欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2025116521469
申请人: 安徽大学
专利类型:发明专利
专利状态:已下证
专利领域: 医学或兽医学;卫生学
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于时频注意增强与异构融合驱动的ECG心律失常分类方法,其特征在于,包括以下步骤:S1、获取原始ECG信号;

S2、利用中值滤波器和db5小波的离散小波变换对原始ECG信号进行去噪,并对去噪后的ECG信号进行重叠切片,得到固定长度的ECG信号段;

S3、对ECG信号段进行时频注意增强;所述时频注意增强,将ECG信号段输入到时频表示层,得到不同频带的多通道心电信号,并通过内置通道注意力机制的注意力网络层进行通道自适应加权融合,获得时频融合ECG特征;所述时频表示层,包括db5小波分解单元、小波筛选单元、通道构建单元;

S4、构建异构融合网络,所述异构融合网络以时频融合ECG特征作为输入特征,输入特征经两个卷积层处理后分别送入通道特征网络层和位置特征网络层,计算通道特征权重和位置特征权重,再经异构融合获得融合特征;

S5、构建异构融合驱动的全连接网络层,以异构融合网络提取的融合特征为输入,生成预测概率分布向量;所述异构融合驱动的全连接网络层,包括依次连接的Flatten层、全连接层1、ReLU层、Dropout层、全连接层2;

S6、以传统CNN-Transformer架构为基准网络,融入时频注意增强、异构融合网络和异构融合驱动的全连接网络层,构建心律失常识别模型,设计损失函数,运用反向传播机制更新心律失常识别模型的权重,实现ECG信号心律失常分类;所述心律失常识别模型,以S2获取的ECG信号段为输入,以异构融合驱动的全连接网络层生成的预测概率分布向量为输出。

2.根据权利要求1所述的基于时频注意增强与异构融合驱动的ECG心律失常分类方法,其特征在于:步骤S2具体过程包括以下步骤:S21、使用中值滤波器消除原始ECG信号中的低频噪声;

S22、利用db5小波的离散小波变换对消除低频噪声后的ECG信号进行分解,将分解所得的第一细节系数和第二细节系数消去,以消除高频噪声;

S23、对步骤S22处理后剩余的小波系数进行软阈值化处理,并对消除了低、高频噪声的ECG信号进行小波反变换重构,完成整个去噪过程;

S24、根据连续数据的整个时间流,通过重叠切片的方法在允许自适应调整重叠程度的情况下切割连续的去噪后ECG信号,获得固定长度的ECG信号段。

3.根据权利要求2所述的基于时频注意增强与异构融合驱动的ECG心律失常分类方法,其特征在于:步骤S24中,每段ECG信号段以固定长度的1024个数据点组成。

4.根据权利要求1所述的基于时频注意增强与异构融合驱动的ECG心律失常分类方法,其特征在于:步骤S3具体过程包括以下步骤:S31、将ECG信号段送入时频表示层的db5小波分解单元,分解为固定的4级信号;

S32、将分解所得4级信号送入小波筛选单元,获得4种不同时频特征的波段;

S33、将步骤S32所得4种波段和原始波段,送入通道构建单元,此单元将每个波段作为一个通道,获得不同频带的多通道心电信号;

S34、所述注意力网络层,以多通道心电信号作为输入数据,注意力网络层中的通道注意力机制根据输入数据每个通道的重要性程度自动地为其各通道分配加权系数,进行通道自适应加权融合,获得时频融合ECG特征。

5.根据权利要求1所述的基于时频注意增强与异构融合驱动的ECG心律失常分类方法,其特征在于:步骤S4具体过程包括以下步骤:S41、所述通道特征网络层,计算通道特征权重,表达式为:

;

其中,表示Sigmoid激活函数;表示时间维度上的全局平均池化操作;表示MLP层;表示时频融合ECG特征经过2个卷积层处理后的特征矩阵;

所述MLP层具体为:

;

其中表示ReLU操作;、为MLP的第1、2层权重;表示平均池化时序特征,为MLP层的输入,即前述时间维度上的全局平均池化操作的输出;

S42、所述位置特征网络层,计算位置特征权重,表达式为:

;

其中,表示一维卷积操作;表示拼接操作,为最大池化位置特征,为平均池化位置特征,获取方式为:;

其中表示时间维度上的全局最大池化操作;表示时间维度上的全局位置平均池化操作;

S43、进行异构融合,将通道特征权重与位置特征权重通过外积实现维度对齐,再通过元素级乘法对时频融合ECG特征经过2个卷积层处理后的特征矩阵进行加权,最终输出融合特征,此过程表达式为:;

其中,符号表示外积,符号表示元素级乘法。

6.根据权利要求1所述的基于时频注意增强与异构融合驱动的ECG心律失常分类方法,其特征在于:步骤S6具体过程包括以下步骤:S61、所述心律失常识别模型,所输入的ECG信号段依次经过其中的时频注意增强、CNN特征提取模块、Transformer编码模块、异构融合网络、异构融合驱动的全连接网络层,生成预测概率分布向量;

S62、所述损失函数定义为:

;

其中,表示所构建的损失函数,表示第个ECG信号段的真实标签向量的第个元素,表示第个ECG信号段的预测概率分布向量的第个元素,为ECG信号段总数,为每个预测概率分布向量的总元素数。

7.一种电子设备,其特征在于,所述设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序配置为实现如权利要求1至6中任一项所述的基于时频注意增强与异构融合驱动的ECG心律失常分类方法的步骤。

8.一种存储介质,其特征在于,所述存储介质为计算机可读存储介质,所述存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的基于时频注意增强与异构融合驱动的ECG心律失常分类方法的步骤。