基于注意力机制的无监督多模态心电图异常检测方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115944302A(43)申请公布日2023.04.11(21)申请号202211589031.6G06N3/084(2023.01)(22)申请日2022.12.09G06F18/2433(2023.01)G06F18/214(2023.01)(71)申请人浙江大学A61B5/346(2021.01)地址310058浙江省杭州市西湖区余杭塘A61B5/00(2006.01)路866号G06F123/02(2023.01)(72)发明人刘华锋彭建辉(74)专利代理机构杭州天勤知识产权代理有限公司33224专利代理师王琛(51)Int.Cl.A61B5/318(2021.01)G06N3/0455(2023.01)G06N3/047(2023.01)G06N3/048(2023.01)G06N3/088(2023.01)权利要求书2页说明书5页附图2页(54)发明名称基于注意力机制的无监督多模态心电图异常检测方法(57)摘要本发明公开了一种基于注意力机制的无监督多模态心电图异常检测方法，根据体表电生理信号无监督地自动进行心电图的异常检测，模型在时序电信号的基础上还考虑了频域信号特性，通过对输入信号编码再解码重构出原始信号，当重构的时序信号与输入时序信号差异大于一定值，则判断该心电图为异常。本发明通过对ECG的时域与频域信号进行特征提取，在无监督不使用标签的情况下，能够区分正常与异常的ECG心拍数据；在有标签的心电图数据有限的情况下，辅助医生自动筛查异常心电图，具有临床的诊断及治疗上的参考意义。CN115944302ACN115944302A权利要求书1/2页1.一种基于注意力机制的无监督多模态心电图异常检测方法，包括如下步骤：(1)从病人体表采集多导联心电信号，以每一个心跳周期为一组心电时域序列；(2)对每组心电时域序列进行归一化处理以及频域转换，得到对应的心电频域序列；(3)构建基于注意力机制的重构模型，其包含两个编码模块以及一个解码模块，两个编码模块分别用于对心电时域序列和心电频域序列进行编码，得到的编码特征拼接后经由解码模块解码成与输入维度一致的ECG波形序列；(4)将心电时域序列和心电频域序列成对逐一输入至模型，以模型输出的ECG波形序列与输入心电时域序列平均误差最小为损失函数，从而对模型进行训练；(5)将待检测心电信号的时域序列和频域序列输入至训练好的重构模型，根据模型输出ECG波形序列与输入心电时域序列之间的重构误差，判别待检测的心电信号是否异常。2.根据权利要求1所述的无监督多模态心电图异常检测方法，其特征在于：所述步骤(2)中的归一化处理采用最大‑最小值归一化策略，频域转换采用小波变换。3.根据权利要求1所述的无监督多模态心电图异常检测方法，其特征在于：所述重构模型中的两个编码模块结构相同，但在训练过程中不共享权重，独立进行特征学习。4.根据权利要求1所述的无监督多模态心电图异常检测方法，其特征在于：输入至模型中的心电时域序列和心电频域序列需先进行位置编码，即给序列中每一时刻对应的幅值增添时间位置信息，具体如下：2i/dPE(pos，2i)＝sin(pos/10000)2i/dPE(pos，2i+1)＝cos(pos/10000)其中：PE(pos，2i)表示序列中偶数位置增添的时间位置信息，PE(pos，2i+1)表示序列中奇数位置增添的时间位置信息，pos表示序列中每一幅值对应的时间点，d表示编码的维度，i为自然数。5.根据权利要求1所述的无监督多模态心电图异常检测方法，其特征在于：所述编码模块采用多头注意力机制以及残差连接，其中多头注意力机制由多个自注意力机制叠加形成；同时在编码模块前向传播学习参数的过程中，对每层参数做了LayerNormalization，对每一层的激活值做了归一化。6.根据权利要求5所述的无监督多模态心电图异常检测方法，其特征在于：所述自注意力机制的计算过程如下：Q＝Xembedding*WQK＝Xembedding*WKV＝Xembedding*WV其中：Attention(Q，K，V)为自注意力机制的输出，Xembedding为经位置编码后的心电时域序列或心电频域序列，Q、K、P分别为查询向量、键向量、值向量，WQ、WK、WV分别为查询向量、键向量、值向量对应的权值矩阵，dk为自注意力机制的输出维度，T表示转置。7.根据权利要求1所述的无监督多模态心电图异常检测方法，其特征在于：两个编码模块输出的编码特征沿时间轴方向拼接，即拼接之后维度变为原来的两倍，进而特征经由解2CN115944302A权利要求书2/2页码模块线性映射层解码成与输入维度一致的ECG波形序列。8.根据权利要求1所述的无监督多模态心电图异常检测方法，