买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉华东师范大学申请的专利基于卷积与自注意力机制的多导联心电图分类识别方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115470828B 。

龙图腾网通过国家知识产权局官网在2026-01-02发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211163276.2，技术领域涉及：G06F18/241；该发明授权基于卷积与自注意力机制的多导联心电图分类识别方法是由王彬宇;王丽苹;宋培东;林学民设计研发完成，并于2022-09-23向国家知识产权局提交的专利申请。

本基于卷积与自注意力机制的多导联心电图分类识别方法在说明书摘要公布了：本发明公开了一种基于卷积与自注意力机制的多导联心电图分类识别方法，其主要包括层次化自注意力网络与卷积注意力网络。层次化自注意力网络利用自注意力机制可以捕捉跨越多个心拍的长程依赖特征，其中导联敏感机制利用基于窗口的自注意力机制，可以从时间维度和导联维度两个视图计算自注意力得分，从而关注不同导联心电信号的特异性差别；卷积注意力网络利用局部心电信号波形随时间平移不变的归纳偏置，使用卷积提取局部波形特征，关注局部关键波形信息。本发明提出的多导联心电图分类识别方法可用于心电图多标签分类任务中，具有较高的分类准确率。

本发明授权基于卷积与自注意力机制的多导联心电图分类识别方法在权利要求书中公布了：1.一种基于卷积与自注意力机制的多导联心电图分类识别方法，其特征在于，所述心电图分类识别方法包括： 步骤1：对多导联心电数据进行预处理；设表示多导联心电数据，其序列长度为N，导联数量为m，即X为一个多变量时间序列，表示为公式1所示的二维矩阵；数据预处理具体包括以下步骤： 步骤1.1：使用高通滤波滤除频率在0Hz至0.5Hz范围内的信号； 步骤1.2：随后使用傅里叶变换将多导联心电数据重采样为长度为n的时间序列，重采样后的输出为其中n是满足32的整数倍的任意正整数； 步骤2：采用由多个阶段构成的层次化自注意力网络，从步骤1处理后输出的心电信号数据，提取蕴含跨心拍长程依赖和特定导联特征的特征向量；具体包括以下步骤： 步骤2.1：步骤1处理后输出的心电信号首先送入心电片段嵌入层，将心电信号不重叠地划分为个片段，每个片段包含1×4个采样点；随后用线性层将每个片段嵌入为特征向量；每个片段嵌入后的特征向量长度为超参数C，设置为任意正整数；本步骤的输出为 步骤2.2：在导联维度，添加绝对位置编码；对步骤2.1的输出结果加上一个可学习参数即其中和表示第i个导联的第j个时间片段在绝对位置编码过程中的输入和输出，是第i个导联的绝对位置编码参数； 步骤2.3：构建两种基于窗口的Transformer模块；将标准Transformer模块中多头自注意力机制替换为基于窗口的多头注意力机制，多头自注意力机制仅在窗口内计算；具体构建步骤如下： 设一个窗口中有l个片段，基于窗口的多头自注意力机制在每个窗口内的计算过程如下式： Qi＝YWiQ,Ki＝YWiK,Vi＝YWiV,1≤i≤h2 其中是一个窗口的输入，片段数量为l且每个片段特征维度为d，表示一个窗口经过计算后的输出，Qi、Ki和表示查询、键和值,h表示自注意力头数量，Hi表示第i个注意力头,WiQ、WiK、和是可学习的权重参数，Concat表示向量拼接运算，Attention表示自注意力运算；依据窗口划分方式不同，以所述机制为基础构建三种基于窗口的多头自注意力机制，分别为： 其一，设机制输入为L×T个片段，L和T分别表示在导联维度和时间维度的片段数量，在时间维度划分窗口，设每个窗口的大小为1×T′，T′是一个满足T′≤T的超参数，表示在时间维度上窗口的长度，输入片段会被划分为个不重叠的一维窗口，随后在窗口内计算多头自注意力机制；称为时间敏感的基于窗口的多头自注意力机制；其二，设机制输入为L×T个片段，在导联维度划分窗口，窗口的大小为L×1，输入片段会被划分为1×T个不重叠的一维窗口，随后在窗口内计算多头自注意力机制；称为导联敏感的基于窗口的多头自注意力机制；其三，经过其一所述时间敏感的基于窗口的多头自注意力机制划分窗口后，将窗口沿时间维度向左循环移动个片段，随后在移动后的窗口内计算多头自注意力机制；称为时间敏感的基于移动窗口的多头自注意力机制； 对于所述时间敏感的基于窗口的多头自注意力机制与时间敏感的基于移动窗口的多头自注意力机制，添加时间维度上的相对位置编码，即将多头自注意力的计算过程由公式3替换为公式5： 