权重值传输到Bi-LSTM模块中，

i_t＝σ(W_ix_t+U_ih_t-1+b_i)

f_t＝σ(W_fx_t+U_fh_t-1+b_i)

o_t＝σ(W_ox_t+U_oh_t-1)

h_t＝o_t*tanh(c_t)

其中，i_t为输入门，f_t为忘记门，h_t为LSTM的隐藏门，o_t为输出门，

为更新状态，C_t和C_t-1分别为t和t-1时刻的记忆单元；W_i为输入门的权重，W_f为忘记门的权重，W_c为记忆单元的权重，W_o为输出门的权重；U_i为t-1时刻输入门隐藏层的权重，U_f为t-1时刻忘记隐藏层的权重，U_c为t-1时刻记忆单元隐藏层的权重，U_o为t-1时刻输出门隐藏层的权重；b_i为输入门的偏置值，b_c为记忆单元的偏置值，T为一个计时单元，

为隐藏门的前向单元，

为隐藏门的逆向单元，h_t-1为t-1时刻的隐藏单元，H_t为Bi-LSTM的隐藏门，σ为Mish激活函数：

Mish＝o_t*tanh(ln(1+e^x_t))

S42：在Bi-LSTM模块中加入Attention机制，构建双向时域采样模块，记为A-Bi-LSTM模块，具体过程为：Attention机制计算每个时序的权重，将所有时序的特征向量进行加权和作为最终特征向量，经由两层全连接层和Softmax层，将房颤心电信号与非房颤心电信号进行精准分类；

在A-Bi-LSTM模块中，条件概率定义为：

p(y_t|y₁,...,y_t-1,t)＝g(y_t-1,s_t,c_t)

S_t＝f_A-Bi-LSTM(S_t-1,y_t-1,c_t)

其中，p为A-Bi-LSTM模块的条件概率，y₁,...,y_t分别为时刻1到t的心电信号片段的编码序列标签，S_t为t时刻的解码状态，S_t-1为t-1时刻的解码状态，s_t为中间编码向量，h_j是为第j个单元的隐藏矢量，c_t为A-Bi-LSTM模块编解码序列上下文的权值向量，是h_j的加权和，

为第g个单元和第j个单元之间的概率，表示第j个单元对第g个单元的影响，

的值为：

e_gj＝a(S_t-1,h_j)

经过Softmax层的输出，得到房颤心电信号和非房颤心电信号的准确分类，且这两种分类的概率之和为1；g为前馈神经网络，e_gj和e_gk是点积矩阵的对齐模型，对齐计算为:

其中，

为判别分数，

为点积矩阵对齐模型中目标端的隐藏状态，

为点积矩阵对齐模型中源端的隐藏状态，W_a为目标端到源端的权重估计值。

Images