基于反轉Transformer與融合注意的ST段異常檢測方法及系統

本發明屬于但不限于心電圖異常檢測，尤其涉及一種基于反轉transformer(itransformer)與融合注意的st段異常檢測方法及系統。

背景技術：

1、心電圖中st段的抬高或降低通常是由一條或多條為心臟供血的冠狀動脈阻塞引起的。此外，st段異常可歸因于多種疾病，包括心包炎、心肌炎、右束支阻塞和應激性心肌病等。因此，有效診斷和預防這些疾病至關重要。為了解決人工檢測的局限性，計算機輔助心電圖分析方法已經被開發并廣泛應用。由于計算能力的進步和數據收集的指數級擴展，與傳統的機器學習方法相比，深度神經網絡表現出了卓越的性能。盡管深度學習在心電分類任務中的先進性已經得到證明，但由于心電數據的復雜性和計算機學習方法的能力，它仍然面臨許多限制和挑戰。例如，深度學習技術嚴重依賴于從訓練集數據中提取的特征來進行學習和分類。然而，當應用于不同的患者時，這些特征可能缺乏足夠的有效性和泛化性，從而由于依賴無效或單一的特征而限制了分類結果，導致分類性能不佳。

2、此外，心電圖st段移位檢測靈敏度很高，且存在一個普遍的問題，即在臨床診斷中特征不明確。在現有的心電診斷中心律失常自動檢測技術主要集中在qrs波段上，缺乏有效和自主地識別基于心電圖的異常心臟活動的方法。

技術實現思路

1、針對現有技術存在的問題，本發明提供了一種基于反轉transformer與融合注意的st段異常檢測方法及系統。

2、本發明是這樣實現的，一種基于反轉transformer與融合注意的st段異常檢測方法，包括以下步驟：

3、步驟一，數據預處理：采用中值濾波方法對輸入數據樣本進行去噪處理，對異常st數據進行數據擴增；

4、步驟二，利用融合了反轉transformer與通道先驗注意力(cpca)機制的卷積神經網絡模型對心電信號分類。

5、進一步，所述步驟一使用兩個窗口長度分別為采樣率的20％和60％濾波器，以去除高頻噪聲，同時處理基線漂移；較短的窗口增強模型捕捉特征高頻部分的能力，較長的窗口保持信號的基線趨勢。

6、進一步，所述步驟一對異常st數據進行了8倍的數據擴增，采用平移和噪聲結合的方法來增加樣本量；增強過程包括：將數據隨機平移0到100個采樣點；然后隨機選擇低頻噪聲、高頻噪聲和白噪聲中的一種疊加在信號上。

7、進一步，所述步驟二將預處理后的數據初始輸入到網絡模型中，并使用兩個并行融合網絡進行特征提取，然后將提取的特征同時輸入到分類器中，對每條記錄進行分類。

8、進一步，inceptiontime網絡由三個inception模塊和兩個殘塊組成，在每個inception模塊中，輸入最初使用大小為1的滑動過濾器進行降維。

9、進一步，反轉transformer用于反轉時間序列，每個時間序列被獨立嵌入到一個序列中；反轉transformer利用傳統transformer的編碼器結構，通過序列之間的自關注相互作用，與共享前饋網絡提取序列表示。

10、進一步，通道先驗卷積注意機制利用平均池化和最大池化操作從特征映射中收集空間特征；然后將兩組上下文特征輸入到多層感知器(mlp)中，并將結果輸出組合以生成包含不同尺度上下文信息的特征圖。

11、本發明的另一目的在于提供一種基于反轉transformer與融合注意的st段異常檢測方法的基于反轉transformer與融合注意的st段異常檢測系統，包括：

12、數據預處理模塊，采用中值濾波方法對輸入數據樣本進行去噪處理，對異常st數據進行數據擴增；

13、心電信號分類模塊，利用融合了反轉transformer與通道先驗注意力機制的卷積神經網絡模型對心電信號分類。

14、本發明的另一目的在于提供一種計算機設備，計算機設備包括存儲器和處理器，存儲器存儲有計算機程序，計算機程序被處理器執行時，使得處理器執行所述的基于反轉transformer與融合注意的st段異常檢測方法的步驟。

15、本發明的另一目的在于提供一種計算機可讀存儲介質，存儲有計算機程序，計算機程序被處理器執行時，使得處理器執行所述的基于反轉transformer與融合注意的st段異常檢測方法的步驟。

16、結合上述的技術方案和解決的技術問題，本發明所要保護的技術方案所具備的優點及積極效果為：

17、第一、本發明利用融合了反轉transformer與通道先驗注意力機制的卷積神經網絡模型識別st段異常記錄。首先引入反轉transformer和時序通道卷積，保證特征能夠被有效提取和融合，其次結合信道先驗注意力機制，使模型能夠在準確捕捉心電信號中各維度空間相關性的同時保留相關時序信息，以此來提升st段異常檢測的準確率。

18、本發明的方法結合反轉transformer、卷積網絡(cnn)和cpca模塊，為心律失常檢測提供了有價值的臨床指導和參考。在中國心血管疾病數據庫(ccdd)和ptb-xl數據庫兩個數據庫上對該方法進行了評估。在ccdd測試集中，達到96.14％的準確率、96.2％的敏感度、99.88％的陽性預測值、96.17％的f1分數和92.34％約登指數。在ptb-xl數據庫中，也達到88.58％的準確率。實驗結果表明，本發明的方法在單導聯的st段異常檢測性能方面優于先前發表的方法。

