CN113633289A - 一种注意力驱动ecg信号重构方法、系统、存储介质、设备 - Google Patents
一种注意力驱动ecg信号重构方法、系统、存储介质、设备 Download PDFInfo
- Publication number
- CN113633289A CN113633289A CN202110865335.XA CN202110865335A CN113633289A CN 113633289 A CN113633289 A CN 113633289A CN 202110865335 A CN202110865335 A CN 202110865335A CN 113633289 A CN113633289 A CN 113633289A
- Authority
- CN
- China
- Prior art keywords
- ecg
- label
- original signal
- signal
- neighbor
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 238000010276 construction Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 27
- 238000004590 computer program Methods 0.000 claims description 14
- 238000011478 gradient descent method Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 12
- 238000007477 logistic regression Methods 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 19
- 238000004422 calculation algorithm Methods 0.000 description 12
- 230000009286 beneficial effect Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 206010006578 Bundle-Branch Block Diseases 0.000 description 2
- 208000000418 Premature Cardiac Complexes Diseases 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000028161 membrane depolarization Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 230000002336 repolarization Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000002861 ventricular Effects 0.000 description 2
- 206010002383 Angina Pectoris Diseases 0.000 description 1
- 206010003658 Atrial Fibrillation Diseases 0.000 description 1
- 206010006580 Bundle branch block left Diseases 0.000 description 1
- 206010006582 Bundle branch block right Diseases 0.000 description 1
- 208000031229 Cardiomyopathies Diseases 0.000 description 1
- 206010052895 Coronary artery insufficiency Diseases 0.000 description 1
- 208000019025 Hypokalemia Diseases 0.000 description 1
- 208000009525 Myocarditis Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 206010003119 arrhythmia Diseases 0.000 description 1
- 230000006793 arrhythmia Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 210000001992 atrioventricular node Anatomy 0.000 description 1
- 230000036770 blood supply Effects 0.000 description 1
- 210000004375 bundle of his Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 206010061592 cardiac fibrillation Diseases 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 210000004351 coronary vessel Anatomy 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000002600 fibrillogenic effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 210000002837 heart atrium Anatomy 0.000 description 1
