基于注意力机制的12导联心电图整体分类方法和装置

摘要

本申请公开了基于注意力机制的12导联心电图整体分类方法和装置，所述方法包括：获取12导联心电图的原始图像；对所述原始图像中记载的波形数据进行切分，得到切分后的波形数据；基于神经网络对所述切分后的波形数据进行深度特征提取，得到每个导联的特征数据；基于注意力机制对所述特征数据进行特征转换，得到每个导联的深度特征；基于全连接层对所述深度特征进行分类，得到对所述原始图像的分类结果，能够充分利用12导联心电图进行整体分类，提高图像分类的准确性。

说明书

技术领域

本公开一般涉及图像处理领域，具体涉及医疗图像处理，尤其涉及一种基于注意力机制的12导联心电图整体分类方法和装置。

背景技术

随着深度学习技术的发展，在心电信号的分析方面也取得了显著的效果。但是，相关技术中，通常仅使用单导联心电图进行检测分析，而心脏是立体的结构，无法很好的对心脏情况进行表达，严重影响了图像分析的效果。

发明内容

鉴于现有技术中的上述缺陷或不足，期望提供一种基于注意力机制的12导联心电图整体分类方法和装置，能够充分利用12导联心电图进行整体分类，提高图像分类的准确性。

第一方面，本申请实施例提供了一种基于注意力机制的12导联心电图整体分类方法，包括：

获取12导联心电图的原始图像；

对所述原始图像中记载的波形数据进行切分，得到切分后的波形数据；

基于神经网络对所述切分后的波形数据进行深度特征提取，得到每个导联的特征数据；

基于注意力机制对所述特征数据进行特征转换，得到每个导联的深度特征；

基于全连接层对所述深度特征进行分类，得到对所述原始图像的分类结果。

在一些实施例中，所述对所述原始图像中记载的波形数据进行切分，得到切分后的波形数据，包括：

针对每个导联图像，识别所述导联图像中的每个目标特征所在的位置；

针对每个所述目标特征，将所述目标特征所在的位置作为中心，基于预设的滑窗宽度对所述波形数据进行切分，得到所述切分后的波形数据。

在一些实施例中，所述基于注意力机制对所述特征数据进行特征转换，得到每个导联的深度特征，包括：

对所述特征数据进行至少一次的卷积操作处理，得到第一特征数据；

对所述第一特征数据进行激活操作，得到嵌入信息；

对所述嵌入信息进行第二激活操作，得到与每个导联对应的特征权重；

基于所述特征权重值和所述特征数据，得到所述深度特征。

在一些实施例中，采用如下公式对所述第一特征数据进行第一激活操作：

其中，p表示激活函数的输出，F[c][j]表示第c导联的第一特征数据中第j个节点的值。

在一些实施例中，采用如下公式对所述嵌入信息进行第二激活操作：

其中z表示第c导联的随机变量，N表示第c导联的权重。

在一些实施例中，在所述基于所述特征权重值和所述特征数据，得到所述深度特征之前，还包括：

将每个导联的所述特征权重连续输入至两个全连接层。

在一些实施例中，所述基于神经网络对所述切分后的波形数据进行深度特征提取，得到每个导联的特征数据，包括：

将所述切分后的波形数据输入至训练好的ResNet14模型，得到每个导联对应的所述特征数据，所述每个导联对应的所述特征数据的长度一致。

第二方面，本申请实施例提供了一种基于注意力机制的12导联心电图整体分类装置，包括：

获取模块，用于获取12导联心电图的原始图像；

切分模块，用于对所述原始图像中记载的波形数据进行切分，得到切分后的波形数据；

特征提取模块，用于基于神经网络对所述切分后的波形数据进行深度特征提取，得到每个导联的特征数据；

特征转换模块，用于基于注意力机制对所述特征数据进行特征转换，得到每个导联的深度特征；

分类模块，用于基于全连接层对所述深度特征进行分类，得到对所述原始图像的分类结果。

第三方面，本申请实施例提供了一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，该处理器执行该程序时实现如本申请实施例描述的方法。

第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请实施例描述的方法。

本申请实施例提出的基于注意力机制的12导联心电图整体分类方法，利用深度学习神经网络模型进行特征提取，有效提升异常筛查的精度，同时，结合使用注意力机制，能够对ST段异常可能性大的导联基于更高的关注度，有效提高异常筛查的准确性。

