变异性心电信号时空特征提取方法

1.本发明涉及一种心电信号采集方法，具体地说是一种变异性心电信号时空特征提取方法。


背景技术：

2.时间序列分析是统计学的分支之一，近年来主流的分析方法主要基于机器学习和深度学习。然而机器学习受特征工程的制约，需要人工对大量提取的特征中进行有效的特征选择，从而影响了该方法的效率。因此，基于深度学习的时间序列分析方法应运而生，该方法克服了人为挑选特征的困难，可以自动提取时间序列中所蕴含的特征。如今，该方法已被广泛应用，并已经证明可以很好的提取时间序列中的异常特征。然而，对于时间序列中的空间特征提取这一问题还有待解决。
3.近年来，随着人们物质生活水平的提高以及人口老龄化进程的加快，全球心血管疾病的发病率呈逐年上升趋势。目前，心血管疾病已成为世界范围内死亡的首因，全球每年有1300万余人死于心血管疾病。因此，精准地诊断出心脏疾病信号就显得尤为重要。研究表明，心脏发出的电信号不仅具有时间序列特征，还可以反映心脏电活动的空间特征。心电信号(ecg)是记录心电图机采集的心脏在每一个心动周期产生电活动的变化图，其完整地描述了心脏在三维立体空间中的时空活动。不同生理和病理条件下的人群，心脏各部位形态不同，ecg信号及其时空特征自然也存在很大的差别。因此，提取完整的时空特征、捕捉心电信号的特异性是很有必要的。