- 238000013095 identification testing Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 208000028867 ischemia Diseases 0.000 description 1
- 201000001715 left bundle branch hemiblock Diseases 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 208000010125 myocardial infarction Diseases 0.000 description 1
- 208000031225 myocardial ischemia Diseases 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 208000024896 potassium deficiency disease Diseases 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000000718 qrs complex Methods 0.000 description 1
- 238000000306 qrs interval Methods 0.000 description 1
- 230000004213 regulation of atrial cardiomyocyte membrane depolarization Effects 0.000 description 1
- 230000013577 regulation of ventricular cardiomyocyte membrane repolarization Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 201000007916 right bundle branch block Diseases 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
- A61B5/363—Detecting tachycardia or bradycardia
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Signal Processing (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Cardiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Power Engineering (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明属于智能数据学习技术领域，提供了一种注意力驱动ECG信号重构方法、系统、存储介质、设备。该方法包括，获取ECG原始信号，对ECG原始信号设定对应的标签；将ECG原始信号和ECG原始信号对应的标签输入特征重构模型，得到的ECG原始信号边界替换ECG原始信号，完成ECG信号的重构；所述特征重构模型的构建包括：基于ECG原始信号与标签一致的所有近邻候选期望的绝对距离、ECG原始信号与标签不一致的所有近邻候选期望的绝对距离和标签驱动注意力权重构建特征重构模型。
Description
技术领域
本发明属于智能数据学习技术领域，尤其涉及一种注意力驱动ECG信号重构方法、系统、存储介质、设备。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
随着技术的进步，特别是可穿戴技术、物联网和移动医疗技术的发展，患者可以使用可穿戴移动心电设备来监测自己的健康状况。然而，仅仅依靠心脏病专家来分析和诊断大量的心电图数据是不现实的。因此，迫切需要对这些海量心电数据进行自动、准确的心电分析。目前，心电图自动分析诊断在智能医学研究界非常流行。
正常的心电信号具有如图1的结构，P波：表示心房除极化；PR段(PR segment)：反映心房的复极过程及房室结和房室束的电活动；P-R间期(P-R interval)：P波与P-R段合计为P-R间期；QRS波群(QRS interval)：表示心室的除极化；ST段(ST segment)：为QRS综合波之后位于基线上的一个平段，其后出现向上或向下转折的一个波为T波；Q-T间期(Q-Tinterval)：从Q波起点至T波终了，代表心室肌除极和复极全过程所需时间；T波(T wave)：由心室复极化形成；T波后0.02～0.04sec出现，方向大体与T波相一致。U波明显增高常见于血钾过低。
目前，除了针对QRS定位以及检测算法成熟可靠外，其它波段的可靠性定位算法不高，其根本原因在于QRS波的特征最为明显，利于抓取。但是对于其它波段的变化，很多智能算法就显得力不从心。例如，心肌冠状动脉供血不足导致缺血，心绞痛，或慢性冠状动脉供血不足、心肌炎或心肌病主要表现为T波和ST段异常。心肌缺血时，除T波改变外，主要表现为ST段的变化或T波与ST段同时改变(如图2(a)-图2(c)所示)，而QRS波段此时无明显变化。再如：交界性早搏会导致P波出现在QRS波之前，之中，之后，这些特征在整个心电信号内变化很小，如图3(a)-图3(b)所示，其特征不是很明显，不利于算法抓取。因此，如果这些波段不能定位准确，对识别的精度影响很大。
