基于Transformer的房颤识别方法及装置.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113855037A(43)申请公布日2021.12.31(21)申请号202111205554.1(22)申请日2021.10.15(71)申请人南方医科大学地址510515广东省广州市白云区沙太南路1023号(72)发明人谭慧欣赖杰伟阳维(74)专利代理机构广州嘉权专利商标事务所有限公司44205代理人余凯欢(51)Int.Cl.A61B5/318(2021.01)A61B5/346(2021.01)A61B5/361(2021.01)A61B5/00(2006.01)权利要求书2页说明书10页附图5页(54)发明名称基于Transformer的房颤识别方法及装置(57)摘要本发明公开了基于Transformer的房颤识别方法及装置，方法包括：获取原始心电数据；对所述原始心电数据进行分类标记，得到房颤心电数据和非房颤心电数据；对所述房颤心电数据和非房颤心电数据进行数据分段，构建用于神经网络训练的训练数据集和测试数据集；将所述训练数据集输入到Transformer中进行网络训练，得到目标模型；将所述测试数据集输入所述目标模型进行二分类，得到所述测试数据集中房颤心电数据和非房颤心电数据的分类结果。本发明的准确度高且精度高，可广泛应用于数据处理技术领域。CN113855037ACN113855037A权利要求书1/2页1.基于Transformer的房颤识别方法，其特征在于，包括：获取原始心电数据；对所述原始心电数据进行分类标记，得到房颤心电数据和非房颤心电数据；对所述房颤心电数据和非房颤心电数据进行数据分段，构建用于神经网络训练的训练数据集和测试数据集；将所述训练数据集输入到Transformer中进行网络训练，得到目标模型；将所述测试数据集输入所述目标模型进行二分类，得到所述测试数据集中房颤心电数据和非房颤心电数据的分类结果。2.根据权利要求1所述的基于Transformer的房颤识别方法，其特征在于，所述获取原始心电数据，包括：通过可穿戴设备获取原始心电数据。3.根据权利要求1所述的基于Transformer的房颤识别方法，其特征在于，所述对所述房颤心电数据和非房颤心电数据进行数据分段，构建用于神经网络训练的训练数据集和测试数据集，包括：将监测数据的时间片段设置为15秒，将采样率设置为500Hz；对采集到的所述房颤心电数据和非房颤心电数据进行数据分段；计算数据分段后所有心电数据的均值和标准差；根据所述均值和标准差对所有心电数据进行归一化处理；通过带通滤波对所述心电信号中噪声进行滤除，得到训练数据集和测试数据集；其中，所述训练数据集和测试数据集的数据集格式为HDF5格式。4.根据权利要求1所述的基于Transformer的房颤识别方法，其特征在于，所述将所述训练数据集输入到Transformer中进行网络训练，得到目标模型，包括投影步骤、位置嵌入步骤以及Transformer编码步骤；其中，所述投影步骤包括：将所述训练数据集等间隔划分为多个片段，每个小段为待投影数据；将所述待投影数据经过线性变换，生成投影数据；为所述投影数据添加一个跟投影段长度相等的分类头，所述分类头用于进行数据分类；所述位置嵌入步骤包括：根据投影的总段数，为每个小段添加可学习的位置信息；所述Transformer编码步骤包括：对网络每层的输出进行归一化处理；通过多头自注意力机制让所述目标模型在不同的特征子空间里进行信息学习；通过多层感知器进行分类处理后，通过sigmoid激活函数后得到分类为房颤的概率。5.根据权利要求4所述的基于Transformer的房颤识别方法，其特征在于，所述归一化处理的表达式为：其中，LN(x)代表归一化处理函数；x为输入样本；μ和δ分别为输入样本的均值和标准2CN113855037A权利要求书2/2页差；γ为学习率；β为偏置项；所述多头自注意力的表达式为：其中，Attention(Q,K,V)代表多头自注意力表达式；Q,K,V分别为查询、键和值；softmax(·)为神经网络的一种激活函数；Dk为键K的维度大小；所述多层感知器的表达式为：MLP(X)＝GELU(XW1+b1)W2+b2其中，MLP(X)代表多层感知器的表达式；X为输入，GELU(·)为神经网络的一种激活函数，W1和W2分别为MLP中两个全连接层的权重，b1和b2为偏置项。6.根据权利要求4所述的基于Transformer的房颤识别方法，其特征在于，所述投影步骤中，还包括：按心拍将所述训练数据集划分心电信号，具体包括：根据心电信号获取R波波峰的位置；若R波波峰数量大于或等于20，则根据所述R波波峰位置向左取0.15秒，向右取0.35秒，共取0.5秒为一个心拍；若R波波峰数量大于或等于3且