本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1为标准波形图结构的示意；

图2为本申请实施例提出的一种基于注意力机制的12导联心电图整体分类方法的流程图；

图3为本申请实施例提出的一种基于注意力机制的12导联心电图整体分类方法的原理示意图；

图4为对波形数据进行切分的原理示意图；

图5为本申请实施例中ResNet14模型的结构示意图；

图6为本申请实施例提出的另一种基于注意力机制的12导联心电图整体分类方法的流程图；

图7为本申请实施例中连续两个全连接层的结构示意图；

图8为本申请实施例提出的一种基于注意力机制的12导联心电图整体分类装置的方框示意图；

图9为适于用来实现本申请实施例的电子设备或服务器的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

心电信号是体表电极测量的心电电压幅度随时间变化的函数，属于时域波形信号，虽然从人体体表不同部位的不同的导联上所测得的心电波形各异，且不同个体的心电信号存在差异，但所有正常的心电波形周期均可划分呢为P波、PR段、QRS波群、ST段、T波等几个主要部分，且每个特征子波段都代表着一定的生理学意义。

现以MLH导联标准的心电波形图为例，如图1所示，对心电波形的主要组成及其特点进行简要介绍。

(1)P波：也叫心房去极波，反映的是左右两心房去极化过程的电位变化，波形一般圆钝光滑，历时0.08-0.11s，波幅不超过0.5mV，两心房复极化过程所产生的点位变化称为Ta波，它通常与PR段、QRS波群或ST段重叠在一起，且波幅很低，在心电图上不易辨认。

(2)PR段：是P波起点到QRS波群起点之间的时间间隔，反映了自心房除极开始至心室除极开始的一段时间，正常成人的PR间期为0.12-0.2s，若超过0.205s，一般表明又房室传导阻滞的发生，P→R段的长短与年龄及心率有关。

(3)QRS波群：反映两心室去极化过程的电位变化，典型的QRS波群包括三个紧密相连的电位波动，第一个向下的波称为Q波，紧接着是向上高而尖峭的R波，最后是向下的S波，在不同导联中，这三个波不一定都出现，各波的幅度变化也较大，历时约0.06-0.105s。

(4)ST段：指QRS波群终点与T波起点之间的线段，一般与零电位基线平齐，在这段时间内，因心室各部分都已全部进入除极化状态，但尚未开始复极，故各心室各部分之间没有电位差存在，心电曲线恢复到基线水平，但若有冠状动脉供血不足或心肌梗死等情况发生时，S→T段会偏离基线，并超过一定的幅度范围。

(5)T波：反映两心室极化过程的电位变化，波形圆钝，升降支并不完全对称，波形的前支较长而后支较短，占时约0.05-0.255s，T波方向应与QRS波群的主波方向一致，在以R波为主的导联中，其波幅应不低于本导联R波的1/10。

(6)Q→T间期：指从QRS波群起点到T波终点之间的时间，它代表心室开始去极化到全部复极化完毕所需的时间，这一间期的长短与心率密切相关，心率越快，Q→T间期越段，反之，则Q→T间期越长，正常的Q→T间期依心率、年龄及性别不同而有所不同，当心率为75次/分时，Q→T间期为0.30-0.405s。

基于此可知，根据心电图中S→T段的变化可以分析心肌缺血从而做出诊断。其中，心肌缺血在严重情况下会引发心肌梗死，如果对心肌梗死患者能够及时诊断并实施有效的治疗，则恢复后心肌不会受到损伤且无任何后遗症。因此，在及时实现心肌缺血的筛查对临床心脏疾病具有重要意义。

相关技术中提出了多种对心电图像进行分类识别的方法，例如，利用多项式拟合和模板匹配法进行ST段分类，该方法关键在于特点位置的准确定位、模板的建立以及模板的准确匹配，此种方法能够获得比较好的分类效果，但其过程比较复杂，模板的建立存在难度，模板匹配准确度不高，实现的每个过程都可能存在一定的误差，很大程度影响了分类效果。又如，基于最小二乘法的算法来识别ST段，首先利用小波找出检测的QRS波群，然后检测出心电信号波形的关键特征点，包括QRS波群、T波的起止点等特征点，根据特征点判断ST段偏移方向，最后通过ST段斜率和凹凸方向由多项式拟合算法来确定ST段的形态类型。该方法的缺点是对噪声比较敏感，特征点定位存在一定的误差。又如，将ST段检测分为两部分，首先使用小波变换和形态学方法计算得到ST段偏移方向，小波变换提取ST段的特征，根据这些特征将ST段分类，并分析ST段波形在30分钟内的变化趋势，最后应用于心肌缺血的检测，取得了明显效果，该分类方法比较简单，但是特征点识别处理起来比较复杂。