发明内容
为了解决上述背景技术中存在的技术问题，本发明提供一种注意力驱动ECG信号重构方法、系统、存储介质、设备，其利用心电信号所对应的标记对这些微弱信号进行凸显强化，进而利于后续各种智能算法的特征提取。
为了实现上述目的，本发明采用如下技术方案：
本发明的第一个方面提供一种注意力驱动ECG信号重构方法。
一种注意力驱动ECG信号重构方法，包括：
获取ECG原始信号，对ECG原始信号设定对应的标签；
将ECG原始信号和ECG原始信号对应的标签输入特征重构模型，得到的ECG原始信号边界替换ECG原始信号，完成ECG信号的重构；
所述特征重构模型的构建包括：基于ECG原始信号与标签一致的所有近邻候选期望的绝对距离、ECG原始信号与标签不一致的所有近邻候选期望的绝对距离和标签驱动注意力权重构建特征重构模型。
进一步的，所述特征重构模型的具体构建过程包括：
考虑ECG原始信号与标签一致的近邻、ECG原始信号与标签不一致的近邻，得到ECG原始信号与标签一致的近邻的绝对距离、ECG原始信号与标签不一致的近邻的绝对距离；
根据ECG原始信号与标签一致的近邻的绝对距离、ECG原始信号与标签不一致的近邻的绝对距离和标签驱动注意力权重得到ECG原始信号的边界；
采用ECG原始信号与标签一致的所有近邻候选期望的绝对距离、ECG原始信号与标签不一致的所有近邻候选期望的绝对距离，修正ECG原始信号的边界，得到特征重构模型。
进一步的，所述标签一致的所有近邻候选期望的绝对距离为：ECG原始信号与标签一致的所有可能的近邻绝对距离，与标签一致的近邻的自适应权转置矩阵的乘积。
进一步的，所述标签不一致的所有近邻候选期望的绝对距离为：ECG原始信号与标签不一致的所有可能的近邻绝对距离，与标签不一致的近邻的自适应权转置矩阵的乘积。
进一步的，所述得到的ECG原始信号边界的过程包括：
将特征重构模型嵌入逻辑回归函数中，构建最大化样本边缘目标函数；
对最大化样本边缘目标函数中的标签驱动注意力权重进行稀疏约束、同时采用梯度下降法或随机梯度下降法优化最大化样本边缘目标函数中的梯度，得到标签驱动注意力权重值，将标签驱动注意力权重值输入特征重构模型，得到ECG原始信号边界。
本发明的第二个方面提供一种注意力驱动ECG信号重构系统。
一种注意力驱动ECG信号重构系统，包括：
获取模块，其被配置为：获取ECG原始信号，对ECG原始信号设定对应的标签；
重构模块，其被配置为：将ECG原始信号和ECG原始信号对应的标签输入特征重构模型，得到的ECG原始信号边界替换ECG原始信号，完成ECG信号的重构；
特征重构模型构建模块，其被配置为：基于ECG原始信号与标签一致的所有近邻候选期望的绝对距离、ECG原始信号与标签不一致的所有近邻候选期望的绝对距离和标签驱动注意力权重构建特征重构模型。
进一步的，所述特征重构模型的具体构建过程包括：
考虑ECG原始信号与标签一致的近邻、ECG原始信号与标签不一致的近邻，得到ECG原始信号与标签一致的近邻的绝对距离、ECG原始信号与标签不一致的近邻的绝对距离；
根据ECG原始信号与标签一致的近邻的绝对距离、ECG原始信号与标签不一致的近邻的绝对距离和标签驱动注意力权重得到ECG原始信号的边界；
采用ECG原始信号与标签一致的所有近邻候选期望的绝对距离、ECG原始信号与标签不一致的所有近邻候选期望的绝对距离，修正ECG原始信号的边界，得到特征重构模型。
进一步的，所述得到的ECG原始信号边界的过程包括：
将特征重构模型嵌入逻辑回归函数中，构建最大化样本边缘目标函数；
对最大化样本边缘目标函数中的标签驱动注意力权重进行稀疏约束、同时采用梯度下降法或随机梯度下降法优化最大化样本边缘目标函数中的梯度，得到标签驱动注意力权重值，将标签驱动注意力权重值输入特征重构模型，得到ECG原始信号边界。
本发明的第三个方面提供一种计算机可读存储介质。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一个方面所述的注意力驱动ECG信号重构方法中的步骤。
本发明的第四个方面提供一种计算机设备。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述第一个方面所述的注意力驱动ECG信号重构方法中的步骤。
与现有技术相比，本发明的有益效果是：
本发明利用心电信号所对应的标签对这些微弱信号进行凸显强化，不仅可以有效地降低噪声影响，还可以凸显出ECG信号中某些特征不明显波段，满足后续智能算法对特征提取的需求。
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1是本发明背景技术介绍的正常心电图综合波、间期和段的图解；
图2(a)是本发明背景技术介绍的心电图中ST段呈水平型波形图；
图2(b)是本发明背景技术介绍的心电图中S点上移型波形图；
图2(c)是本发明背景技术介绍的心电图中S点下移型波形图；
图3(a)是本发明背景技术介绍的心电图中P在QRS波之中的波形图；
图3(b)是本发明背景技术介绍的心电图中P在QRS波之前的波形图；
图3(c)是本发明背景技术介绍的心电图中P在QRS波之后的波形图；
图4是本发明注意力驱动ECG信号重构方法的结构图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
