一种用于心房颤动识别的心电信号处理方法及系统

1.本发明属于心房颤动识别技术领域，尤其涉及一种用于心房颤动识别的心电信号处理方法及系统。


背景技术：

2.本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
3.心房颤动(af)是一种常见的心血管疾病，已经成为患者、医生和医疗保健系统的巨大负担。最近的研究发现，新型冠状病毒(covid-19)会引发房颤等各类心血管疾病，从而给患者的心脏带来不可修复的损伤。加强房颤的辅助诊断可以提高医生识别房颤的效率，缓解医疗保健系统的压力，减少心房颤动对病人的不可逆伤害。
4.可穿戴动态心电信号的自动识别是生物医学信号处理的难题，而基于深度学习强大的学习能力，许多学者利用cnn等算法在心房颤动的检测方面做了相关工作。andersen等人、oliver等人与dang等人将rr间期序列作为网络的输入，虽然加快了网络的学习速度，但是这种方法依赖于高精度的r峰识别，对于双峰以及倒置r峰的情况效果较差。kumar等人与wei等人将原始序列转换为由多种特征构成的特征序列，虽然增强了深度学习的可解释性，但是人工提取最优的特征是一项十分困难的工作。为了增加卷积计算的感受域，chang等人、radhakrishnan等人、xu等人、xia等人与ma等人通过不同的变换将一维信号转换为二维时频图，fang等人在时频图的基础上引入了庞加莱图，这些做法虽然能够在二维卷积模板下提取特征，但是却存在计算误差，容易造成信息的丢失；qaraghuli等人使用变长遗传算法确定了cnn的超参数，虽然提升了cnn在心房颤动识别中的准确性，但是该方法收敛速度慢，搜索能力差。另外，上述方法难以定位与心房颤动有关的心电信号片段，无法精准的学习心房颤动的深层特征，容易受到干扰信息的影响。
5.为了快速定位与任务相关的区域，提取深层次的信息，研究者借鉴了人类的视觉方法提出了多种注意力机制。注意力机制已经在图像识别、语义分割、语言翻译等方面表现出优异的性能。在心房颤动的检测方面，gao等人提出了一种基于残差网络的时间注意力块，虽然能够提取时间权重，但是只有配合他们提出的en-loss才能达到最好的效果。mousavi等人使用rnn组建了一种注意力机制网络，但是受rnn网络的限制，该注意力机制无法提取深层次的特征。为解决rnn所带来的弊端，许多学者基于lstm与gru设计了能够提取时序特征的注意力机制，但是存在严重的过拟合，对于未知的新数据效果较差。jin等人提出了一种双路径注意力网络，实现了多域建模，虽然在公共数据库上获得了良好的效果，但是没有进一步的临床验证；gao等人提出了一种时间注意力块，并利用它设计了一种ta-cnn，但是该模块重点关注rr间期，忽略了心房颤动的其他特征。另外，上述文献提出的注意力机制只考虑了心电序列的时序信息，忽略了间隔采样点之间的空间信息，导致漏检率与误检率较高。


技术实现要素：

6.为克服上述经典cnn和传统注意力机制存在的问题，为了在可穿戴动态心电信号中精准地识别心房颤动，本发明提出了一种自补充注意力机制(sc-net)，并利用它设计了一种自补充注意力卷积神经网络(sccnn)，不仅能提取心电信号中近距离的相邻采样点与远距离的间隔采样点的浅层特征，还可以提取深层次的通道特征以及空间特征，通过对两种特征进行信息整合实现信息互补。此外，为了在二维卷积模板下进行信息提取，增加卷积计算的感受野，还提出一种z型信号重构方法，将一维心电序列转换为二维心电信号矩阵。
7.为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：
8.本发明第一方面提供了一种用于心房颤动识别的心电信号处理方法；
9.一种用于心房颤动识别的心电信号处理方法，包括：
10.对采样到的心电信号进行预处理，将一维心电信号转换为二维心电矩阵；
11.基于二维心电矩阵中提取的浅层次特征，利用自补充注意力网络进行深层次的通道特征和空间特征提取和融合，得到融合后的特征图。
12.进一步的，所述预处理，包括去噪、信号分割和z型信号重构；
13.所述z型信号重构，是将分割得到的一维心电片段{x1、x2、x3、
…
x
l
}按照采样顺序转换为m
×
n的二维信号矩阵(l＝m
×
n)。
14.进一步的，所述浅层次特征的提取，基于三个卷积模块，每个卷积模块包括两个卷积层，具体步骤为：