技术实现要素：

4.本发明的目的就是提供一种变异性心电信号时空特征提取方法，以解决现有心电信号采集方法对空间特征不能有效提取的问题。
5.本发明的目的是这样实现的：
6.一种变异性心电信号时空特征提取方法，包括以下步骤：
7.s1、在获取原始心电信号后，先用基于daubechies 6小波基的离散小波变换去除原始心电信号中的噪声；用pan-tompkins算法检测原始心电信号中的r波；再根据一个完整的心跳周期以及信号的采样频率，对每个心跳周期的心电信号采集r波前250个采样点和r波后400个采样点，共651个采样点，构成一个完整的心拍。
8.s2、构建时空特征提取模型，所述时空特征提取模型包括transformer编码器和全连接层；所述transformer编码器用于提取心电导联之间的相关性信息，所述全连接层为模型的输出层，用于对提取的相关性信息进行融合，并输出表示时空特征的矩阵。
9.s3、利用时空特征提取模型提取心电信号的时空特征，所述时空特征提取模型的输入数据为：
[0010][0011]
其中，a
i,j
为输入数据中的一个采样点，i∈(ⅰ,ii,ⅲ,...,v6)为第i导联，j∈(1,2,3,...,651)为第j个心电心跳采样点。
[0012]
输出时空特征矩阵为：m∈r3×
651
，具体表示为：
[0013][0014]
其中，b
i,j
为时空特征中的一个采样点，是指时空特征矩阵m的三个正交方向的时变坐标，j∈(1,2,3,...,651)是指坐标的长度。
[0015]
s4、构建异常信号检测模型，所述异常信号检测模型包括一维卷积层、二维卷积层和输出层；所述一维卷积层用于从时空特征矩阵m的三个时变坐标中提取相关的定时信息；所述二维卷积层是基于残差结构的卷积层，用于对二维特征图进行进一步的提取和融合；所述输出层包括全局平均池化层、全连接层和softmax分类器，用于输出最终的异常检测结果。
[0016]
s5、使用异常信号检测模型对异常的心电信号进行检测。
[0017]
进一步地，本发明提取方法还包括以下步骤：
[0018]
s6、对时空特征提取模型和异常信号检测模型分别进行训练，ptb数据库中的所有数据按照训练集﹕验证集﹕测试集＝3﹕1﹕1的比例分开，时空特征提取模型和异常信号检测模型在相同的数据集上进行训练。
[0019]
进一步地，在训练中引入均方误差损失函数来计算损失，以有效地反映估计值与实际值之间的差异：
[0020][0021]
其中，y表示输入数据，表示模型的输出，xi和表示数据中的相应元素，n表示数据的长度。
[0022]
进一步地，对于异常信号检测模型是以交叉点损失函数来表示预测值与实际值之间的差异：
[0023]
l
ce
(p,q)＝-plog(q)-(1-p)log(1-q)
[0024]
其中，p为实际结果，q为预测结果，l
ce
(p,q)为损失。
[0025]
进一步地，所述transformer编码器包括多头注意块和mlp块；所述mlp块用于融合多头注意提取的线索之间的相关性特征；所述多头注意块的多头注意力是建立在自注意的基础上；所述自注意是对于每个query向量，计算它与所有key向量的相似度，然后，将相似度乘以对应的value向量，得到query向量的加权和，也就是输出中与query向量对应的值，其中，query向量、key向量和value向量是通过映射输入获得的矩阵；自我注意的计算过程为：
[0026][0027]
其中，qk
t
表示query向量与key向量之间的相似度，dk表示query向量、key向量和value向量的维度；用相似度qk
t
除以输入维度来归一化相似度qk
t
。
[0028]
进一步地，多头注意的计算过程如下：
[0029]
multihead(x
in
)＝concat(head1,
…
,headh)wo[0030]
headi＝attention(x
inwiq
,x
inwik
,x
inwiv
)
[0031]
其中，w
iq
，w
ik
和w
iv
是可训练投影参数矩阵，concat()表示连接多个heat的操作，wo是可训练参数的权重矩阵。
[0032]
进一步地，异常信号检测模型中的所述一维卷积层为三个加权的一维卷积块，先各从时空特征矩阵m的三个时变坐标中的一个提取一维特征，再对提取的这三个一维特征进行扩展，形成二维特征图；所述二维卷积层对二维特征图进行进一步的提取和融合；全局平均池化层获取每个特征地图的全局信息，全连接层实现数据降维，softmax分类器将全连接层的输出映射到心电信号异常的检测结果。
[0033]
本发明是一种基于深度学习的心电信号异常检测算法，它融合了基于transformer的模型和基于cnn的模型，可以有效地提取心电信号的时空特征并检测异常。与现有技术相比，本发明时空特征提取方法具有更高的准确性、敏感性、特异性和f1评分(95.96％，97.14％，90.97％和97.50％)。本发明不仅考虑了导联之间的相互关系，还利用一维卷积和二维卷积提取相关的特征信号进行异常检测，从而提高了检测的精度。本发明具有广泛的应用前景和商业价值。
附图说明
[0034]
图1是本发明的系统模型图。
[0035]
图2是本发明的算法流程图。
具体实施方式
[0036]
下面结合附图对本发明作进一步详述。
[0037]
如图1所示，本发明变异性心电信号时空特征提取方法包括以下步骤：
[0038]
s1、在获取原始心电信号后，使用基于daubechies 6小波基的离散小波变换去除原始心电信号中的噪声；用pan-tompkins算法检测原始心电信号中的r波；再根据一个完整的心跳周期和信号的采样频率，对每个心跳周期的心电信号，分别采集r波前的250个采样点和r波后的400个采样点，共651个采样点，构成一个完整的心拍。
[0039]
s2、构建时空特征提取模型，所述时空特征提取模型包括transformer编码器和全连接层；所述transformer编码器用于提取心电导联之间的相关性信息，所述全连接层为模型的输出层，用于对提取的相关性信息进行融合，并输出表示时空特征的矩阵。
[0040]
