本发明涉及一种基于深度残差网络的心律失常检测方法。
背景技术：
1、心律失常是指心脏电传导系统异常所引起的心跳不规则、过快或过慢等症状的总称。随着人口老龄化的进展和生活方式的改变，心律失常发病率快速上升，并且呈年轻化和不断增长的趋势。临床上按心律失常的发生部位可分为室上性(包括窦性、房性、房室交界性)和室性心律失常两大类。正常情况下，心脏的搏动是由电信号控制的，这些信号通过心脏的组织传播，引发心脏的收缩和舒张。当这些电信号发生异常时，会导致心律失常。
2、心电信号记录了一定时间内的电活动，这对于检测心律失常提供了重要的信息。中国专利申请cn116369933a公开了一种基于轻量卷积神经网络和transformer融合的心律失常检测方法。首先进行心电信号的收集并对心电信号数据进行重采样、分割、归一化等预处理，生成心电信号数据集；利用沙漏块构建主干cnn，并引入超参数搭建心律失常特征提取网络，利用transformer模型和前馈神经网络ffn构建心律失常分类网络。
3、中国专利申请cn115530788a公开了一种基于自注意力机制的心律失常分类方法。首先对采集的心电信号数据进行小波变换预处理，去除心电的基线漂移以及噪声；构建多头自注意机制的心律失常分类网络，包括心电向量表示层、线性区间投影层、信号序列编码层、多头自注意力计算层、归一化层、心电信号输出层。设计基于多头自注意机制的心律失常分类算法，训练基于多头自注意机制的心律失常分类网络，对心电信号进行分类。
4、上述对心电信号的传统预处理方法一般采用重采样、分割和归一化等。过度的预处理可能导致模型在训练和测试阶段都难以适应真实数据的信号变化。例如，过度归一化可能使得模型无法适应患者之间的生理差异。心电信号进行小波变换预处理的效果很大程度上取决于所选择的小波基，不同的小波基适用于不同类型的信号。小波变换可能会在信号的边界产生不良的边界效应，这在信号的开始和结束处可能会导致伪影。小波变换的计算复杂性较高，特别是对于连续小波变换。
5、现有的心律失常检测方法，由于无法捕捉心电信号时间动态信息而影响检测精度。不同患者的心电信号可能存在差异，这可能受到年龄、性别、生理状态等多种因素的影响。一名患者可能同时出现一种以上的心律失常，即一份心电图记录可能与多种类型的心律失常相关。传统的心电信号特征提取方法不能很好地表示复杂的病理心电信号特征。以往的研究多数集中在多类心律失常的心电分类上，对每一种心律失常进行独立处理，忽略了不同心电图异常之间的多标签相关性。
技术实现思路
1、本发明的目的在于克服现有技术的不足，提供一种能够学到更抽象、更复杂的特征，从而更好地应对不同患者、不同病理情况的心电图数据的基于深度残差网络的心律失常检测方法。
2、本发明的目的是通过以下技术方案来实现的：一种基于深度残差网络的心律失常检测方法，包括如下步骤：
3、步骤1、心电信号预处理：采用physionet challenge数据集作为训练集，并利用独热编码方式对数据进行预处理；
4、将训练集中的心电心跳序列记为x＝[x1,x2,…,xt,…,xk]t，其中，xt表示时间步长t的心跳信息，k表示心跳序列长度，t表示矩阵转置；引入掩蔽向量m处理无效的心跳序列，m＝(m1,…,mt,…,mk)t∈rk，mt表示时间步长t的掩蔽值；经掩蔽后的心电心跳序列记为表示如下：
5、
6、其中，mt＝1表示对应的心电心跳信息是有效的，otherwise表示除了mt＝1的情况外所有其他情况，*表示舍弃无效的心跳信息；
7、步骤2、利用通道注意力卷积网络和门控循环单元提取复杂病理ecg特征：首先，利用通道注意力卷积网络提取和优化心电图特征；然后，利用门控循环单元学习心跳序列特征表示，并通过带有残差连接的多层门控循环单元分层提取复杂病理ecg特征；
8、步骤3、心律失常多标签分类的嵌入学习：基于训练集中心律失常的共现次数，以条件概率为基础，以数据驱动的方式建立标签相关矩阵；然后，基于标签相关矩阵和相似度度量方法，通过多层感知器得到最优心律失常分类标签相关嵌入集合；
9、步骤4、通过标签感知注意力系数对心律失常特征向量进行加权；
10、步骤5、心律失常分类：将加权向量送入卷积和全连接层，得到最终的心律失常预测结果概率。
11、本发明的有益效果是：
12、(1)引入掩蔽向量处理心电心跳序列，有助于提高模型对不同长度的心电信号的适应性；
13、(2)通过捕获标签嵌入的依赖关系来指导特征提取模块学习心律失常特异性特征，从而提高临床诊断性能；
14、(3)深度残差网络有效地模拟了连续心电图(ecg)数据的时间动态，提取更具有临床意义的复杂病理特征表示，有助于更好地捕捉和分析心电信号中的复杂特征，提高对不同病理情况的诊断能力；残差连接允许深度多层循环神经网络(rnn)中的梯度有效传播，从而提高网络的表示能力。确保模型能够学到更抽象、更复杂的特征，从而更好地应对不同患者、不同病理情况的心电图数据。
1.一种基于深度残差网络的心律失常检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于深度残差网络的心律失常检测方法，其特征在于，所述步骤2具体实现方法为：
3.根据权利要求2所述的一种基于深度残差网络的心律失常检测方法，其特征在于，所述步骤3具体实现方法为：统计心律失常对共现次数，建立标签相关矩阵；标签相关矩阵的每个元素用条件概率表示：
4.根据权利要求3所述的一种基于深度残差网络的心律失常检测方法，其特征在于，所述步骤4具体实现方法为：通过计算特征向量与标签相关嵌入向量ec在特征位置le处的余弦相似度，得到特征维度的标签感知注意力系数如下所示：