15.对矩阵进行横向卷积计算，提取相邻采样点之间的信息，得到横向特征图；
16.对特征图中上下相邻的特征值进行卷积计算，提取间隔采样点之间的信息，得到浅层次特征图。
17.进一步的，所述自补充注意力网络，包括通道加权模块cwm、空间加权模块swm和信息整合模块iim。
18.进一步的，所述通道加权模块cwm，从浅层次特征图不同通道中提取通道特征值，并为每个通道计算一个权重，将各个通道的特征值加权平均，得到通道特征。
19.进一步的，所述空间加权模块swm，从浅层次特征图不同区域中提取空间特征值，并为每个区域计算一个权重，将各个区域的空间特征值加权平均，得到空间特征。
20.进一步的，所述信息整合模块iim，将通道加权模块cwm与空间加权模块swm的输出进行元素融合与特征图合并，实现通道信息与空间信息元素之间的互补以及特征图之间的互补。
21.本发明第二方面提供了一种用于心房颤动识别的心电信号处理系统。
22.一种用于心房颤动识别的心电信号处理系统，包括预处理模块、特征提取模块；
23.预处理模块，被配置为：对采样到的心电信号进行预处理，将一维心电信号转换为二维心电矩阵；
24.特征提取模块，被配置为：基于二维心电矩阵中提取的浅层次特征，利用自补充注意力网络进行深层次的通道特征和空间特征提取和融合，得到融合后的特征图。
25.本发明第三方面提供了计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本发明第一方面所述的一种用于心房颤动识别的心电信号处理方法中的步骤。
26.本发明第四方面提供了电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本发明第一方面所述的一种用于心房颤动识别的心电信号处理方法中的步骤。
27.以上一个或多个技术方案存在以下有益效果：
28.本发明提出了一种自补充注意力机制(sc-net)，并利用它设计了一种自补充注意力卷积神经网络(sccnn)，不仅能提取心电信号中近距离的相邻采样点与远距离的间隔采样点的浅层特征，还可以提取深层次的通道特征以及空间特征，通过对两种特征进行信息整合实现信息互补。
29.本发明为了在二维卷积模板下进行信息提取，增加卷积计算的感受野，还提出一种z型信号重构方法，将一维心电序列转换为二维心电信号矩阵。
30.本发明所述的方法在三个公共数据库上的准确率分别为99.79％、95.51％、98.80％，auc值分别是99.79％、95.51％、98.77％，在临床数据集上的灵敏度高达99.62％，结果表明，本发明得到的融合后的特征图，可以精准地识别心房颤动，并且具有良好的泛化，而且适用于多种生理信号的分析(例如脑电信号、心音信号以及脉搏信号等)，在图像识别、语义分割等领域也具有一定的指导意义。
31.本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
32.构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
33.图1为第一个实施例的方法流程图。
34.图2为第一个实施例中z型信号重构方法示意图。
35.图3为第一个实施例中自补充注意力卷积神经网络的结构图。
36.图4为第一个实施例中公共数据集的混淆矩阵。
37.图5为第一个实施例中使用sc-net之前与使用sc-net之后的特征图。
38.图6为第一个实施例中使用sc-net之前与使用sc-net之后的特征热力图。
39.图7为第二个实施例的系统结构图。
具体实施方式
40.下面结合附图与实施例对本发明作进一步说明。
41.应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
42.需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
43.实施例一
44.本实施例公开了一种用于心房颤动识别的心电信号处理方法；
45.如图1所示，一种用于心房颤动识别的心电信号处理方法，包括：
46.步骤s1、对采样到的心电信号进行预处理，将一维心电信号转换为二维心电矩阵；
47.所述预处理，包括去噪、信号分割和z型信号重构，具体为：
