多图像融合心电图五分类方法、系统、介质、设备及终端

1.本发明属于ecg数据分类技术领域，尤其涉及一种多图像融合心电图五分类方法、系统、介质、设备及终端。


背景技术：

2.心血管疾病(cvds)是全球死亡的主要原因，估计每年有1790万人死亡。cvds有较高的发病率，高发病率将导致高额的医疗费用。心电图(ecg)分析是心血管疾病的一个关键的非侵入性诊断工具，ecg信号中的典型心跳包含四个基本波形：p波，qrs波，t波和u波。然而，由于心电图信号的复杂性和非稳定性，心电图心跳分类对研究人员来说是一项艰巨的任务。因此一个诊断心血管疾病的智能系统是非常必要的，先进的智能诊断系统可以促进、加快和加强心脏学的持续发展。
3.早期使用心电图信号进行心跳分类的方法依赖与使用信号处理和统计技术的人工特征提取。这些传统方法的优势在于特征提取和模式分类的分离。深度学习在过去的几年中表现出色，在许多领域引发了巨大的革新，包括计算机视觉、自然语言处理、围棋等策略游戏，以及医学领域。近些年来，许多研究人员提出了基于深度学习方法的自动特征学习和心跳分类方法，如深度神经网络(dnn)，卷积神经网络(cnn)，循环神经网络(rnn)，生成对抗网络(gan)已经被用于分析心率失常和ecg信号。
4.深度学习具有自动提取特征和分类的优势，很好的解决了手工提取特征所带来的一系列问题。一些研究者使用深度神经网络模型进行心电信号的自动分类，acharya urajendra等人提出了一种9层的深度卷积神经网络(cnn)用于心电信号的自动识别，分别使用原始心电信号和滤除了高频噪声的心电信号对心跳进行诊断分类，准确率分别为94.03％和93.47％。中国专利201910095804.7也提出了一种基于bilstm-attention深度神经网络的心搏分类方法，但是尽管上述研究都巧妙的使用深度神经网络进行心电信号的分类，但并未全面考虑心搏间的节律信息且未对网络的可解释性进行分析，分类精度也有待提升。
5.通过上述分析，现有技术存在的问题及缺陷为：
6.(1)传统的基于规则和的机器学习的心电图分类方法均需要手动进行特征提取，但是由于心电信号的波形复杂，抗干扰能力差，手工提取到的特征往往会产生人为误差，并且手工设计的特征非常依赖研究者的先验知识。
7.(2)传统的基于机器学习的心电图分类方法，并未全面考虑心搏间的节律信息且未对网络的可解释性进行分析，心电图的分类精度有待提升。
8.(3)心电图自动分类技术需要大量的标注数据，而且这些数据需要经过专业医生的标注才能保证准确性。然而，由于标注数据的缺乏和标注标准的差异，导致训练出来的模型存在误差。
9.(4)数据不平衡问题：心电图中不同类型的心律失常的数量是不平衡的，其中某些类型的心律失常的样本数量很少，这会导致模型对这些类型的心律失常的分类效果较差
10.(5)对抗性攻击问题：心电图自动分类技术容易受到对抗性攻击，即故意干扰心电图信号，从而使得模型的分类结果产生误差


技术实现要素：

11.针对现有技术存在的问题，本发明提供了一种多图像融合心电图五分类方法、系统、介质、设备及终端，尤其涉及一种基于卷积神经网络的多图像融合心电图五分类方法、系统、介质、设备及终端。
12.本发明是这样实现的，通过(rp)、(gaf)和(mtf)将一维心电图数据转换为三种不同的图像后进行图像融合，以获取时频信息和空间信息，将图像作为改进的残差结构的输入，通过残差结构中的频率通道注意力机制(fca)和捷径思想，赋予特征信息权重并提高模型性能，随后经过四个残差模块再做平均池化操作，最后将获得的数据放入全连接层并进行softmax处理得到分类结果。
13.一种多图像融合心电图五分类方法，多图像融合心电图五分类方法包括：采用小波变换对原始ecg信号进行预处理，再根据标注的r波将ecg记录分割为心拍数据集；将分割得到的心拍数据集划分为训练集、验证集和测试集，最后将心拍数据集输入至深度学习模型中进行心拍分类。
14.进一步，多图像融合心电图五分类方法还包括：预先提取采用残差网络诊断时涉及的心电图特征，包括心拍长度和心拍标签；根据aami标准将心拍分为15类并归为n、s、v、f、q五类；其中，标签为n的心拍定义为正常心拍，标签为s的心拍定义为室上异位搏动，标签为v的心拍定义为室性早搏，标签为f的心拍定义为房颤，标签为q的心拍定义为室性早搏。