基于此，本申请提出一种基于注意力机制的12导联心电图整体分类方法和装置。

下面结合附图来描述本申请实施例提出的一种基于注意力机制的12导联心电图整体分类方法和装置。

图2为本申请实施例提出的一种基于注意力机制的12导联心电图整体分类方法的流程图。其中，需要说明的是，本实施例的基于注意力机制的12导联心电图整体分类方法的执行主体是基于注意力机制的12导联心电图整体分类装置，基于注意力机制的12导联心电图整体分类装置可以配置在电子设备中，也可以配置在用于对电子设备进行控制的服务器中，该服务器于电子设备进行通信进而对其进行控制。

其中，本实施例中的电子设备可以包括但不限于个人计算机、平台电脑、智能手机、智能音箱等设备，该实施例对电子设备不作具体限定。

如图2和图3所示，该基于注意力机制的12导联心电图整体分类方法，包括以下步骤：

步骤101，获取12导联心电图的原始图像。

需要说明的是，心电图(Electrocardiogram，ECG)，是通过放置在皮肤上的电极，记录一段时间内心脏的电活动的图像。标准的ECG记录包含12个导联，12导联ECG有两个主要的特点。一是“整体性”，具体来说，12导联ECG信号通过记录心脏不同空间角度的电位，全面地反映了心脏的状况。因此，12导联可以看成一个整体。二是“多样性”，不同的导联对应心脏的不同解剖区域，提供了不同的视角。因此，各个导联具有其独特的信息。

具体地，可对原始心电数据进行降采样处理，处理后的采样频率为250Hz，即，ECG＝Xn，1≤n≤L，L为信号长度。

步骤102，对原始图像中记载的波形数据进行切分，得到切分后的波形数据。

在一些实施例中，步骤102，可包括：针对每个导联图像，识别导联图像中的每个目标特征所在位置；针对每个目标特征，将目标特征所在的位置作为中心，基于预设的滑窗宽度对波形数据进行切分，得到切分后的波形数据。

其中，在本申请实施例中，预设的滑窗宽度可为300，目标特征为R波。也就是说，如图4所示，识别导联图像中的R波，如果第i个R波所在位置为X

步骤103，基于神经网络对切分后的波形数据进行深度特征提取，得到每个导联的特征数据。

其中，目前特征提取通常使用神经网络模型来实现，在本申请实施例中也采用神经网络模型来对切分后的波形数据进行深度特征提取，可选的神经网络模型可包括但不限于：FCNN、CNN、RNN、CRNN、ResNet、RCR-net等。优选的，本申请实施例使用ResNet14模型。

具体地，可将切分后的波形数据输入至训练好的ResNet14模型，得到每个导联对应的特征数据，每个导联对应的特征数据的长度一致。

其中，ResNet14模型的结构如图5所示，在ResNet14模型中，卷积层包括一维子卷积层1D_Conv、第一卷积块Block1、第二卷积块Block2、第三卷积块Block3、第四卷积块Block4和全连接层FC，共计14层卷积。其中，14层卷积的步长均为2。第一卷积块Block1包括第一子卷积层、第二子卷积层和第三子卷积层。第二卷积块Block2包括第四子卷积层、第五子卷积层和第六子卷积层。第三卷积块Block3包括第七子卷积层、第八子卷积层和第九子卷积层。第四卷积块Block4包括第十子卷积层、第十一子卷积层和第十二子卷积层。

一维子卷积层1D_Conv的卷积核为1*4，包括8个卷积通道。第一子卷积层的卷积核为1*1，包括8个卷积通道。第二子卷积层的卷积核为1*3，包括8个卷积通道。第三子卷积层的卷积核为1*1，包括16个卷积通道。第四子卷积层的卷积核为1*1，包括16个卷积通道。第五子卷积层的卷积核为1*3，包括16个卷积通道。第六子卷积层的卷积核为1*1，包括32个卷积通道。第七子卷积层的卷积核为1*1，包括32个卷积通道。第八子卷积层的卷积核为1*3，包括32个卷积通道。第九子卷积层的卷积核为1*1，包括64个卷积通道。第十子卷积层的卷积核为1*1，包括64个卷积通道。第十一子卷积层的卷积核为1*3，包括64个卷积通道。第十二子卷积层的卷积核为1*1，包括128个卷积通道。最大池化层MaxPooling的卷积核为1*3，步长为2。平均池化层MeanPooling的卷积核为1*3，步长为2。

应当理解的是，本申请实施例中通过在ResNet14模型的最后增加均值池化层(mean pooling)使得每个导联的特征数据(feature map)的长度一致。