48.(1)利用小波去噪技术去除心电信号的噪声，将去噪后的信号分割为5s的心电片段；
49.(2)利用z型信号重构方法将分割得到的一维心电片段{x1x2x3…
x
l
}转换为m
×
n的二维信号矩阵(l＝m
×
n)，重构过程如图2所示，首先，将l个采样点按照采样顺序分为m组，每组为n个采样点，第一组为x1到xn，第二组为x
n 1
到x
2n
，以此类推；然后，将m组采样点按顺序排列为m
×
n的二维矩阵。
50.二维矩阵的任意相邻两行中，上下相邻的两个采样点存在一定的间隔，通过二维卷积提取特征时，能够提取近距离的相邻采样点之间的信息以及远距离的间隔采样点之间的信息，保持了前后信息的连贯性。利用信号重构方法得到的二维矩阵由原始信号直接构成，与庞加莱图以及时频图相比，不需要r峰的识别与复杂的计算，且保存了信号的时间分辨特性，不存在信息损失以及计算误差。
51.许多学者已经证实心电信号中远距离的心电片段与心房颤动之间存在密切的关系；例如，langley等人提出心房颤动患者会发生心房异位，并且在房颤发生之前异位频率会增加；一些学者从心房颤动发生之前的心电片段中提取了hrv等特征，实现了心房颤动的预测；这表明在心脏生理活动中，心电信号除了相邻的采样点之外，相隔较远的采样点之间也存在某种动力学联系。然而，使用传统的一维卷积模板只能提取相邻采样点之间的信息，忽略了心电信号中间隔采样点之间的关系，造成了心电信号前后信息的缺失，增加了房颤的漏检率。为了解决这个问题，本发明采用如上所述的z型信号重构方法，实现了相邻采样点与间隔采样点之间的信息融合。
52.步骤s2、基于二维心电矩阵中提取的浅层次特征，利用自补充注意力网络进行深层次的通道特征和空间特征提取和融合，得到融合后的特征图。
53.定义一种自补充注意力卷积神经网络(sccnn)，来进行浅层次特征和深层次特征的提取和融合，自补充注意力卷积神经网络的具体结构如图3所示，该网络包括浅层特征提取模块(sfe)与自补充注意力机制(sc-net)。sfe由三个卷积模块构成；sc-net由通道加权模块(cwm)、空间加权模块(swm)和信息整合模块(iim)构成。
54.图3中，k_1,k_2,k_3代表卷积核的尺寸，c_1,c_2,c_3代表卷积核的个数，gmp代表全局最大池化，gap代表全局平均池化，dp代表dropout层，代表元素加和，代表元素相乘，代表拼接。
55.浅层特征提取模块(sfe)
56.sfe使用三个卷积模块进行浅层特征的提取，每个卷积模块包含两个卷积层(conv)、两个批归一化层(bn)、两个激活层(lr)与一个池化层(mp)。
57.假设第i个卷积模块的输入是s
×
t的二维心电矩阵，第一个卷积层使用尺寸为1
×ki
的卷积核，步长为1，对矩阵进行横向卷积计算，提取相邻采样点之间的信息，每一步都会将ki个相邻采样点融合为一个特征值，多次卷积之后得到s
×
(t-ki 1)的特征图。
58.第二个卷积层使用尺寸为ki×
1的卷积核，对特征图中上下相邻的特征值进行卷
积计算，提取间隔采样点之间的信息，每一步都会将ki个特征值融合为一个新的特征值，多次卷积之后得到(s-ki 1)
×
(t-ki 1)大小的特征图。
[0059]1×ki
的卷积核与ki×
1的卷积核组合使用，提取了ki×ki
个采样点的信息，与ki×ki
的卷积核相比加深了网络的深度，减少了卷积计算的参数量以及计算量。
[0060]
为了加速模型的训练与提高模型的稳定性，在每个卷积层后面添加了批归一化层与leakrelu激活函数。
[0061]
为了保证模型的平移不变性，提高模型的泛化能力，在每个卷积模块之后使用了一个最大池化层，对输出的特征图进行下采样。
[0062]
自补充注意力网络sc-net
[0063]
自补充注意力网络sc-net由通道加权模块(cwm)、空间加权模块(swm)和信息整合模块(iim)构成，使用cwm与swm对不同的信息进行聚焦，筛选重要的通道信息与空间信息，使用iim对两种信息进行融合，实现信息的互补。
[0064]
1)通道加权模块(cwm)：
[0065]
不同的通道能够提取不同的信息，cwm可以聚焦重要的信息通道，使得网络能够快速识别出心房颤动的深层次特征，避免无用信息的干扰。为了确定不同通道对于心房颤动的敏感度，cwm利用1
×