15.进一步，多图像融合心电图五分类方法包括以下步骤：
16.步骤一，对原始心电数据进行去噪和心拍分割预处理；
17.步骤二，引入频率通道注意力机制，构建心电图分类模型；
18.步骤三，利用训练集对心电图分类模型进行训练，利用验证集保存正确率最高的参数模型，最后利用测试集检测心电图分类模型的性能。
19.进一步，步骤一中，数据集使用mit-bih心率失常数据集。
20.进一步，步骤一中的数据预处理包括：经过db5小波滤波器去除原始心拍中的基线漂移和工频干扰噪声；在波峰前144个采样点和波峰后的180个采样点，构成一个完整的心拍；切分成长度为300个采样点后将数据重采样至224hz，再将所有数据划分训练集和测试集，其中训练集的10％作为验证集。
21.进一步，步骤二中，单导联数据分别经过递归图、马尔可夫变迁场和格拉米角场三种不同的数据变换方式后，在通道维度上进行拼接操作，并将得到的数据输入残差结构中；残差结构采用残差网络中的basicblock模块，数量为[2，2，2，2]；经过残差模块获取特征后，输出的内容使用通道注意力机制获取不同权重后进行平均池化处理；将得到数据进行展平处理依次放入三层全连接层，分别为[512，64]、[64，16]和[16，5]，并在每个全连接层后使用dropout。
[0022]
数据在经过concat处理后均经过一层卷积和池化层，提取初步的特征；再经过block模块，根据stride设定的参数值决定调用有卷积模块的近道连接或无卷积模块的近道连接。每个block中利用fca注意机制对特征赋予权值，平均池化得到特征向量进行分类。
使用特异性sp、灵敏度se、准确率acc度量心电图分类模型分类效果的优劣，各个指标的定义如下所示：
[0023]
acc＝(tp+tn)/(tp+tn+fp+fn)；
[0024]
se＝tp/(tp+fn)；
[0025]
sp＝tn/(tn+fp)。
[0026]
本发明的另一目的在于提供一种应用所述的多图像融合心电图五分类方法的多图像融合心电图五分类系统，多图像融合心电图五分类系统包括：
[0027]
数据预处理模块，用于对原始心电数据进行去噪和心拍分割预处理；
[0028]
模型构建模块，用于引入频率通道注意力机制，构建心电图分类模型；
[0029]
心电图分类模块，用于利用训练集对心电图分类模型进行训练，利用验证集保存正确率最高的参数模型，利用测试集检测心电图分类模型的性能。
[0030]
本发明的另一目的在于提供一种计算机设备，计算机设备包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时，使得处理器执行所述的多图像融合心电图五分类方法的步骤。
[0031]
本发明的另一目的在于提供一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时，使得处理器执行所述的多图像融合心电图五分类方法的步骤。
[0032]
本发明的另一目的在于提供一种信息数据处理终端，信息数据处理终端用于实现所述的多图像融合心电图五分类系统。
[0033]
结合上述的技术方案和解决的技术问题，本发明所要保护的技术方案所具备的优点及积极效果为：
[0034]
第一，针对上述现有技术存在的技术问题以及解决该问题的难度，紧密结合本发明的所要保护的技术方案以及研发过程中结果和数据等，详细、深刻地分析本发明技术方案如何解决的技术问题，解决问题之后带来的一些具备创造性的技术效果。具体描述如下：
[0035]
本发明提供的基于残差神经网络的多模态图像融合的ecg分类方法，首先采用小波变换对原始ecg信号进行预处理，再根据标注的r波将ecg记录分割为心拍集；将分割得到的心拍集划分为训练集、验证集和测试集，最后将这些心拍数据集输入到深度学习模型中进行心拍分类。
[0036]
本发明将心拍数据集转换为三种不同模态的二维图像，再将三种不同模态的图像输入残差神经网络进行心拍分类；通过融合三种不同模态的ecg图像实现不同模态之间的信息互补，从而得到鲁棒性更好的分类模型；同时在卷积神经网络中引入注意力机制，增强有效特征的提取，最终提升模型分类性能。
[0037]