19、第二，作為本發明的權利要求的創造性輔助證據，還體現在以下幾個重要方面：

20、(1)本發明的技術方案轉化后的預期收益和商業價值為：

21、有多種心臟疾病會表現為st段異常，例如心包炎、心肌炎、右束支阻塞和應激性心肌病等。首先，從醫療診斷的精準度提升角度來看，本發明能夠顯著提高st段異常檢測的準確率，減少誤診與漏診的情況，從而直接提升醫療服務的質量與效率。這一優勢不僅有助于醫療機構建立更加可靠的患者健康檔案，還能夠為醫生提供更加科學的決策支持，推動個性化醫療方案的制定與實施。

22、其次，在商業價值層面，本發明的技術方案具有廣闊的市場應用前景。隨著人口老齡化趨勢的加劇以及心血管疾病發病率的不斷上升，對于高效、準確的st段異常檢測技術的需求日益迫切。本發明的出現，正好滿足了這一市場需求。通過技術授權、產品銷售、服務提供等多種方式，本發明將為企業帶來可觀的經濟收益，并推動心電診斷的技術進步與產業升級。

23、此外，本方案主要以國內臨床真實采集的ccdd為主進行訓練。由于其他st段異常檢測研究普遍使用國外數據集，而亞洲人群與其他數據庫人群的心電特征存在差異性，故本方案能夠針對亞洲人群提供更加精準、個性化的診斷服務。這一特性不僅增強了本發明的市場競爭力，還為國內企業拓展市場、開發新產品提供了有力支持。

24、(2)本發明的技術方案填補了國內外業內技術空白：

25、目前國內外針對st段異常檢測的研究寥寥無幾，且部分研究已過于陳舊，未能應用近幾年深度學習的新興技術，本方案將反轉transformer、cnn和融合注意模塊相結合，并應用于st段異常檢測方面，取得了顯著性能。

26、(3)本發明的技術方案解決了人們一直渴望解決、但始終未能獲得成功的技術難題：

27、長久以來，st段異常檢測的準確性一直是醫療診斷領域亟待突破的瓶頸。本發明通過獨特的模型設計與技術創新，顯著提升了檢測性能，為醫生提供了更為可靠、高效的診斷依據，解決了這一困擾業界的長期難題，為患者爭取了寶貴的治療時間。

28、第三，本發明的技術方案提出了一種基于反轉transformer與融合注意的st段異常檢測方法，主要用于解決現有技術中st段異常檢測的準確性不足、抗噪能力較差以及對復雜信號模式響應不靈敏等問題。當前st段異常檢測系統通常僅依賴基本的濾波和分類模型，面對噪聲和基線漂移問題難以有效處理，同時傳統的模型缺乏對信號動態特征的捕捉能力，導致檢測的準確性和魯棒性不高。

29、本發明通過創新的信號處理和特征提取方法，有效克服了這些瓶頸。

30、首先，本發明在數據預處理階段引入了多窗口中值濾波機制，分別使用短窗口和長窗口濾波器，既去除了高頻噪聲又穩定了基線漂移。此方法顯著提升了心電信號的純凈度和數據質量，使后續處理更具穩定性，為檢測st段異常提供了更可靠的信號基礎。這種雙窗口設計特別增強了模型對細微信號特征和整體趨勢的捕捉能力，大大提升了模型的魯棒性和對不同噪聲條件的適應性。

31、其次，通過數據擴增技術的創新應用，本發明有效解決了異常st數據樣本稀缺的問題。利用平移、低頻噪聲、高頻噪聲和白噪聲等多樣化的擴增方式，產生了豐富的異常樣本，大幅度提高了模型對異常模式的識別率。這種方式不僅在數據量上擴充了異常樣本，更在數據的多樣性和復雜性上增強了模型的泛化能力，使其在應對實際環境中的多變信號時，仍然能夠保持較高的檢測準確性。

32、本發明的第三個創新點在于將反轉transformer與通道先驗注意力機制結合應用于心電信號分類中。反轉transformer的多頭注意力機制增強了模型對時間序列數據的處理能力，尤其在檢測st段異常的時間動態特征上表現出色。通道先驗注意力機制則基于各頻段通道特征的差異性，智能分配權重，使得模型更準確地聚焦于異常信號的關鍵特征區域。這種兩者結合的方式大幅度提升了模型的敏感性和精確性，在復雜的異常模式下依然能實現準確的st段異常檢測。

33、在產業應用方面，本發明的技術方案可應用于心電監護系統中，顯著提高st段異常檢測的準確性，減少誤檢和漏檢現象，保障患者的實時健康監測需求。同時，通過較低的計算需求和有效的信號處理流程，本發明方案適合集成于便攜式設備中，推動了遠程醫療和實時健康監測的進步。相較于現有技術，本發明在抗噪能力、動態特征捕捉和檢測精度等方面實現了顯著技術進步，使得st段異常檢測在實際應用中更具準確性和實用性。