1的卷积为每个通道赋值一个权重。为了保留信息的特异性与连贯性，cwm提取了同一通道的最大特征值与平均特征值。cwm的具体操作如下：将输入转换为256个特征图，如公式(1)所示。
[0066][0067]
其中，ai代表通道加权模块输出的第i个特征图，代表第i个特征图的p行q列元素。
[0068]
将特征图批归一化处理之后，分别经过全局最大池化与全局平均池化，将256个特征图转换为256个最大特征值与256个平均特征值，然后将最大特征值与平均特征值进行加和，如公式(2)，得到256个权重值。
[0069][0070][0071]
其中，wa是权重矩阵，averagei和maxi分别代表浅层次特征图中第i个通道特征图的全局平均值与全局最大值,w
ai
为两者加和之后得到的第i个通道的权重。
[0072]
将得到的权重值与对应的特征图进行乘积，如公式(3)，为每个特征图赋值一个权重。
[0073][0074]
2)空间加权模块(swm):
[0075]
同一张特征图的不同区域包含的信息不同，swm可以定位特征图中与心房颤动相关的区域，使得网络能够快速学习到与心房颤动相关的信息。为了保证快速定位重点区域，swm利用1
×
1的卷积将输入压缩。为了实现特征图之间的空间互补以及保留心电序列的时序信息，swm分别使用最大特征值与平均特征值为压缩后的特征图施加权重，将一个特征图转换为一个带最大权重的特征图与一个带平均权重的特征图。swm的具体操作如下：将输入转换为128个特征图，如公式(4)所示。
[0076][0077]
其中，bi代表空间加权模块输出的第i个特征图，代表第i个特征图的p行q列的元素。
[0078]
将特征图进行批归一化处理之后，经过全局最大池化与全局平均池化，得到两组权值，分别将两组权值与对应的特征图相乘如公式(5)、(6)，得到两组带权重的特征图，每组128个特征图。
[0079][0080][0081]
其中，b是浅层次特征图，和分别代表浅层次特征图中第i个特征图的平均权值与最大权值,b
1,i
和b
2,i
分别表示浅层次特征图中第i个特征图添加平均权重和最大权值后得到的特征图，分别表示添加平均权重后得到的特征图、添加最大权值后得到的特征图。
[0082]
将得到的两组特征图拼接，如公式(7)，合并为一组包含256个特征图的组合。
[0083][0084]
cwm与swm的运算是不同的，cwm分别提取同一个通道的最大特征值与平均特征值，对得到的两个特征值进行加和处理；swm对同一个特征图进行最大加权与平均加权，对加权之后的两个特征图进行拼接处理。
[0085]
3)信息整合模块(iim)：
[0086]
iim可以融合不同加权模块输出的信息，实现通道加权模块与空间加权模块的互补。iim是将cwm与swm的输出进行元素融合与特征图合并，实现通道信息与空间信息元素之间的互补以及特征图之间的互补。iim具体操作如下：将cwm与swm输出的特征图进行加和处理，如公式(8)，得到一组新的特征图。将cwm与swm输出的特征图进行拼接，如公式(9)，得到另一组特征图。两组特征图通过拼接操作得到一组新的融合后的特征图。
[0087][0088][0089]
利用融合后的特征图可以实现心房颤动的准确检测和识别。
[0090]
实验与评估指标
[0091]
(1)样本数据
[0092]
为了检验本方法的有效性，本实施例使用四个数据库，分别是mit-bih af database、physio net/cinc challenge 2017 database、the first china physiological signal challenge(cpsc)2018 database、shandong provincial hospital database，对所有的数据库进行统一采样，采样频率为250hz。
[0093]
mit-bih af database(afdb)：该数据库包含23条心电图记录(其中00735和0366记录缺乏标注)，所有的记录均来自房颤患者(主要是阵发性的)，采样频率为250hz；该数据库有四种类型的节律注释：af(心房颤动)、afl(心房扑动)、j(房室连接节律)和n(正常)，afl、j、n被划分为非af类。
[0094]
physionet/cinc challenge 2017 database(cinc2017)：该数据库包括四种类型的心电信号：分别是正常窦性节律(nsr)、房颤(af)、其它节律(o)和噪声(～)，共计8528条记录。每条数据的采样频率为300hz。本实施例选取正常窦性节律和房颤两类记录作为数据集。