需要注意的是，附图中的流程图和框图示出了根据本公开的各种实施例的方法和系统的可能实现的体系架构、功能和操作。应当注意，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，所述模块、程序段、或代码的一部分可以包括一个或多个用于实现各个实施例中所规定的逻辑功能的可执行指令。也应当注意，在有些作为备选的实现中，方框中所标注的功能也可以按照不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，或者它们有时也可以按照相反的顺序执行，这取决于所涉及的功能。同样应当注意的是，流程图和/或框图中的每个方框、以及流程图和/或框图中的方框的组合，可以使用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以使用专用硬件与计算机指令的组合来实现。
针对某些心电信号微弱变化也会导致某些重大疾病(心肌梗死)，但当下智能算法无法对此进行抓取识别这一难题，本发明利用心电信号所对应的标签对这些微弱信号进行凸显强化，进而利于后续各种智能算法的特征提取。下面介绍几种本发明的实施方式：
实施例一
如图4所示，本实施例提供了一种注意力驱动ECG信号重构方法，本实施例以该方法应用于服务器进行举例说明，可以理解的是，该方法也可以应用于终端，还可以应用于包括终端和服务器和系统，并通过终端和服务器的交互实现。服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务器、云通信、中间件服务、域名服务、安全服务CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等，但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本申请在此不做限制。本实施例中，该方法包括以下步骤：
获取ECG原始信号，对ECG原始信号设定对应的标签；
将ECG原始信号和ECG原始信号对应的标签输入特征重构模型，得到的ECG原始信号边界替换ECG原始信号，完成ECG信号的重构；
所述特征重构模型的构建包括：基于ECG原始信号与标签一致的所有近邻候选期望的绝对距离、ECG原始信号与标签不一致的所有近邻候选期望的绝对距离和标签驱动注意力权重构建特征重构模型。
为了实现上述目标，可先利用所有的带有标记的心电信号，指导每个信号进行特征重构，尽可能的实现各个信号边缘最大化，利用标记驱动注意力，重构原始ECG信号，来克服原始信号中某些类别特征不明显的难题，并保留重构信号与原始信号集中特设的参考点的相似性。也就是只需要利用标记信息搜索感兴趣的特征，利用注意力机制转移一些心电信号的功能，同时保留了输入特征的可解释性，也提供了改进可解释性的潜力。由于这种特征重构模型仅搜索感兴趣的特征，不仅可以有效地降低噪声影响，还可以凸显出ECG信号中某些特征不明显波段，满足后续智能算法对特征提取的需求。整体架构如图4所示。
给定统一维度的信号集
其中
和
分别表示数据集中第i个维度为m的ECG为信号及其对应的标签。本实施例以标签为兴趣导向，突出教师信息(教师信息指的是想进行识别的人或机器，可以理解为监督信息)最感兴趣的特征，弱化那些与标签不相关的特征。为此，本实施例利用标签yi驱动注意力学习，最大限度的实现每一个信号的边缘最大化。整体框架如图4所示。
对于样本xi，考虑它的两个1-近邻，一个是标签一致的近邻，记作
另一个是标签不一致的近邻，记作
然后分别定义该样本到两个近邻的绝对距离：
然后利用两个绝对距离来计算样本的边界：
其中，wi≥0待学习的注意力权。样本边界可以看成是样本在权值空间中的漂移，并保持1-最近邻的分类精度。此操作可以最小化1-最近邻分类错误率的界，从而使得分类器在权重空间中模糊了不感兴趣的特征，不仅可以传递一些空间特性，也有效地降低了噪声影响。
众所周知，ECG信号一直饱受噪声的影响，所以选取的两个样本1-近邻可能就不准确，为此，本实施例选取所有可能的1-近邻候选期望来代替原来的两个近邻，因此公式(2)可以修正为：
其中，
和
可以重新计算为：
其中，
和
每一列表示样本xi与所有可能的近邻绝对距离：
其中，
和
分别表示与xi标签不一致的p个近邻，以及标签一致的q个近邻集合。两个近邻指标集合可以由如下策略选取：
而
和
分别表示属于这两类近邻的自适应权，也就是
中的样本属于
概率，以及
中的样本属于
的概率，具体可以由
和
计算：
其中，σ如为高斯核参数，高斯核函数可以将
和
分别归一化为1，满足概率的定义。
考虑到逻辑回归的输出为0与1之间，便于优化，将公式3嵌入到逻辑回归函数中，针对n个样本，构建最大化样本边缘目标如下：
为了抓取出信号中与标签信息相关的特征，对注意力权重进行稀疏约束，然后再利用对数函数的单调性，上式等价于：
对于上述目标，采用最常用的梯度下降法或随机梯度下降法来优化。上式的梯度为：
其中，k＜＜m面向随机梯度下降法，k＝m面向原始梯度下降法，设定学习步长η，注意力权重wi的次优解可以下列更新法则得到：
一旦完成权重的学习，则既可以实现公式(3)的计算，然后利用每个样例的边界
代替原始信号，即可实现信号凸显的目的。
实验验证
为了测试注意力驱动ECG信号重构算法的有效性，采用最常用的MIT-BIH心律失常数据库进行实验，因为本实施例的方法属于信号的前期处理，没有涉及智能算法，因此这里采用两种最常用的智能算法：SVM和CNN，进行识别测试。测试过程中，将分别测试原始信号和特征转移后的数据信号的识别结果，观察重构的效果。MIT-BIH数据库由48个双导联心电图记录组成，每个都包含大量的心电信号。该数据集共包含四种类别，分别为正常信号(N)、左束支阻滞(L)、右束支阻滞(R)和室性早搏(V)。本实施例随机选取了8000个样例进行实验，并随机选取6000个样例进行训练集，2000个样例作为测试集。实验结果如下表1所示。