本发明在采用残差网络诊断时涉及的心电图特征如心拍长度和心拍标签已经事先提取到，根据aami标准将心拍分为15类并进一步归为n、s、v、f、q，5类，其中标签为n的心拍定义为正常心拍，标签为s的心拍定义为室上异位搏动，标签为v的心拍定义为室性早搏，标签为f的心拍定义为房颤，标签为q的心拍定义为室性早搏。本方法对数据的处理将分成三个步骤完成，首先对原始数据进行去噪，心拍分割预处理，其次使用训练集对所提出的模型训练，使用验证集以保存正确率最高的参数模型，最后使用测试集检测模型的性能。
[0038]
第二，把技术方案看做一个整体或者从产品的角度，本发明所要保护的技术方案具备的技术效果和优点，具体描述如下：
[0039]
本发明的多图像融合心电图五分类方法将mit-bih数据集中的数据转换为三通道的图像，相较于一维离散信息，二维图像所包含的信息量更丰富；利用残差结构的优势和心电图的特点，将通道注意力机制引入心拍分类，自适应解决了不同通道信号之间相互依赖的关系，提升分类结果；模型引用(fca)增强了卷积神经网络(cnn)对心拍分类的效果。本方法在mit-bih数据集中(https://www.physionet.org/content/mitdb/1.0.0/)72489条测试数据所获到的准确率为99.3％；对比之下，利用卷积神经网络的优势可以达到一个较好的结果，传统方法过于依赖前期手工提取特征，其手工提取的效果影响着最终结果。
[0040]
第三，作为本发明的权利要求的创造性辅助证据，还体现在以下几个重要方面：
[0041]
(1)本发明的技术方案转化后的预期收益和商业价值为：
[0042]
相较于人工分别心跳类别，本发明的出现在减少医生工作负担的同时拥有较高的心跳识别正确率。
[0043]
(2)本发明的技术方案填补了国内外业内技术空白：
[0044]
采用了三种不同的数据变换方式将一维ecg信号转换为二维数据以获得更多有用的成分和稀疏的高维特征，这些特征很容易在线性分类器中有良好的表现。且将频率通道注意力机制和残差模块相结合，使模型对不同心拍的识别正确率更高，能够达到更好的分类效果的目的。
附图说明
[0045]
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。
[0046]
图1是本发明实施例提供的多图像融合心电图五分类方法流程图；
[0047]
图2是本发明实施例提供的分类模型结构图；
[0048]
图3是本发明实施例提供的block结构图；
[0049]
图4是本发明实施例提供的多图像融合心电图五分类系统交互图；
[0050]
图5是本发明实施例提供的实验效果图。
具体实施方式
[0051]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0052]
针对现有技术存在的问题，本发明提供了一种多图像融合心电图五分类方法、系统、介质、设备及终端，下面结合附图对本发明作详细的描述。
[0053]
本发明实施例提供的多图像融合心电图五分类方法中，预先提取残差网络诊断时的心电图特征；根据aami标准将心拍分为15类并归为n、s、v、f、q五类；其中，标签为n的心拍定义为正常心拍，标签为s的心拍定义为室上异位搏动，标签为v的心拍定义为室性早搏，标签为f的心拍定义为房颤(融合搏动)，标签为q的心拍定义为室性早搏(未知搏动)。采用小波变换对原始ecg信号进行预处理，根据标注的r波将ecg记录分割为心拍集；将分割得到的
心拍集划分为训练集、验证集和测试集，最后将心拍数据集输入至深度学习模型中进行心拍分类。
[0054]
如图1所示，本发明实施例提供的多图像融合心电图五分类方法包括以下步骤：
[0055]
s101，对原始心电数据进行去噪和心拍分割预处理；
[0056]
s102，引入频率通道注意力机制，构建心电图分类模型；
[0057]
s103，利用训练集对心电图分类模型进行训练，利用验证集保存正确率最高的参数模型，最后利用测试集检测心电图分类模型的性能。
[0058]