[0095]
the first china physiological signal challenge database(cpsc2018)：该数据库包含6877条记录，采样频率为500hz，持续时间从几秒到几十秒不等。本实施例选择其中的房颤组与正常组作为实验数据。每一次心房颤动的发生均有医生的标注。
[0096]
shandong provincial hospital database(sph)：为了验证本方法的实际有用性，本实施例引入一个临床数据集，该数据集包含5条24小时的动态心电记录，采样频率为
200hz。所有的记录均来自房颤患者。该数据集被分为房颤组与非房颤组，并由专家进行标注。该方案经山东省立医院伦理委员会批准。
[0097]
(2)实验环境与参数设定
[0098]
本实验使用scikit-learn库和keras库，编程环境为python3.9。在amd ryzen 7 5800h with radeon graphics 3.20 ghz cpu和nvidia gtx 1650 gpu的计算机上运行，内存是32gb。
[0099]
在预处理中，l＝1250，m＝125，n＝10。根据设定的参数，得到的数据分布如表1所示。在模型设计中，k1、k2、k3分别为3、5、7，c1、c2、c3分别为64、128、256，卷积步长为1；leakyrelu的梯度值设置为0.3；dropout层的丢弃率为0.5；所有池化层的滑动窗口设置为2
×
2，滑动步长为2；在训练过程中，使用adam优化器，学习率的初始值设置为0.01，训练过程中按照公式(10)递减；损失函数使用交叉熵损失函数，如公式(11)所示，batch size的大小为128。
[0100]
表1数据库的具体分布
[0101][0102][0103][0104]
n是样本数量，m是类别数量，样本i的真实类别为c时，y
ic
取1，反之取0，p
ic
代表样本i为类别c的概率。
[0105]
(3)评估标准
[0106]
为了降低偶然性对于结果的影响，本实施例所有的实验均使用了5折交叉验证。本实施例基于以下指标评估所提方法的性能：准确率(acc)、特异性(spec)、敏感性(sen)、精确度(pre)。另外，为了评估网络结构的性能，引入了auc值。
[0107][0108][0109][0110][0111]
其中，tp为真阳性(心房颤动被正确分类为房颤)，tn为真阴性(正常被正确分类为正常)，fn为假阴性(心房颤动被错误分类为正常)，fp为假阳性(正常被错误分类为房颤)。
[0112]
结果与讨论
[0113]
(1)公共与临床数据集上的结果
[0114]
本实施例提出的方法首先用于三个公共数据集，分别是afdb、cinc2017与cpsc2018。每个公共数据库的样本被随机分为训练集、验证集和测试集，比例为6：2：2。结果如表2所示，提出的方法在afdb上达到了99.79％的准确率、99.86％的灵敏度、99.72％的特异性、99.72％的精度以及99.79％的auc值；在cinc2017上达到了95.51％的准确率、94.06％的灵敏度、96.92％的特异性、96.73％的精度以及95.51％的auc值；在cpsc2018上达到了98.80％的准确率、99.07％的灵敏度、98.47％的特异性、98.77％的精度以及98.77％的auc值。公共数据集的混淆矩阵如图4所示，混淆矩阵显示本实施例提出的方法对于心房颤动的误检率以及漏检率极低，不管在大数据集上还是在小数据集上，错误分类的样本数量都是极少数的。结果表明，本实施例的方法在三个公共数据库上均能够保持高精度的心房颤动检测。另外，虽然cpsc2018的数据量少于cinc2017，但是cpsc2018的结果明显高于cinc2017，这是因为cpsc2018的心电记录包含的噪声较少，数据分布简单，易于学习，但是使用这种数据训练的模型泛化性较差。
[0115]
表2公共数据集上的结果
[0116][0117]
