一种基于CNN与Mamba的冠心病分类方法及系统
本发明涉及智慧医疗,具体涉及一种基于cnn与mamba的冠心病分类方法及系统。
背景技术:
1、冠心病是由冠状动脉粥样硬化、血管狭窄或阻塞等因素引起的心肌缺血、缺氧性疾病,具有发病率高、危害性大的特点。由于冠心病早期症状往往不明显,部分患者仅表现为胸闷、心悸、乏力等非特异性症状,甚至在严重心血管事件发生前缺乏明显预警,因此对冠心病进行早期筛查、准确识别和辅助诊断具有重要临床意义。12导联心电图作为临床中应用广泛的无创检测手段,能够从多个空间方向记录心脏电活动变化,并反映心肌缺血、st-t改变、异常q波及心律变化等信息,因此可作为冠心病自动分类的重要数据基础。
2、目前,冠心病心电诊断主要依赖医生人工阅图,诊断结果易受医生经验、工作强度以及心电异常表现复杂程度等因素影响,在大规模筛查、基层医疗和长期随访场景下存在效率低、漏诊或误判风险高等问题。近年来,深度学习方法被用于心电信号分析,其中卷积神经网络(cnn)能够自动提取局部波形特征,循环神经网络(rnn)和长短期记忆网络(lstm)能够建模时序依赖,transformer结构能够通过自注意力机制捕获全局上下文信息,在心电自动分析任务中取得了一定进展。
3、然而,现有深度学习方法在12导联冠心病分类任务中仍存在不足:单一cnn结构对长程节律依赖和全局上下文信息建模能力有限;rnn、lstm等序列模型在长序列处理时计算效率较低且易受梯度传播问题影响;transformer虽然具备较强的全局建模能力,但在长时间、多导联心电信号处理中计算开销较大。同时,部分模型缺乏有效的多尺度特征提取与融合机制,难以同时捕捉冠心病相关的细粒度局部形态变化和长程节律异常。
技术实现思路
1、本发明的目的在于,提出一种基于cnn与mamba的冠心病分类方法及系统,实现长程与局部特征高效提取与融合,达到高准确率、强鲁棒性的冠心病自动分类。
2、根据本公开实施例的第一个方面,提供了一种基于cnn与mamba的冠心病分类方法,包括以下步骤:
3、获取12导联心电图临床数据集,对所述临床数据集进行脱敏操作,并由专业医生进行标注;
4、对标注后的临床数据集进行预处理操作,提取其中的原始时序信号,得到经标准化处理的心电信号序列;
5、构建端到端深度学习分类模型mtfa-net,将经标准化处理的心电信号序列作为模型输入进行特征提取与分类,输出冠心病分类结果;其中,所述深度学习分类模型包含用于提取长程节律依赖的mamba分支和用于提取局部形态特征的cnn分支。
6、在其中一个实施例中,所述预处理操作具体包括:将标注后的临床数据集转化为csv格式,并依次采用小波阈值去噪方法去除噪声、将采样率由原始频率重采样至目标频率,以及进行幅度标准化处理。
7、在其中一个实施例中,所述小波阈值去噪方法中对小波系数进行软阈值处理,将低于阈值的系数置零,高于阈值的系数通过阈值进行收缩,阈值定义为:
8、
9、其中,
10、软阈值函数具体为:
11、
12、其中,表示高频小波系数。
13、在其中一个实施例中,所述mamba分支包括堆叠的至少两个mamba模块,每个mamba模块由层归一化、mamba组件、dropout层和残差连接依次构成;所述mamba组件基于离散状态空间系统,其可配置参数包括特征维度d_model、状态维度d_state、局部卷积宽度d_conv及扩展倍数expand。
14、在其中一个实施例中,所述离散状态空间系统,表示形式如下:
15、
16、
17、其中,xt∈rinput为输入序列,∈rstate为隐藏状态,yt为输出序列,矩阵a,b,c,d为系统可学习参数。
18、在其中一个实施例中,所述cnn分支具体包括:
19、局部特征提取分支,包含多个卷积核尺寸不同的一维卷积分支,用于提取不同时间感受野下的局部形态特征;
20、融合分支,采用双路径注意力融合机制,其中一路生成通道权重对特征图进行通道维度重标定,另一路生成时间维度权重以强调关键时间片段。
21、在其中一个实施例中,所述局部特征提取分支和所述融合分支均包含eca注意力模块和se注意力模块;所述eca注意力模块使用h-sigmoid激活函数,具体表示为:
22、
23、其中,将负输入值截断为0,并将大于6的值截断为6。