本发明提出的模型由图像融合、残差模块、fca模块、平均池化层和全连接层组成。其中每个卷积模块的框架见图4。将原始ecg数据分割为单个心拍后并使用小波变换对其进行去噪处理作为拟议网络的原始输入。在该网络中，图像融合模块将原始输入数据分别转换成三种图片(rp、gaf、mtf)，并将三个图片于通道维度进行融合，通过通道维度的叠加获得高维度的特征信息。数据在经过图像融合后输入resblock，包括一层卷积、池化层和四个卷积模块。第一层卷积和池化层的目的自愈提取初步的特征；卷积模块延续了残差结构的捷径思想即identity＝h(xi)，一方面进一步提取特征，另一方面防止梯度消失。每个卷积模块中也会用到fca，给特征赋予权值。激活函数采用的是leakyrelu函数。输出的内容使用通道注意力机制获取不同权重，将得到数据做平均池化后依次放入三层全连接层，并在全连接层后使用dropout防止过拟合概率设置为0.5。最后将全连接层的输出放入softmax函数进行分类。对于模型的训练，训练的批次大小设置为128，本发明使用label smooting损失函数，优化器采用adam。训练迭代的最大数量被设为80，训练过程结束后，将正确率最高的模型保存下来，后续用于测试集的评估。
[0059]
作为优选实施例，本发明实施例提供的多图像融合心电图五分类方法具体包括以下步骤：
[0060]
1.预处理
[0061]
数据集使用mit-bih心率失常数据集，先经过db5小波滤波器去除原始心拍中的基线漂移、工频干扰等噪声；其次，心拍的切分要找到qrs波的波峰所在位置，而该数据集已经有标注好，所以在波峰前144个采样点和波峰后的180个采样点，构成一个完整的心拍；切分成长度为324个采样点后将数据重采样至224hz，再将所有数据划分训练集和测试集，其中训练集的10％作为验证集。
[0062]
2.模型方法
[0063]
传统的机器学习和深度学习强调从原始数据中学习抽象表示和高层次特征。通过构建深度神经网络(dnn)，如卷积神经网络(deep neuralnetwork，cnn)、长短时记忆网络(long short-term memory，lstm)等，并输入原始ecg信号，dnn可以直接从原始数据中自适应地提取特征，并进一步实现心律失常的分类和标注，其中cnn主要运用于单导联心电图波形谱系分析(spectral analysis)，lstm主要在时序信号方面表现优越。
[0064]
何凯明提出的resnet，其残差模块解决了模型退化即梯度消失的问题，本实验基于数据集和心电图的特点对模型改进，即减少了resnet模型的层数和诸如残差模块中卷积核大小等参数，经过实验对比发现，准确度有明显的提升。
[0065]
注意力机制指的是一种能够对输入数据中不同部分进行加权处理，并给予注意程度不同的计算方式。在心电图的应用上，注意力机制被广泛运用来强调数据的重要性或区
域。该机制可以使模型专注于具有更高判别性的特征图信息，并弱化那些无关紧要的片段干扰。本发明使用频率通道注意力机制(frequency channel attention，fca)，以获得更好的表现效果。
[0066]
3.模型介绍
[0067]
如图2的分类模型结构所示，大致上是单导联数据分别经过递归图(recurrence plot，rp)，马尔可夫变迁场(markov transitionfield，mft)，格拉米角场(gramian angularfield，gaf)三种不同的数据变换方式后，在通道维度上进行拼接(concat)操作，将得到的数据输入后续的残差结构中，本方法采用的是残差网络中的basicblock模块，数量为[2，2，2，2]；经过残差模块获取其中的特征，输出的内容使用通道注意力机制获取不同权重后做平均池化处理，将得到数据做展平处理依次放入三层全连接层，分别为[512，64]、[64，16]和[16，5]，并在每个全连接层后使用dropout防止过拟合。
[0068]
数据在经过concat处理后均会经过一层卷积和池化层，提取初步的特征；之后经过block模块，block的内部流程如图3所示，根据stride设定的参数值决定调用有卷积模块的近道连接还是无卷积模块的近道连接，一方面进一步提取特征，另一方面防止梯度消失。每个block中也会用到fca注意机制，给特征赋予权值。平均池化(average pooling)会进一步得到特征向量进行分类。
[0069]
值得说明的是：由于本发明为一个五分类问题，可使用特异性(sp)、灵敏度(se)、准确率(acc)来度量分类效果的优劣，各个指标的定义如下所示：