此外，提出的自补充注意力卷积神经网络，也应用于临床数据集以验证其泛化性能。表3展示了本实施例方法在临床数据集上的表现，结果达到了97.52％、96.81％、90.98％的准确率，98.19％、95.71％、84.63％的特异性，98.30％、98.68％、99.62％的灵敏度，97.51％、94.40％、82.66％的精度。使用cpsc2018作为训练集时，特异性与精度较低。这是因为深度学习是一种由数据驱动的算法，该数据库的样本较少，所以使用这个数据库训练的模型泛化性相对较低，即便如此，提出的模型具有99.62％的灵敏度，这表明本文提出的方法漏检率较低。而且使用afdb以及cinc2017训练的模型特异性与灵敏度相近，能够达到98％以上。这证明本实施例提出的方法与模型，在鲁棒性和泛化性方面表现良好，具有一定的临床意义。
[0118]
表3临床数据集上的结果
[0119][0120]
(2)结果对比
[0121]
为了进一步证明本实施例方法的可靠性，对比近年来的相关文献。在afdb上的比较结果如表4所示。本实施例提出的方法在该数据集上达到了99.79％的准确率，99.72％的
特异性，99.86％的灵敏度，上述指标中只有灵敏度比文献(dang h,sun m,zhang g,et al.a novel deep arrhythmia-diagnosis network for atrial fibrillation classification using electrocardiogram signals[j].ieee access,2019.)低0.07％，但是特异性比该文献高2.96％。这表明本实施例提出的方法对于心房颤动的识别具有更好的性能。原因分析如下：在信号转换方面，本实施例提出的信号重构方法在转换过程中不需要额外的辅助算法，不存在由辅助算法所造成的信息损失以及计算误差。在网络结构方面，本实施例提出的浅层特征提取模块能够对近距离的相邻采样点以及远距离的间隔采样点进行信息提取，保持了信息的前后连续性；本实施例提出的sc-net能够聚焦通道特征以及空间特征，实现信息的互补。
[0122]
表4mit-bih af database测试结果
[0123][0124]
(3)消融试验
[0125]
为了进一步的探究sc-net的效果，本实施例进行了消融试验、对照试验以及可视化研究。由表2得知，在三个公共数据库中，afdb的准确率为99.82％，在消融试验与对照试验过程中结果变化较小，容易受到神经网络随机性的影响；cpsc2018因为样本量较少并且样本分布简单，训练过程中容易过拟合，无法体现模型的泛化性；cinc2017样本量适中，复杂度高，训练难度大，具有代表性。因此，本实施例的消融试验以及对照试验均使用cinc2017。
[0126]
本实验对sc-net中三个模块的性能进行研究，如果删除其中一个模块后，模型性能的出现下降，则认为该模块是有助于心房颤动的检测的，反之则认为该模块无效。
[0127]
本实施例将删除sc-net、cwm、swm或者iim的模型重新训练之后，在测试集上检验效果。试验结果如表5所示，从消融试验的结果可以看出，由三个模块构成的sc-net准确率为95.81％，特异性为96.94％，灵敏度为94.74％，精度为96.73％，auc值为95.79％。在心房颤动的检测中，本实施例提出的sc-net能够提高3％～4％的性能；去掉cwm模块会导致网络难以提取心房颤动的深层次信息；去掉swm模块会导致网络难以定位特征图中与任务相关
的区域；去掉iim模块会降低sc-net信息互补的作用；去掉任何一个模块都会导致模型的整体性能下降，这证明sc-net的三个模块在心房颤动的识别中均有不可代替的作用。
[0128]
表5消融试验的结果
[0129][0130]
注：√代表保留模块，
×
代表删除模块。
[0131]
(4)对照试验
[0132]
本实验设计的目的是保持浅层特征提取模块不变，使用经典的注意力机制代替sc-net，如果替换sc-net之后模型的性能下降，则认为sc-net的效果较好，反之则认为sc-net的效果较差。
[0133]