如图1所示，transformer编码器由6个相同的结构组成，主要包括多头注意块和mlp块。多头注意力建立在自注意的基础上。自注意可以被描述为将对于每个query向量(q)，我们计算它与所有key向量(k)的相似度，通常采用点积(dot product)的方法。然后，
将该相似度乘以对应的value向量(v)，得到query向量的加权和，也就是输出中与query向量对应的值，其中，query向量、key向量和value向量是通过映射输入获得的矩阵。自我注意的计算过程可以表示为：
[0041][0042]
其中，qk
t
表示query向量(q)与key向量(k)之间的相似度，dk表示query向量(q)、key向量(k)和value向量(v)的维度；用相似度qk
t
除以输入维度来归一化相似度qk
t
。
[0043]
s3、利用时空特征提取模型提取心电信号的时空特征。该模型的输入数据x
in
∈r
12
×
651
可表示为：
[0044][0045]
其中，a
i,j
为输入数据中的一个采样点，i∈(ⅰ,ii,ⅲ,...,v6)为第i导联，j∈(1,2,3,...,651)为第j个心电心跳采样点。
[0046]
关注度权重可以通过softmax()获得，得到的向量可以乘以值v，得到加权矩阵。多头注意将输入矩阵x
in
映射到多个子空间进行自我注意。它允许模型关注来自不同子空间的相关信息，即不同导联之间的相关性。
[0047]
多头注意的计算过程如下：
[0048]
multihead(x
in
)＝concat(head1,
…
,headh)wo[0049]
headi＝attention(x
inwiq
,x
inwik
,x
inwiv
)
[0050]
其中，wiq，wik和wiv是可训练投影参数矩阵，concat()表示连接多个head的操作，wo是可训练参数的权重矩阵。mlp块由两个全连接层和gelu激活功能组成。它的主要作用是融合多头注意提取的线索之间的相关性特征。mlp块不改变数据的大小，但可增强模型的非线性能力。多头注意块和mlp块均采用跳跃连接结构，可有效增强特征信息的交流。该模型共包括6个transformer编码器。
[0051]
全连接层作为时空特征提取模型的输出层，实现了特征融合和数据降维。输出时空特征矩阵m∈r3×
651
可以表示为：
[0052][0053]
其中，b
i,j
为时空特征中的一个采样点，是指时空特征m的三个正交方向的时变坐标，j∈(1,2,3,...,651)是指坐标的长度。
[0054]
s4、构建异常信号检测模型。如图1所示，所述异常信号检测模型基于卷积神经网络(cnn)，它由三个部分组成：一维卷积层、二维卷积层和输出层。一维卷积层为三个加权的一维卷积块，先各自从时空特征矩阵m的三个时变坐标中的其中一个提取一维特征，再对提取的这三个一维特征进行扩展，形成二维特征图。基于残差结构的二维卷积层对二维特征图进行进一步的提取和融合。输出层由全局平均池化层、全连接层和softmax分类器组成，
输出最终的异常检测结果。
[0055]
如图2所示，一维卷积层主要用于从三个时变坐标中提取相关的定时信息。该模块包括1d卷积、批归一化、relu激活函数和maxpool。一维卷积可用以下公式表示：
[0056][0057]
其中，m为输入数据i中的元素，k[m]为卷积核，n为数据的长度，s为核大小，*表示卷积运算。
[0058]
然后，批归一化、relu和maxpool依次对提取的特征进行归一化和下采样。此外，三个一维卷积块采用加权策略，使得模型的参数更少，收敛速度更快。
[0059]
二维卷积层是在一维卷积后，因特征向量的通道数增加，而沿着通道方向扩展特征向量，形成包含三个直角坐标信息的二维特征图。三维卷积可以实现三个坐标之间的跨通道通信，提取与mi相关的空间特征。图2中，2d卷积块由残差结构组成，包含两个卷积层，批归一化函数和reu激活函数。跳跃连接通过1
×
1核大小的二维卷积实现。这种结构可以改变要素地图中的通道数量。此外，残差结构可以有效地加强特征信息的交换，使梯度不会在模型变深时消失或爆炸。
[0060]
输出层由全局平均池、全连接层和softmax分类器组成。其中，global average pooling直接获取每个特征地图的全局信息；全连接层实现了数据降维，降低了网络参数；softmax分类器将全连接层的输出映射到心电信号异常的检测结果。
[0061]
s5、根据步骤s3中获得的心电信号时空特征，使用步骤s4构建的异常信号检测模型，对异常的心电信号进行检测。
[0062]
s6、对时空特征提取模型和异常信号检测模型分别进行训练。将训练集、验证集和测试集按3：1：1的比例分开。两个模型都在相同的数据集上进行训练，即physikalisch-technischebundesanstalt(ptb)。在ptb数据库中的所有记录数据中，每个记录包括12导联心电(i、ii、iii、avr、avl、avf和v1-v6)和3导联vcg(vx、vy和vz)。信号的采样率为1000赫兹。本实施例是利用112例心肌梗塞患者和52例健康对照组的心电图和心电向量图记录。
[0063]
时空特征的提取本质上是一个回归任务，因此，在训练中引入均方误差损失函数来计算损失如下：
[0064][0065]
其中，y表示输入数据，表示模型的输出，xi和表示数据中的相应元素，n表示数据的长度。
[0066]
这可以有效地反映估计值与实际值之间的差异。利用反向传播算法对特征提取模型进行训练。优化算法adam实现了梯度的自适应调整，加快了模型的收敛速度。在训练过程中，学习速率被动态调整。初始学习率为0.0001，每百个时代后学习率为原来的0.8倍。该模型在800个时代后完成了训练。批次大小设置为64。
[0067]
对于异常信号检测模型，选择交叉点损失函数来表示预测值与实际值之间的差异：
[0068]
l
ce
(p,q)＝-plog(q)-(1-p)log(1-q)
[0069]
其中，p为实际结果，q为预测结果，l
ce
(p,q)为损失。
[0070]
此外，为了处理训练过程中mi和hc样本之间的不平衡，使用加权随机采样器(wrs)。权值是根据训练中两种心跳比例的倒数来分配的，以防止网络对某一种心跳过度拟合。