[0070]
acc＝(tp+tn)/(tp+tn+fp+fn) (1)
[0071]
se＝tp/(tp+fn) (2)
[0072]
sp＝tn/(tn+fp) (3)
[0073]
如图4所示，本发明实施例提供的多图像融合心电图五分类系统包括：
[0074]
数据预处理模块，用于对原始心电数据进行去噪和心拍分割预处理；
[0075]
模型构建模块，用于引入频率通道注意力机制，构建心电图分类模型；
[0076]
心电图分类模块，用于利用训练集对心电图分类模型进行训练，利用验证集保存正确率最高的参数模型，利用测试集检测心电图分类模型的性能。
[0077]
为了证明本发明的技术方案的创造性和技术价值，该部分是对权利要求技术方案进行具体产品上或相关技术上的应用实施例。
[0078]
根据ansi/aami ec57:1998标准的建议，实验中没有使用装有起搏器病人的四条记录。本发明使用每条记录的导联i，所包含的数据数量为100630。数据集被划分为两个部分，分别是用于建立分类模型的训练集数量为80490，以及用于评估拟议方法性能的测试集数量为20140。对于模型的训练，训练的批次大小设置为128，使用label smooting损失函数，优化器采用adam。训练迭代的最大数量被设为80，训练过程结束后，将正确率最高的模型保存下来，后续用于测试集的评估。训练网络时，随机抽取原始训练集的10％作为验证集，用于调整超参数。本发明所提出的模型是在一台配备了英特尔12700cpu和一个nvidia gtx 3060ti gpu的工作站上进行训练的，计算机的内存为16gb。
[0079]
由图5可知大多数心拍都被正确分类，主要的错误在于n类和s类的混淆。38个n类心拍被误划为sveb类，17个sveb类被误划为n类。本发明所提出的模型在识别五类心拍时的正确率均达到了99.3％以上，对sven类和veb类的特异性分别达到了92.1％和98.2％，灵敏
度也达到了99％。虽然q类的结果不佳，但是f类和veb类被正确分类的心拍数量都令人满意。q类的数量少是造成错误分类的主要原因，并且q类一般在实际应用中无法被医生识别和分类，所以本发明对q类不作讨论。
[0080]
1.实验所用数据来源于mit-bih心律失常数据库(https://www.physionet.org/content/mitdb/1.0.0/)。为了进行去噪预处理，ecg记录首先经过db5的小波滤波；
[0081]
2.采用72489条预处理后的ecg记录作为训练样本，并提取其中的10％用作验证样本，其余的20140条记录用于测试。
[0082]
3.先将训练样本和验证样本分别输入本发明提出的模型进行训练，运用早停机制将训练结果较好的模型参数保存，再使用测试集评估得到泛化误差。
[0083]
本发明实施例提供的模型结果如表1所示。
[0084]
表1五分类混淆矩阵
[0085][0086]
表1中混淆矩阵的上部横向表示真实数据，左边纵向表示预测数据。
[0087]
应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、cd或dvd-rom的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。
[0088]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。

技术特征：
1.一种多图像融合心电图五分类方法，其特征在于，多图像融合心电图五分类方法包括：通过rp、gaf)和mtf)将一维心电图数据转换为三种不同的图像后进行图像融合，以获取时频信息和空间信息，将图像作为改进的残差结构的输入，通过残差结构中的频率通道注意力机制fca)和捷径思想，赋予特征信息权重并提高模型性能，随后经过四个残差模块再做平均池化操作，最后将获得的数据放入全连接层并进行softmax处理得到分类结果。2.如权利要求1所述的多图像融合心电图五分类方法，其特征在于，多图像融合心电图五分类方法还包括：预先提取采用残差网络诊断时涉及的心电图特征，包括心拍长度和心拍标签；根据aami标准将心拍分为15类并归为n、s、v、f、q五类；其中，标签为n的心拍定义为正常心拍，标签为s的心拍定义为室上异位搏动，标签为v的心拍定义为室性早搏，标签为f的心拍定义为房颤，标签为q的心拍定义为室性早搏。