本实施例分别用self-attention模块、sk-net、se-net与cbam模块代替本文的sc-net，经过重新训练之后，模型在测试集上的表现如表6所示。本实施例提出的sc-net准确率为95.81％，特异性为96.94％，灵敏度为94.74％，精度为96.73％，auc值为95.79％，明显高于另外四种注意力机制。这表明本实施例提出的sc-net与经典的注意力机制相比具有优越性，在心房颤动的识别中具有更高的性能。self-attention模块的每一步计算均依赖于上一步的结果，上一步出现信息失真时，会影响后续的计算，导致信息失真的情况不断累积，降低了模型的性能，相比之下，sc-net注重于每一张特征图的全局信息，容错率更好。心电信号作为一种时间序列，不同的信息之间保持着密切的联系，sk-net为了降低计算成本，使用分组卷积代替了标准卷积，阻碍了通道之间的信息流通，相比之下，sc-net使用了标准卷积与全局平均池化，保护了不同通道之间的联系。sc-net与se-net相比，sc-net引入通道加权模块，增加了对通道信息的关注，能够更加精确的学习心电信号的内在特征。在cbam模块中通道注意力机制与空间注意力机制采用了前后串连的方式，突出了空间信息的重要性，却弱化了通道信息的重要性。sc-net的通道加权模块与空间加模块采用了并联的方式，将通道信息与空间信息视为同样重要，体现了信息互补的特点，更适用于心电信号。
[0134]
表6sc-net与经典的注意力机制对照
[0135][0136][0137]
(5)可视化研究
[0138]
为了证明sc-net能够筛选出正常人与心房颤动患者的不同特征，随机选择4000个样本(2000个正常样本，2000个心房颤动样本)作为可视化数据集。使用t-sne算法将使用sc-net之前的特征与使用sc-net之后的特征进行可视化，可视化结果如图5所示，使用sc-net之前，两类特征分布在一个簇中，没有明显的分界线；使用sc-net之后，两类特征被仿射到两个簇中，分界线明显。这表明本文提出的sc-net可以学习到具有鉴别性的深度特征，对于心房颤动的检测具有很大的帮助。
[0139]
为了更好的显示sc-net在特征提取过程中的作用，通过特征热力图绘制出了使用sc-net之前与使用sc-net之后的特征变化情况，如图6所示。在热力图中，黄绿色的网格表示特征的作用大，深蓝色网格表示特征的作用小。通过对比可以发现，使用sc-net之前，两类特征图中存在大量的重合信息，对心房颤动的识别造成干扰；使用sc-net之后，模型筛除了大量的重合信息，只保留了正常样本与心房颤动样本的独特信息。这说明sc-net能够有效地排除干扰信息，精准地识别深层次的特征。
[0140]
(6)结论
[0141]
针对心房颤动的识别，本实施例提出了一种z型信号重构方法，设计了一种sc-net；实验使用三个公共数据库验证了本实施例方法的可行性，使用一个临床数据集检验了本文方法的泛化性。本实施例提出的z型信号重构方法将一维信号转换为二维矩阵，可以在二维卷积模板下进行特征提取，增加了卷积计算的感受域。本实施例提出的sc-net实现了信息的互补，并且能够有效的筛除干扰信息，提取心房颤动的深层次特征。实验结果适用于多种生理信号的分析(例如脑电信号、心音信号以及脉搏信号等)，在图像识别、语义分割等领域也具有一定的指导意义。
[0142]
实施例二
[0143]
本实施例公开了一种用于心房颤动识别的心电信号处理系统；
[0144]
如图7所示，一种用于心房颤动识别的心电信号处理系统，包括预处理模块、特征提取模块；
[0145]
预处理模块，被配置为：对采样到的心电信号进行预处理，将一维心电信号转换为二维心电矩阵；
[0146]
特征提取模块，被配置为：基于二维心电矩阵中提取的浅层次特征，利用自补充注意力网络进行深层次的通道特征和空间特征提取和融合，得到融合后的特征图。
[0147]
实施例三
[0148]
本实施例的目的是提供计算机可读存储介质。
[0149]
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如本公开实施例1所述的一种用于心房颤动识别的心电信号处理方法中的步骤。
[0150]
实施例四
[0151]
本实施例的目的是提供电子设备。
[0152]
电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开实施例1所述的一种用于心房颤动识别的心电信号处理方法中的步骤。
[0153]
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修
改、等同替换、改进等，均应包含在本发明的保护范围之内。