CN115944302B 基于注意力机制的无监督多模态心电图异常检测方法 （浙江大学）

基于注意力机制的无监督多模态心电图异本发明公开了一种基于注意力机制的无监重构的时序信号与输入时序信号差异大于一定标签的情况下，能够区分正常与异常的ECG心拍2码模块解码成与输入维度一致的ECG波形序所述重构模型中的两个编码模块结构相同，但在训练过程中不共embeddingembeddingQK两个编码模块输出的编码特征沿时间轴方向拼接，即拼接之后维度变为原来的两倍，进而特征经由解码模块线性映射层解码成与输入维度一致的ECG波形序列；输入至模型中的心电时域序列和心电频域序列需先进行位置编码，(pos,2i)表示序列中偶数位置增添的时间位置信息，PE(pos,2i+1)表示序列中奇数(5)将待检测心电信号的时域序列和频域序列输入至训练好的重构模型，根据模型输若该重构误差大于设定阈值，则判定待检测的心电信号学概率分布所设置即阈值为训练重构误差的均2.根据权利要求1所述的无监督多模态心电图异常检测方法，其特征在于：所述步骤4.2将心电时域序列和心电频域序列输入至模型，模型正向传播输出得到对应的重构34[0003]现有的许多ECG自动诊断算法是基于专家医生分析和标注的数据进行监督学习得[0004]目前，现有的无监督ECG异常检测或分类方法大多都没有充分利用和挖掘数据本H,KelarevAV,ChowdhuryM.MultistageapproachforclusteringandclassificationofECGdata[J].Computermethodsandprogramsinbiomedicine,2013,112(3):720_730]使用高斯混合模型和K_means聚类算法，将ECG数据转换为数值特征，从而完成异常分类。另一类是通过深度学习端到端地实现ECG的异常检测，例如文献[PereiraJ,SilveiraM.UnsupervisedrepresentationlearningandanomalydetectioninECGsequences[J].InternationalJournalofDataMiningand好地解决含有标签的心电图数据缺少，有监督的模型难以取得广泛的自动诊断效果的现[0008](2)对每组心电时域序列进行归一化处理以及频域转换，得到对应的心电频域序5[0011](5)将待检测心电信号的时域序列和频域序列输入至训练好的重构模型，根据模型输出ECG波形序列与输入心电时域序列之间的重构误差，判别待检测的心电信号是否异embeddingembeddingQKV分别为查询向[0028]4.2将心电时域序列和心电频域6根据统计学概率分布所设置即阈值为训练重构误差的均值与[0035]本发明通过对ECG的时域与频域信号进行特征提取，在无监督不使用标签的情况7果。[0051](6)同时对输入的时域序列与频域序列进行位置编码，即给原序列每个时刻对应方式表示分别对心电图时域序列或者频域序列的奇偶数位[0055](7)对进行位置编码之后的序列输入到序列特征编码模块，序列特征编码模块主[0056](8)自注意力机制(self_at 再通过叠加多个自注意力机制形成多头注意8[0073]ve=Bzvr-1+(1-B)of化为0向量，gt为某个时刻前向计算函数fA的梯度，为Adam对梯度估计值的修[0079]为了验证本发明的有效性，我们使用公开心电图数据集ECG5000在本发明模型上个完整的时序心跳数据。我们使用其中80％的正常心电图数据作为无监督模型的训练数[