3.如权利要求1所述的多图像融合心电图五分类方法，其特征在于，多图像融合心电图五分类方法包括以下步骤：步骤一，对原始心电数据进行去噪和心拍分割预处理；步骤二，引入频率通道注意力机制，构建心电图分类模型；步骤三，利用训练集对心电图分类模型进行训练，利用验证集保存正确率最高的参数模型，最后利用测试集检测心电图分类模型的性能。4.如权利要求3所述的多图像融合心电图五分类方法，其特征在于，步骤一中，数据集使用mit-bih心率失常数据集。5.如权利要求3所述的多图像融合心电图五分类方法，其特征在于，步骤一中的数据预处理包括：经过db5小波滤波器去除原始心拍中的基线漂移和工频干扰噪声；在波峰前144个采样点和波峰后的180个采样点，构成一个完整的心拍；切分成长度为300个采样点后将数据重采样至224hz，再将所有数据划分训练集和测试集，其中训练集的10％作为验证集。6.如权利要求3所述的多图像融合心电图五分类方法，其特征在于，步骤二中，单导联数据分别经过递归图、马尔可夫变迁场和格拉米角场三种不同的数据变换方式后，在通道维度上进行拼接操作，并将得到的数据输入残差结构中；残差结构采用残差网络中的basicblock模块，数量为[2，2，2，2]；经过残差模块获取特征后，输出的内容使用通道注意力机制获取不同权重后进行平均池化处理；将得到数据进行展平处理依次放入三层全连接层，分别为[512，64]、[64，16]和[16，5]，并在每个全连接层后使用dropout；数据在经过concat处理后均经过一层卷积和池化层，提取初步的特征；再经过block模块，根据stride设定的参数值决定调用有卷积模块的近道连接或无卷积模块的近道连接；每个block中利用fca注意机制对特征赋予权值，平均池化得到特征向量进行分类；使用特异性sp、灵敏度se、准确率acc度量心电图分类模型分类效果的优劣，各个指标的定义如下所示：acc＝(tp+tn)/(tp+tn+fp+fn)；se＝tp/(tp+fn)；sp＝tn/(tn+fp)。7.一种应用如权利要求1～6任意一项所述的多图像融合心电图五分类方法的多图像融合心电图五分类系统，其特征在于，多图像融合心电图五分类系统包括：数据预处理模块，用于对原始心电数据进行去噪和心拍分割预处理；
模型构建模块，用于引入频率通道注意力机制，构建心电图分类模型；心电图分类模块，用于利用训练集对心电图分类模型进行训练，利用验证集保存正确率最高的参数模型，利用测试集检测心电图分类模型的性能。8.一种计算机设备，其特征在于，计算机设备包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时，使得处理器执行如权利要求1～6任意一项所述的多图像融合心电图五分类方法的步骤。9.一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时，使得处理器执行如权利要求1～6任意一项所述的多图像融合心电图五分类方法的步骤。10.一种信息数据处理终端，其特征在于，信息数据处理终端用于实现如权利要求7所述的多图像融合心电图五分类系统。

技术总结
本发明属于ECG数据分类技术领域，公开了一种多图像融合心电图五分类方法、系统、介质、设备及终端，采用小波变换对原始ECG信号进行预处理，再根据标注的R波将ECG记录分割为心拍集；将分割得到的心拍集划分为训练集、验证集和测试集，最后将心拍数据集输入至深度学习模型中进行心拍分类。本发明的多图像融合心电图五分类方法将MIT-BIH数据集中的数据转换为三通道的图像，相较于一维离散信息，二维图像所包含的信息量更丰富；利用残差结构的优势和心电图的特点，将通道注意力机制引入心拍分类，自适应解决了不同通道信号之间相互依赖的关系，提升分类结果；模型引用(FCA)增强了卷积神经网络(CNN)对心拍分类的效果。经网络(CNN)对心拍分类的效果。经网络(CNN)对心拍分类的效果。


技术研发人员：周飞燕 方端澍
受保护的技术使用者：广西师范大学
技术研发日：2023.05.09
技术公布日：2023/8/24