基于SincNet和多头注意力机制的心律失常分类方法

本发明属于信号处理，涉及一种基于sincnet和多头注意力机制的心律失常分类方法。

背景技术：

1、据世界卫生组织发布的卫生统计报告，心血管疾病已成为全球致死率最高的慢性病，2019年心血管疾病致死人数为1790万，且远超其它三种主要慢性病。心律失常是心血管疾病的并发症，且与心脏活动密切相关，如果在患者发病前快速确定心律失常的类型，并及时进行诊断和治疗，可以降低由心血管疾病引起的心源性休克或猝死等情况的发生，给予患者更多的生存希望。心电图在一定程度上反映了心脏各部分的生理状况，对于检测心脏电活动具有重要意义。采集患者的心电信号后，经验丰富的心脏病专家通过查看心电图判断心律失常的类型，但是人工查看心电图来判断心律失常的过程是繁琐且耗时的，并且在诊断过程中，高度依赖心脏病专家的临床经验及知识，可能会造成漏诊和误诊。

2、随着计算机技术的发展，学者们尝试使用计算机对心电图进行自动分析和识别。根据采集的心电信号，设计一个自动心律失常分类系统，不仅能够缩短医生诊断疾病的时间，提高诊断效率及准确度，还能预防心血管疾病的发生。因此，自动心律失常检测对于辅助心脏病专家诊断心律失常具有重要意义。目前对于心电信号分类的处理流程主要有两类，一类是基于人工提取到的特征，利用机器学习算法作为分类器，最后进行分类的心电信号分类算法。另一类是无需人工提取特征，利用神经网络自动提取有效特征完成分类的深度学习分类算法。

3、但是，目前大多数基于深度学习的自动分类算法为了提高分类性能，往往在预处理阶段对心电信号进行滤波，而目前公用的心电信号数据库的噪声都是确定的，因此在设计滤波器时面对的目标都是确定的。但是在实际应用中，单一场景下的心电信号的采集环境是复杂的，而且在不同场景所采集到的心电信号，它们的噪声也有所不同。针对不同场景下的心电信号设计不同的滤波器比较麻烦，也不利于心电信号自动分类系统的普适性。

技术实现思路

1、有鉴于此，本发明的目的在于提供一种基于sincnet和多头注意力机制的心律失常分类方法，解决了现有心律失常分类方法中心律失常分类准确率低和在心律失常分类前需要对心电信号滤波问题。

2、为达到上述目的，本发明提供如下技术方案：

3、一种基于sincnet和多头注意力机制的心律失常分类方法，包括以下步骤：

4、s1：读取mit-bih心律失常数据库中的心电信号数据，并对心电信号进行归一化和心拍分割；

5、s2：构建基于sincnet和多头注意力机制的分类模型；

6、s3：将心电信号数据划分为训练集和测试集，使用训练集训练所述分类模型，得到最优模型，用测试集测试进行测试，得到结果。

7、进一步，步骤s1中，利用最小最大归一化方法对心电信号数据进行归一化，表示为：

8、

9、其中x是要归一化的原始数据，xmin和xmax分别是单条心电信号数据的最小值和最大值，xn是归一化后的数据值。

10、进一步，步骤s1中所述心拍分割具体包括：依据mit-bih心律失常数据库中对心电信号的心律失常类型标注点获取r波位置与对应标签，再以r波位置为基准，对r波前m个点和r波后q-m个点进行采样，组成q个采样点的心拍，用于后续模型输入。

11、进一步，步骤s1中，在完成心拍分割后，在心拍开始位置前填补x个零，在心拍结束位置后调补x个零，组成q+2x个采样点的心拍。

12、进一步，基于sincnet和多头注意力机制的分类模型由sincnet层，multi-headattention层、全连接层和softmax层组成；sincnet层至全连接层激活函数为leaky_relu，最后一层激活函数为softmax。

13、进一步，sincnet层的卷积核的表达式为：

14、

15、其中f1n的表达式为：

16、

17、f2n的表达式为：

18、f2n＝f1n+f

19、其中f为可学习的参数，f1n，f2n分别为低通、高通截止频率，fs为ecg采样频率，n为卷积核个数，n为第n个卷积核。

20、进一步，在得到时频域信号后，将时频域信号送入多头注意力机制，提取时频域特征之间的依赖关系，注意力机制的计算如下：

21、

22、其中q的计算表达式为：

23、q＝wqx

24、k的计算表达式为：

25、k＝wkx

26、v的计算表达式为：

27、v＝wvx

28、综合上述表达式，最终多头注意力机制的计算如下：

29、multihead(q,k,v)＝concat(head1，...，headh)wo

30、其中

31、headi＝attention(qwiq,kwik,vwiv)。

32、进一步，信号在经过多头注意力机制后，由全连接层和softmax层进行分类，其中全连接层有3层，每层参数分别如下：1x512，1x128,1x64,softmax层输出1x5的向量。

33、进一步，将心电信号数据库按照10折交叉验证所需的形式进行划分，并对基于sincnet和多头注意力机制的分类模型进行训练与分类性能评估。

34、进一步，利用焦点损失函数来计算损失率，计算表达式为：

35、lfocal loss＝-αy(1-y′)γlogy′-(1-α)(1-y)y′γlog(1-y′)

36、式中，y为实际类别为类别预测值；参数α用于平衡正、负样本对损失值的影响；γ为一个正的可调参数，它能够自适应地调节样本被减权重的速率，使模型更多地关注不易区分的样本，减少容易区分的样本的影响。

37、本发明的有益效果在于：本发明提出一种基于sincnet和多头注意力机制的心律失常分类模型，第一层为sincnet层，sincnet层通过将卷积核设计成带通滤波器的形式来提取心电信号的频域特征。其参数仅有两个，即低通截止频率，高通截止频率。这极大降低了参数量。以卷积核的长度为1*n为例，sincnet层每个卷积核仅有两个参数参与学习，而传统卷积神经网络的卷积核却有n个参数参与学习。而这同时也使得由sincnet层和多头注意力机制构成的分类模型比由卷积神经网络和多头注意力机制构成的分类模型收敛速度快，训练时间短。

38、本发明的输入心电信号经过sincnet层后得到不同频段的信号，再通过稠连接与输入信号连接，得到时频域的信号，之后通过多头注意力层。心电图由p波，qrs波，t波以及它们的间期组成，其中每种波形都有特定的频率范围，心律失常的发生体现在不同波形及波形间期的畸变，而这可以在频域中体现。经过稠密连接的时频域信号包含心电信号的时域特征和频域特征，而多头注意力层可以提取时域特征与频域特征的各种依赖关系，这可以提高心律失常检测的准确率。

39、本发明采用焦点损失函数来衡量模型的性能，在衡量模型的性能的同时，焦点损失函数也可以改善数据集不平衡问题，对于数据集不平衡，现有技术往往在样本送入分类模型之前，进行数据平衡处理。本发明在不采用数据平衡方法下，取得好的效果，这可以简化心电信号处理流程。

40、本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。