24、根据本公开实施例的第二个方面,提供了一种基于cnn与mamba的冠心病分类系统,包括:
25、数据获取与标注模块,获取12导联心电图临床数据集,对所述临床数据集进行脱敏操作,并由专业医生进行标注;
26、信号预处理与标准化模块,对标注后的临床数据集进行预处理操作,提取其中的原始时序信号,得到经标准化处理的心电信号序列;
27、模型构建与分类输出模块,构建端到端深度学习分类模型mtfa-net,将经标准化处理的心电信号序列作为模型输入进行特征提取与分类,输出冠心病分类结果;其中,所述深度学习分类模型包含用于提取长程节律依赖的mamba分支和用于提取局部形态特征的cnn分支。
28、根据本公开实施例的第三个方面,提供了一种电子设备,包括存储器、处理器及存储在存储器上运行的计算机程序,所述处理器执行所述程序时实现所述的一种基于cnn与mamba的冠心病分类方法。
29、根据本公开实施例的第四个方面,提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现所述的一种基于cnn与mamba的冠心病分类方法。
30、本发明采用的以上技术方案,与现有技术相比,具有的优点是:
31、1.本发明提出的mtfa-net模型融合mamba状态空间与双注意力多尺度cnn,mamba模块以线性复杂度高效建模心电信号长程节律依赖,精准捕捉全局节律特征;多尺度cnn与双注意力机制精细提取局部波形特征并抑制噪声干扰,显著提升冠心病分类的准确率与鲁棒性,克服了传统模型长程依赖建模不足、抗干扰能力弱的技术缺陷。
32、2.本发明采用12导联心电信号作为输入,从多个空间方向全面表征心脏电活动变化,充分挖掘不同导联间的互补诊断信息,有效捕捉st-t改变、异常q波及节律异常等病理特征,分类结果的准确性、稳定性和临床适用性更优,可为大规模筛查和辅助诊断提供可靠依据。
33、3.本发明实现从原始心电信号到分类结果的完整自动化流程,无需多级人工干预,有效减少误差累积,大幅提升稳定性与可靠性,降低部署与运维成本,为冠心病智能筛查提供了高效、便捷的技术方案。
1.一种基于cnn与mamba的冠心病分类方法,其特征在于,包括以下步骤:
2.根据权利要求1所述一种基于cnn与mamba的冠心病分类方法,其特征在于,所述预处理操作具体包括:将标注后的临床数据集转化为csv格式,并依次采用小波阈值去噪方法去除噪声、将采样率由原始频率重采样至目标频率,以及进行幅度标准化处理。
3.根据权利要求2所述一种基于cnn与mamba的冠心病分类方法,其特征在于,所述小波阈值去噪方法中对小波系数进行软阈值处理,将低于阈值的系数置零,高于阈值的系数通过阈值进行收缩,阈值定义为:
4.根据权利要求1所述一种基于cnn与mamba的冠心病分类方法,其特征在于,所述mamba分支包括堆叠的至少两个mamba模块,每个mamba模块由层归一化、mamba组件、dropout层和残差连接依次构成;所述mamba组件基于离散状态空间系统,其可配置参数包括特征维度d_model、状态维度d_state、局部卷积宽度d_conv及扩展倍数expand。
5.根据权利要求4所述一种基于cnn与mamba的冠心病分类方法,其特征在于,所述离散状态空间系统,表示形式如下:
6.根据权利要求1所述一种基于cnn与mamba的冠心病分类方法,其特征在于,所述cnn分支具体包括:
7.根据权利要求6所述一种基于cnn与mamba的冠心病分类方法,其特征在于,所述局部特征提取分支和所述融合分支均包含eca注意力模块和se注意力模块;所述eca注意力模块使用h-sigmoid激活函数,具体表示为:
8.一种基于cnn与mamba的冠心病分类系统,其特征在于,包括:
9.一种电子设备,包括存储器、处理器及存储在存储器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现所述的一种基于cnn与mamba的冠心病分类方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现所述的一种基于cnn与mamba的冠心病分类方法。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com