技术特征：
1.一种变异性心电信号时空特征提取方法，其特征是，包括以下步骤：s1、在获取原始心电信号后，先用基于daubechies 6小波基的离散小波变换去除原始心电信号中的噪声；用pan-tompkins算法检测原始心电信号中的r波；再根据一个完整的心跳周期以及信号的采样频率，对每个心跳周期的心电信号采集r波前250个采样点和r波后400个采样点，共651个采样点，构成一个完整的心拍；s2、构建时空特征提取模型，所述时空特征提取模型包括transformer编码器和全连接层；所述transformer编码器用于提取心电导联之间的相关性信息，所述全连接层为模型的输出层，用于对提取的相关性信息进行融合，并输出表示时空特征的矩阵；s3、利用时空特征提取模型提取心电信号的时空特征，所述时空特征提取模型的输入数据为：其中，a
i,j
为输入数据中的一个采样点，i∈(ⅰ,ii,ⅲ,...,v6)为第i导联，j∈(1,2,3,...,651)为第j个心电心跳采样点；输出时空特征矩阵为：m∈r3×
651
，具体表示为：其中，b
i,j
为输出时空特征中的一个采样点，是指时空特征矩阵m的三个正交方向的时变坐标，j∈(1,2,3,...,651)是指坐标的长度；s4、构建异常信号检测模型，所述异常信号检测模型包括一维卷积层、二维卷积层和输出层；所述一维卷积层用于从时空特征矩阵m的三个时变坐标中提取相关的定时信息；所述二维卷积层是基于残差结构的卷积层，用于对二维特征图进行进一步的提取和融合；所述输出层包括全局平均池化层、全连接层和softmax分类器，用于输出最终的异常检测结果；s5、使用异常信号检测模型对异常的心电信号进行检测。2.根据权利要求1所述的基于云边协同的可撤销的访问控制方法，其特征是，还包括以下步骤：s6、对时空特征提取模型和异常信号检测模型分别进行训练，ptb数据库中的所有数据按照训练集﹕验证集﹕测试集＝3﹕1﹕1的比例分开，时空特征提取模型和异常信号检测模型在相同的数据集上进行训练。3.根据权利要求2所述的变异性心电信号时空特征提取方法，其特征是，在训练中引入均方误差损失函数来计算损失，以有效地反映估计值与实际值之间的差异：其中，y表示输入数据，表示模型的输出，x
i
和表示数据中的相应元素，n表示数据的长度。
4.根据权利要求3所述的变异性心电信号时空特征提取方法，其特征是，对于异常信号检测模型是以交叉点损失函数来表示预测值与实际值之间的差异：l
ce
(p,q)＝-plog(q)-(1-p)log(1-q)其中，p为实际结果，q为预测结果，l
ce
(p,q)为损失。5.根据权利要求1所述的基于云边协同的可撤销的访问控制方法，其特征是，所述transformer编码器包括多头注意块和mlp块；所述mlp块用于融合多头注意提取的线索之间的相关性特征；所述多头注意块的多头注意力是建立在自注意的基础上；所述自注意是对于每个query向量，计算其与所有key向量的相似度，将该相似度乘以对应的value向量，得到该query向量的加权和；其中，query向量、key向量和value向量是通过映射输入获得的矩阵；自我注意的计算过程为：其中，qk
t
表示query向量与key向量之间的相似度，d
k
表示query向量、key向量和value向量的维度；用相似度qk
t
除以输入维度来归一化相似度qk
t
。6.根据权利要求3所述的变异性心电信号时空特征提取方法，其特征是，多头注意的计算过程为：multihead(x
in
)＝concat(head1,
…
,head
h
)w
o
其中，和是可训练投影参数矩阵，concat()表示连接多个heat的操作，w
o
是可训练参数的权重矩阵。7.根据权利要求1所述的基于云边协同的可撤销的访问控制方法，其特征是，异常信号检测模型中的所述一维卷积层为三个加权的一维卷积块，先各从时空特征矩阵m的三个时变坐标中的一个提取一维特征，再对提取的这三个一维特征进行扩展，形成二维特征图；所述二维卷积层对二维特征图进行进一步的提取和融合；全局平均池化层获取每个特征地图的全局信息，全连接层实现数据降维，softmax分类器将全连接层的输出映射到心电信号异常的检测结果。

技术总结
本发明涉及一种变异性心电信号时空特征提取方法，包括以下步骤：S1、获取原始心电信号；S2、构建时空特征提取模型；S3、利用时空特征提取模型提取心电信号的时空特征；S4、构建异常信号检测模型；S5、使用异常信号检测模型对心电信号异常进行检测。本发明是一种基于深度学习的心电信号异常检测算法，它融合了基于Transformer的模型和基于CNN的模型，可以有效地提取心电信号的时空特征并检测异常。本发明不仅考虑了导联之间的相互关系，还利用一维卷积和二维卷积提取相关的特征信号进行异常检测，从而提高了检测的精度，并具有更高的准确性、敏感性、特异性和F1评分。特异性和F1评分。特异性和F1评分。


技术研发人员：刘秀玲 熊鹏 张杰烁 杜海曼 李昆霖 何聪
受保护的技术使用者：河北大学
技术研发日：2023.06.08
技术公布日：2023/9/12