表1 MIT-BIH上的特征强化与原始信号的检索比对结果
根据结果的描述不难发现，这种特征强化的有效性。但是由于MIT-BIH数据集相对比较简单，原始数据的检索效果就非常优秀，因而强化的效果不是很明显，为此，再选取2017ECG挑战数据集进行实验比对，其中该数据集包含8528条四类ECG信号，其中N(normal)：表示正常信号，共5154条；A(atrial fibrillation)：表示心房颤动，共771条；O(others):表示其它信号，共2557条；～(noise)：表示噪声信号，共46条。随机选取5000个作为训练，剩余的作为测试。结果如下表2所示。
表1 2017Challenge上的特征强化与原始信号的检索比对结果
根据结果的描述，经过强化后的数据集上的实验结果相比原始数据有了明显的提升，而且提升的幅度也非常大，这也验证了我们方法的有效性。
实施例二
本实施例提供了一种注意力驱动ECG信号重构系统。
一种注意力驱动ECG信号重构系统，包括：
获取模块，其被配置为：获取ECG原始信号，对ECG原始信号设定对应的标签；
重构模块，其被配置为：将ECG原始信号和ECG原始信号对应的标签输入特征重构模型，得到的ECG原始信号边界替换ECG原始信号，完成ECG信号的重构；
特征重构模型构建模块，其被配置为：基于ECG原始信号与标签一致的所有近邻候选期望的绝对距离、ECG原始信号与标签不一致的所有近邻候选期望的绝对距离和标签驱动注意力权重构建特征重构模型。
此处需要说明的是，上述模块与实施例一所实现的示例和应用场景相同，但不限于上述实施例一所公开的内容。需要说明的是，上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
实施例三
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例一所述的注意力驱动ECG信号重构方法中的步骤。
实施例四
本实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述实施例一所述的注意力驱动ECG信号重构方法中的步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。
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 (10)
1.一种注意力驱动ECG信号重构方法，其特征在于，包括：
获取ECG原始信号，对ECG原始信号设定对应的标签；
将ECG原始信号和ECG原始信号对应的标签输入特征重构模型，得到的ECG原始信号边界替换ECG原始信号，完成ECG信号的重构；
所述特征重构模型的构建包括：基于ECG原始信号与标签一致的所有近邻候选期望的绝对距离、ECG原始信号与标签不一致的所有近邻候选期望的绝对距离和标签驱动注意力权重构建特征重构模型。
2.根据权利要求1所述的注意力驱动ECG信号重构方法，其特征在于，所述特征重构模型的构建包括：
考虑ECG原始信号与标签一致的近邻、ECG原始信号与标签不一致的近邻，得到ECG原始信号与标签一致的近邻的绝对距离、ECG原始信号与标签不一致的近邻的绝对距离；
根据ECG原始信号与标签一致的近邻的绝对距离、ECG原始信号与标签不一致的近邻的绝对距离和标签驱动注意力权重得到ECG原始信号的边界；
采用ECG原始信号与标签一致的所有近邻候选期望的绝对距离、ECG原始信号与标签不一致的所有近邻候选期望的绝对距离，修正ECG原始信号的边界，得到特征重构模型。
3.根据权利要求2所述的注意力驱动ECG信号重构方法，其特征在于，所述标签一致的所有近邻候选期望的绝对距离为：ECG原始信号与标签一致的所有可能的近邻绝对距离，与标签一致的近邻的自适应权转置矩阵的乘积。
4.根据权利要求2所述的注意力驱动ECG信号重构方法，其特征在于，所述标签不一致的所有近邻候选期望的绝对距离为：ECG原始信号与标签不一致的所有可能的近邻绝对距离，与标签不一致的近邻的自适应权转置矩阵的乘积。
5.根据权利要求1所述的注意力驱动ECG信号重构方法，其特征在于，所述得到的ECG原始信号边界的过程包括：
将特征重构模型嵌入逻辑回归函数中，构建最大化样本边缘目标函数；
对最大化样本边缘目标函数中的标签驱动注意力权重进行稀疏约束、同时采用梯度下降法或随机梯度下降法优化最大化样本边缘目标函数中的梯度，得到标签驱动注意力权重值，将标签驱动注意力权重值输入特征重构模型，得到ECG原始信号边界。
6.一种注意力驱动ECG信号重构系统，其特征在于，包括：
获取模块，其被配置为：获取ECG原始信号，对ECG原始信号设定对应的标签；
重构模块，其被配置为：将ECG原始信号和ECG原始信号对应的标签输入特征重构模型，得到的ECG原始信号边界替换ECG原始信号，完成ECG信号的重构；
特征重构模型构建模块，其被配置为：基于ECG原始信号与标签一致的所有近邻候选期望的绝对距离、ECG原始信号与标签不一致的所有近邻候选期望的绝对距离和标签驱动注意力权重构建特征重构模型。
7.根据权利要求6所述的注意力驱动ECG信号重构系统，其特征在于，所述特征重构模型的构建包括：
考虑ECG原始信号与标签一致的近邻、ECG原始信号与标签不一致的近邻，得到ECG原始信号与标签一致的近邻的绝对距离、ECG原始信号与标签不一致的近邻的绝对距离；
根据ECG原始信号与标签一致的近邻的绝对距离、ECG原始信号与标签不一致的近邻的绝对距离和标签驱动注意力权重得到ECG原始信号的边界；
采用ECG原始信号与标签一致的所有近邻候选期望的绝对距离、ECG原始信号与标签不一致的所有近邻候选期望的绝对距离，修正ECG原始信号的边界，得到特征重构模型。
