基于深度可分离卷积和注意力机制用于冠心病预测的方法

本发明涉及一种基于深度可分离卷积和注意力机制用于冠心病预测的方法。

背景技术：

1、冠心病是一种常见的心血管疾病，其死亡率较高，并且治愈出院之后也很容易出现复发的风险。心律失常、心肌梗塞和心绞痛症状是冠心病最常见的临床症状。冠心病发病的根本原因是冠状动脉粥样硬化，造成血管间产生斑块，从而导致血管阻塞，心脏内部血液不足。

2、目前临床诊断冠心病的主要方法包括：超声检验、ct扫描、心电图等。其中冠状动脉造影是诊断的“金标准”，但是这种方法只能在冠心病晚期才能发现，而且价格昂贵，不利于普通人的筛查，对于冠心病的早期诊断并不适用。心电图和ct扫描等设备有助于检测冠心病，然而这些机器的高成本和不实用是导致每年1700万患者因冠心病死亡的主要因素。

3、疾病预测最早开始基于统计模型的方法，之后随着机器学习和深度学习的发展，这些方法也被应用于疾病预测领域中。目前已有使用机器学习模型预测冠心病，包括逻辑斯蒂回归、支持向量机、k最近邻算法、决策树、随机森林、xgboost和lightgbm等。采用深度学习模型的方法包括深度神经网络、卷积神经网络、长短期记忆、循环神经网络等，这些方法都已应用于冠心病预测中。但是这些模型都为单一模型，未能充分提取病人体检指标之间的特征关系，从而导致预测效果不够理想。

技术实现思路

1、本发明的目的是提供一种基于深度可分离卷积和注意力机制用于冠心病预测的方法，该方法提高了冠心病预测的准确率，降低了冠心病的死亡率，提高了患者的生活质量。

2、为了实现上述目的，本发明提供了一种基于深度可分离卷积和注意力机制用于冠心病预测的方法，该方法包括：

3、步骤1、对冠心病数据集进行预处理，包括分析数据集中的缺失值、异常值，分析特征之间的相关性以及平衡数据集；

4、步骤2、将通过步骤1处理好的数据输入到预测模型中的深度可分离卷积模块，在该模块通过卷积的方法提取丰富的特征信息，捕获不同特征之间的通道和空间关系；

5、步骤3、将通过步骤2得到的特征表示数据分别输入到自注意力模块和混合注意力模块中；其中，自注意力机制提取不同体检指标之间的局部关系，得到不同的特征权重；混合注意力处理不同体检指标之间的重要局部特征，再将这两个模块获取的特征进行特征融合操作；

6、步骤4、将特征融合得到的特征信息输入到全连接层，通过softmax函数得到预测结果。

7、优选地，在步骤1中，缺失数据的特征分别是education、cigsperday、bpmeds、totchol、bmi、heartrate和glucose，并进行如下预处理：

8、对education属性缺失的数据类型为离散型，无法获取，将其删除；

9、bpmeds特征表示是否服用过降压药，数据类型为离散型0和1，根据数据集中收缩压sysbp和舒张压diabp值之间的关系来填充，当收缩压大于130或者舒张压大于80的标准填充1，否则填充0；

10、其余特征数据类型为连续型，计算其平均值进行填充；

11、同时，使用皮尔森相关系数分析不同特征之间的相关性；

12、并且，采用过采样和欠采样相结合的方法平衡数据集；

13、进一步的，按照8:2的比例将数据集划分为训练集和测试集。

14、优选地，步骤2中的深度可分离卷积特征提取模块使用具有3×3卷积核大小的深度卷积，该卷积核是一个权重矩阵：

15、

16、优选地，在步骤2中，在深度卷积之后进行批量归一化batchnorm和relu非线性函数处理，激活函数之后再经过1×1卷积核大小的逐点卷积和批量归一化和relu操作；其中，

17、batchnorm的计算过程为：对输入的数据是β＝{x1...m}共m个数据，输出为yi＝bnγ,β(xi)，γ和β分别为缩放参数和平移参数；先求出此次批量数据x的均值和方差：和再对x做归一化得到最后，引入缩放和平移变量γ和β得到归一化后的值：

