CN119488296A 一种三阶段特征增强心肌梗死定位方法 （中南大学）

本发明实施例中提供了一种三阶段特征增二分类交叉熵损失函数进行反向传播更新初始模型中的图时空交叉注意力网络的网络参数并结合训练好的骨干网络和多分支分类结构形成2分类交叉熵损失函数进行反向传播更新初始模型参数并冻结初始模型中骨干网络的部分失函数进行反向传播更新初始模型中的图时空交叉注意力网络的网络参数并结合训练好其中，vi和vk为导联贡献向量，和分别为向量vi和的均值，表示向量j步骤4.2，将预测值和少数类样本对应的真实值代入加权二分类交叉熵损失函数进行3述Transformer编码器包括输入和输出的线性投影、Transformer编码层、层归一化和并动态调整通道权重以增强重要特征，池化层使用全局平均池化将特征图压缩为全局描其中，W和WZ是全连接层的权重矩阵，F表示特征图，GAP表示全局平均池化操其中,是第l层的特征表示，H(0-x，X表示输入的导联特征，wo)是第层的σ是激活函数；4j对节点i的影响力，是节点i的输入特征向量，w是可学合，是非线性激活函数,LeakyReLU是分段线性激活函数；步骤5.5，将输入的导联特征通过线性投影映射到隐藏维度，并与相对位置编码相步骤5.7，将预测值和真实值代入加权二分类交叉熵损失函数进行反向传播更新图时5权二分类交叉熵损失函数进行反向传播更新初始模型参数并冻结初始模型中骨干网络的熵损失函数进行反向传播更新初始模型中的图时空交叉注意力网络的网络参数并结合训6步骤4.2，将预测值和少数类样本对应的真实值代入加权二分类交叉熵损失函数所述图时空交叉注意力网络包括图卷积网络、图注意力网络和Transformer编码步骤5.1，将训练集输入骨干网络，跳跃连接层将未变换的输入直接加入到输出7步骤5.4，图注意力网络基于全连接图根据导联特征间的重要性自动调整注意力j对节点i的影响力，是节点i的输入特征向量，w是步骤5.7，将预测值和真实值代入加权二分类交叉熵损失函数进行反向传播更新8构建导联贡献图动态引入导联间的特征差异，实现对导联间相似性与差异性的细致建模，[0015]图1为本发明实施例提供的一种三阶段特征增强心肌梗死定位方法的流程示意图2为本发明实施例提供的一种三阶段特征增强心肌梗死定位方法的具体实施框9方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或器学习模型逐渐引入心肌梗死检测领域，利用心电图信号的时间域特征进行识别和定位，心肌梗死类型的ECG信号形态差异通常较小，增加了特征提取的难度，尤其在少数类情况[0026]参见图1，为本发明实施例提供的一种三阶段特征增强心肌梗死定位方法的流程[0027]本发明一种基于不平衡心电图数据的三阶段特征增强心肌梗死定位方法(Three_冻结部分网络层，以确保模型在训练过程中保持对少数类特征的敏感性。在导联贡献图的导联特征进行编码，并通过图时空交叉注意力（GraphSpatial_TemporalCross_心肌梗死的独立预测，并采用加权二分类损失优化模型，从而提高对少数类样本的识别能;量j的第i个分量，vei表示向量k的第i个分量。[0035]针对四个少数类类别，贡献图将每个导联的贡献分数整理为一个四维向量(Ia,"z"aa)其中vi表示第j权二分类交叉熵损失函数进行反向传播更新初始模型参数并冻结初始模型中骨干网络的步骤4.2，将预测值和少数类样本对应的真实值代入加权二分类交叉熵损失函数熵损失函数进行反向传播更新初始模型中的图时空交叉注意力网络的网络参数并结合训所述图时空交叉注意力网络包括图卷积网络、图注意力网络和Transformer编码步骤5.1，将训练集输入骨干网络，跳跃连接层将未变换的输入直接加入到输出σ是激活函数；步骤5.4，图注意力网络基于全连接图根据导联特征间的重要性自动调整注意力j对节点i的影响力，是节点i的输入特征向量，w是N(是节点的邻步骤5.7，将预测值和真实值代入加权二分类交叉熵损失函数进行反向传播更新导联间的依赖关系进行建模。第三阶段的训练不仅在模型层面优化了导联特征的聚合方模块将输入直接传递到后续层，以便在深层网络中保持重要信息并提升模型的训练稳定接将未变换的输入直接加入到输出中，保证模型在深度增加时仍能保留重要的特征信息。适应调整。批归一化通过标准化特征分布来加速模型收敛，而SE层则为每个导联特征自适设特征图F的维度为RCXHXW，则SE层输出为：[0044]在第三阶段训练中，骨干网络特征提取完成后，模型使用图卷积网络（Graph其中,h)是第层的特征表示，HO)=x。wo是该权重ay反映了节点j对节点i的影响力，确保模型在特征聚合时更注重于特定[0046]在完成对导联特征的GCN和GAT处理后，TB_Net进一步引入Transformer编码器模征X首先通过线性投影映射到隐藏维度，并与相对位置编码相加。随后，经过层归一化和Transformer的自注意力机制增强了模型在导联特征聚合中的表现。GCN依托导联贡献图J=O(WH+b)心肌梗死自动定位任务中的优势，我们选择了当前先进的对比方法MCA_Net和ML_ResNet。ML_ResNet提出了一种方法，通过结合多导联残差神经网络结构和12导联心电图记录进行而有效捕捉心电图数据中的局部和全局特征信息。MCA_net作为2022年提出的一种多任务