8.根据权利要求6所述的注意力驱动ECG信号重构系统，其特征在于，所述得到的ECG原始信号边界的过程包括：
将特征重构模型嵌入逻辑回归函数中，构建最大化样本边缘目标函数；
对最大化样本边缘目标函数中的标签驱动注意力权重进行稀疏约束、同时采用梯度下降法或随机梯度下降法优化最大化样本边缘目标函数中的梯度，得到标签驱动注意力权重值，将标签驱动注意力权重值输入特征重构模型，得到ECG原始信号边界。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-5中任一项所述的注意力驱动ECG信号重构方法中的步骤。
10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-5中任一项所述的注意力驱动ECG信号重构方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110865335.XA CN113633289A (zh) | 2021-07-29 | 2021-07-29 | 一种注意力驱动ecg信号重构方法、系统、存储介质、设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110865335.XA CN113633289A (zh) | 2021-07-29 | 2021-07-29 | 一种注意力驱动ecg信号重构方法、系统、存储介质、设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113633289A true CN113633289A (zh) | 2021-11-12 |
Family
ID=78418898
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110865335.XA Pending CN113633289A (zh) | 2021-07-29 | 2021-07-29 | 一种注意力驱动ecg信号重构方法、系统、存储介质、设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113633289A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110169768A (zh) * | 2019-07-08 | 2019-08-27 | 河北大学 | 一种心电信号的自动降噪方法 |
| CN110974217A (zh) * | 2020-01-03 | 2020-04-10 | 苏州大学 | 基于卷积自编码器的双阶段心电信号降噪方法 |
| CN111700608A (zh) * | 2020-07-24 | 2020-09-25 | 武汉中旗生物医疗电子有限公司 | 一种心电信号多分类方法及装置 |
| CN112244861A (zh) * | 2020-10-09 | 2021-01-22 | 广东工业大学 | 一种单导联心电信号f波提取方法 |
-
2021
- 2021-07-29 CN CN202110865335.XA patent/CN113633289A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110169768A (zh) * | 2019-07-08 | 2019-08-27 | 河北大学 | 一种心电信号的自动降噪方法 |
| CN110974217A (zh) * | 2020-01-03 | 2020-04-10 | 苏州大学 | 基于卷积自编码器的双阶段心电信号降噪方法 |
| CN111700608A (zh) * | 2020-07-24 | 2020-09-25 | 武汉中旗生物医疗电子有限公司 | 一种心电信号多分类方法及装置 |
| CN112244861A (zh) * | 2020-10-09 | 2021-01-22 | 广东工业大学 | 一种单导联心电信号f波提取方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Deep multi-scale fusion neural network for multi-class arrhythmia detection | |
| US11564612B2 (en) | Automatic recognition and classification method for electrocardiogram heartbeat based on artificial intelligence | |
| CN107822622B (zh) | 基于深度卷积神经网络的心电图诊断方法和系统 | |
| Sayantan et al. | Classification of ECG beats using deep belief network and active learning | |
| Mousavi et al. | ECGNET: Learning where to attend for detection of atrial fibrillation with deep visual attention | |
| Parvaneh et al. | Analyzing single-lead short ECG recordings using dense convolutional neural networks and feature-based post-processing to detect atrial fibrillation | |