18、优选地，在使用多个深度可分离卷积块提取特征的过程中经过最大池化maxpooling操作以减少计算量。

19、优选地，在步骤3中通过注意力机制处理得到的丰富特征信息，将深度可分离卷积提取的特征分别输入到自注意力和混合注意力模块中；其中，

20、自注意力模块计算特征图中的重要特征之间的关系，得到自注意力特征图，其计算公式如下：

21、

22、其中，q，k，v分别为查询向量、键向量和值向量；

23、混合注意力模块处理得到的特征图中通道和空间注意力信息，将输入特征图分组，对于每个子特征，混合注意力采用shuffle unit将通道注意力和空间注意力合并到一个块中，得到聚合的子特征，并利用channel shuffle操作来保证每组子特征之间的信息通信；每组子特征在通道和空间注意力分支中的计算公式如下：

24、fk'1＝σ(γ(sc))·fk1＝σ(w1sc+b1)·fk1

25、fk'2＝σ(γ(sspa))·fk2＝σ(w2sspa+b2)·fk2，

26、最后将得到自注意力特征和混合特征进行特征融合，输入到全连接层。

27、优选地，在步骤4中，softmax函数将实数向量转化为概率分布，使得每个类别的概率值都在0到1之间，并且所有类别的概率之和为1，其计算公式如下：

28、

29、当预测结果为0表示未患病，为1表示患病。

30、根据上述技术方案，本发明首先对冠心病数据集进行预处理；将处理好的数据输入到预测模型中的深度可分离卷积模块，在该模块通过卷积的方法提取丰富的特征信息，捕获不同特征之间的通道和空间关系；将得到的特征表示数据分别输入到自注意力机制提取不同体检指标之间的局部关系，得到不同的特征权重；混合注意力处理不同体检指标之间的重要局部特征，再将这两个模块获取的特征进行特征融合操作；将特征融合得到的特征信息输入到全连接层，通过softmax函数得到预测结果。该方法提高了冠心病预测的准确率，降低了冠心病的死亡率，提高了患者的生活质量。

31、本发明的其他特征和优点将在随后的具体实施方式部分予以详细说明。

技术特征：

1.一种基于深度可分离卷积和注意力机制用于冠心病预测的方法，其特征在于，所述方法包括：

2.根据权利要求1所述的基于深度可分离卷积和注意力机制用于冠心病预测的方法，其特征在于，在步骤1中，缺失数据的特征分别是education、cigsperday、bpmeds、totchol、bmi、heartrate和glucose，并进行如下预处理：

3.根据权利要求1所述的基于深度可分离卷积和注意力机制用于冠心病预测的方法，其特征在于，步骤2中的深度可分离卷积特征提取模块使用具有3×3卷积核大小的深度卷积，该卷积核是一个权重矩阵：

4.根据权利要求1所述的基于深度可分离卷积和注意力机制用于冠心病预测的方法，其特征在于，在步骤2中，在深度卷积之后进行批量归一化batchnorm和relu非线性函数处理，激活函数之后再经过1×1卷积核大小的逐点卷积和批量归一化和relu操作；其中，

5.根据权利要求4所述的基于深度可分离卷积和注意力机制用于冠心病预测的方法，其特征在于，在使用多个深度可分离卷积块提取特征的过程中经过最大池化maxpooling操作以减少计算量。

6.根据权利要求1所述的基于深度可分离卷积和注意力机制用于冠心病预测的方法，其特征在于，在步骤3中通过注意力机制处理得到的丰富特征信息，将深度可分离卷积提取的特征分别输入到自注意力和混合注意力模块中；其中，

7.根据权利要求1所述的基于深度可分离卷积和注意力机制用于冠心病预测的方法，其特征在于，在步骤4中，softmax函数将实数向量转化为概率分布，使得每个类别的概率值都在0到1之间，并且所有类别的概率之和为1，其计算公式如下：

技术总结本发明公开了一种基于深度可分离卷积和注意力机制用于冠心病预测的方法，包括：对冠心病数据集进行预处理；将处理好的数据输入到预测模型中的深度可分离卷积模块，在该模块通过卷积的方法提取丰富的特征信息，捕获不同特征之间的通道和空间关系；将得到的特征表示数据分别输入到自注意力机制提取不同体检指标之间的局部关系，得到不同的特征权重；混合注意力处理不同体检指标之间的重要局部特征，再将这两个模块获取的特征进行特征融合操作；将特征融合得到的特征信息输入到全连接层，通过softmax函数得到预测结果。该方法提高了冠心病预测的准确率，降低了冠心病的死亡率，提高了患者的生活质量。技术研发人员：左开中,牛云飞,谌章义,叶冰清,季澳寒,焦煜受保护的技术使用者：安徽师范大学技术研发日：技术公布日：2024/9/29