其中Bi中的值是从中选取的，表示在时间维度上两片段相对位置范围在[-l+1,l-1]之内的一个可学习的相对位置编码参数； 依据所述三种基于窗口的多头自注意力机制，分别构建以下两种基于窗口的Transformer模块，具体为： 其一，分为3个子模块，连续3个子模块的计算过程如公式6-11所示，其中和Yb分别表示对于子模块b基于窗口的注意力层和多层感知机MLP的输出，LN表示批标准化，TW-MSA表示时间敏感的基于窗口的多头自注意力机制，LW-MSA表示导联敏感的基于窗口的多头自注意力机制，TSW-MSA表示时间敏感的基于移动窗口的多头自注意力机制，称为时间-导联Transformer模块； 其二，分为2个子模块，连续2个子模块的计算过程如公式12-15所示，公式中符号含义与前述时间-导联Transformer模块中相同；称为时间Transformer模块； 步骤2.4：构建两种片段合并层； 其一，对于包含L×T个片段的输入，设每个片段特征维度为C′，将同一导联上每两个相邻的片段特征进行拼接，随后对拼接后产生的新特征进行层标准化；经过该层运算后，时间维度上片段数量由T变为每个片段特征维度由C′变为2C′；称为时间片段合并层； 其二，对于包含L×T个片段的输入，设每个片段特征维度为C′，将每个时间点的所有导联的片段相拼接，拼接后导联维度上片段数量从L降为1，每个片段特征维度由C′变为L×C′；随后采用全连接层将特征维度由L×C′降回C′，并最终对新特征进行层标准化运算；称为导联片段合并层； 步骤2.5：采用步骤2.4和步骤2.5中构建的结构，构建5阶段的层次化自注意力网络，并使用该网络从步骤2.1的输出中提取特征，其每阶段特征在于： 阶段1，该阶段的结构分别由1个步骤2.3所述的时间-导联Transformer模块和1个步骤2.4所述的时间片段合并层组成；步骤2.1的输出依次经过所述结构运算后，输出为 阶段2，该阶段的结构分别由2个步骤2.3所述的时间-导联Transformer模块和1个步骤2.4所述的导联片段合并层组成；阶段1的输出依次经过所述结构运算后，输出为 阶段3，该阶段的结构分别由3个步骤2.3所述的时间Transformer模块和1个步骤2.4所述的时间片段合并层组成；阶段2的输出依次经过所述结构运算后，输出为 阶段4，该阶段的结构分别由1个步骤2.3所述的时间Transformer模块和1个步骤2.4所述的时间片段合并层组成；阶段3的输出依次经过所述结构运算后，输出为 阶段5，该阶段的结构由1个步骤2.3所述的时间Transformer模块组成；阶段4的输出依次经过所述结构运算后，输出为 步骤3：采用多阶段的卷积注意力网络，从步骤1处理后输出的心电信号数据，提取局部波形特征，输出256通道的特征图具体包括以下步骤： 步骤3.1：对于步骤1输出的心电信号输入首先用卷积核长度为15、步长为2的卷积层将输入规模下采样为然后对其使用批标准化和ReLU激活函数；随后使用一个池化核长度为3步长为2的最大池化将特征进一步降维至并输出 步骤3.2：构建卷积注意力模块，其结构由1个卷积核长度为7的一维卷积层、1个批标准化层、1个ReLU激活函数、1个卷积核长度为7的一维卷积层、1个批标准化层，以及一维化的空间与通道注意力模块依次构成；该模块应用时依次执行所述结构的计算过程，并应用残差连接； 步骤3.3：采用步骤3.2中构建的结构，构建3阶段的层次化自注意力网络，并使用该网络从步骤3.1的输出中提取特征，其每阶段特征在于： 阶段1：该阶段的结构由3个步骤3.2所述的卷积注意力模块组成；步骤2.1的输出依次经过所述结构运算后，输出为 阶段2：该阶段的结构由6个步骤3.2所述的卷积注意力模块组成；阶段1的输出依次经过所述结构运算后，输出为 阶段3：该阶段的结构由6个步骤3.2所述的卷积注意力模块组成；阶段2的输出依次经过所述结构运算后，输出为 步骤4：融合步骤2和步骤3提取的特征，并输出模型分类预测结果，具体包括以下步骤： 步骤4.1：首先对于步骤2的输出和步骤3的输出分别进行层标准化后，通过广义平均池化降维为和随后将Yp和Zp拼接得到融合特征 步骤4.2：将步骤4.1的输出结果，最终经过全连接层与Sigmoid函数输出分类结果。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人华东师范大学，其通讯地址为：200241 上海市闵行区东川路500号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。