| US11324455B2 (en) | Artificial intelligence-based interference recognition method for electrocardiogram | |
| Rizwan et al. | AF detection from ECG recordings using feature selection, sparse coding, and ensemble learning | |
| EP3735894B1 (en) | Recurrent neural network architecture based classification of atrial fibrillation using single lead ecg | |
| CN110638430B (zh) | 级联神经网络ecg信号心律失常分类模型的搭建方法 | |
| US20240188895A1 (en) | Model training method, signal recognition method, apparatus, computing and processing device, computer program, and computer-readable medium | |
| CN115470828A (zh) | 基于卷积与自注意力机制的多导联心电图分类识别方法 | |
| CN111631705A (zh) | 心电异常检测方法、模型训练方法、装置、设备及介质 | |
| Cherukuri et al. | Deep learning for lung cancer prediction using nscls patients ct information | |
| CN112690802B (zh) | 一种检测心电信号的方法、装置、终端及存储介质 | |
| Ullah et al. | An End‐to‐End Cardiac Arrhythmia Recognition Method with an Effective DenseNet Model on Imbalanced Datasets Using ECG Signal | |
| Bodini et al. | Opening the black box: interpretability of machine learning algorithms in electrocardiography | |
| CN113288157A (zh) | 基于深度可分离卷积和改进损失函数的心律失常分类方法 | |
| Vasconcellos et al. | Siamese convolutional neural network for heartbeat classification using limited 12-lead ECG datasets | |
| CN113633289A (zh) | 一种注意力驱动ecg信号重构方法、系统、存储介质、设备 | |
| Ni et al. | Multi-class cardiovascular disease detection and classification from 12-lead ECG signals using an inception residual network | |
| CN113229798B (zh) | 模型迁移训练方法、装置、计算机设备及可读存储介质 | |
| CN113723519A (zh) | 基于对比学习的心电数据处理方法、装置及存储介质 | |
| EP4292535A1 (en) | Identifying cardiac abnormalities in multi-lead ecgs using hybrid neural network with fulcrum based data re-balancing | |
| Imtiaz et al. | Cross-database and cross-channel electrocardiogram arrhythmia heartbeat classification based on unsupervised domain adaptation |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240201 Address after: 1002, Building A, Zhiyun Industrial Park, No. 13 Huaxing Road, Tongsheng Community, Dalang Street, Longhua District, Shenzhen City, Guangdong Province, 518000 Applicant after: Shenzhen Wanzhida Information Consulting Co.,Ltd. Country or region after: China Address before: 250014 No. 88, Wenhua East Road, Lixia District, Shandong, Ji'nan Applicant before: SHANDONG NORMAL University Country or region before: China |
|
| TA01 | Transfer of patent application right |