步骤104，基于注意力机制对特征数据进行特征转换，得到每个导联的深度特征。

需要说明的是，注意力机制能够对于ST段异常可能性大的导联基于更高的关注度。优选的，注意力机制通过基于信息的压缩和激励模块(Information-based squeezeand excitation block，ISE-block)来实现。

如图6所示，步骤104，基于注意力机制对特征数据进行特征转换，得到每个导联的深度特征，可包括如下步骤：

步骤201，对特征数据进行至少一次的卷积操作处理，得到第一特征数据。

可选的，对特征数据X进行一次卷积操作得到第一特征数据U，即，F

应当理解是，在本申请实施例中利用一次卷积对输入的特征数据进行重新校准，以提高后续特征处理的准确性。

步骤202，对第一特征数据进行激活操作，得到嵌入信息。

进一步地，本申请采用如下公式对第一特征数据U进行激活操作，以获得通道描述符M。

其中，p表示激活函数的输出，F[c][j]表示第c导联的第一特征数据中第j个节点的值。

应当理解的是，将第一特征数据U转换成嵌入信息M的过程可视为对全局信息的嵌入(embedding)。换言之，第一特征数据U首先通过激活操作，激活操作通过聚合跨空间维度(H×W)的特征映射生成嵌入信息M，这个特征描述符的功能是产生全局分布的嵌入的信道特征响应，允许来自网络的全局接受域的信息被它的所有层使用。

步骤203，对嵌入信息进行第二激活操作，得到每个导联对应的特征权重。

进一步地，本申请采用如下公式对的嵌入信息M进行第二激活操作得到每个导联对应的特征权重N。

其中z表示第c导联的随机变量，N表示第c导联的权重。

也就是说，本申请采用自选门机制的形式，以嵌入作为输入，并产生每个通道调制权值的集合，这些权值被应用到第一特征数据U中，以得到特征转换至P。

步骤204，基于特征权重值和特征数据，得到深度特征。

需要说明的是，在执行步骤204之前，还包括：将每个导联的特征权重连续输入至两个全连接层。

需要说明的是，为了防止模型变得复杂并且考虑到泛化因素，本申请设置两个全连接层来作为瓶颈对门机制进行参数化，得到各导联注意力P，如图7所示。

其中，在这种结构的设计中，最初的动机是限制模型复杂度并辅助泛化，引入这个结构充分开发各导联的feature map间的信息，来学习导联之间的非线性关系。首先对输入N的维度进行压缩，从C压缩至C/2，该部分可以尽可能的学习了导联之间的依赖关系，再利用这个依赖关系对导联权重进行再校准，将C/2维度恢复至C维度，得到校准后的权重，即各导联的注意力P。并且该过程需要满足以下条件：

1)导联之间的校准相互作用是非线性的，来拟合其非线性特征

2)导联校准之后相互之间要独立

FC层中输入节点的数量等于其输出节点的数量，这等于ISE块输入特征映射中的通道数量。

进一步地，将每个导联的特征数据X与计算得到的权重值相乘，即可得到增加了注意力机制的深度特征

步骤105，基于全连接层对深度特征进行分类，得到原始图像的分类结果。

其中，可利用全连接层和softmax层来对深度特征进行分类，优选的，分类结果为两类，即，正常和异常。

经验证，使用本申请提出的方法对于ST段异常筛查的问题，可达到敏感性0.88，特异性0.87。

综上所述，本申请实施例提出的基于注意力机制的12导联心电图整体分类方法，利用深度学习神经网络模型进行特征提取，有效提升异常筛查的精度，同时，结合使用注意力机制，能够对ST段异常可能性大的导联基于更高的关注度，有效提高异常筛查的准确性。

应当注意，尽管在附图中以特定顺序描述了本发明方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。

图8为本申请实施例提出的一种基于注意力机制的12导联心电图整体分类装置的方框示意图。

如图8所示，本申请实施例提出的基于注意力机制的12导联心电图整体分类装置10，包括：

获取模块11，用于获取12导联心电图的原始图像；

切分模块12，用于对原始图像中记载的波形数据进行切分，得到切分后的波形数据；

特征提取模块13，用于基于神经网络对切分后的波形数据进行深度特征提取，得到每个导联的特征数据；

特征转换模块14，用于基于注意力机制对特征数据进行特征转换，得到每个导联的深度特征；

分类模块15，用于基于全连接层对深度特征进行分类，得到对原始图像的分类结果。

在一些实施例中，切分模块12，还用于：

针对每个导联图像，识别导联图像中的每个目标特征所在的位置；

针对每个目标特征，将目标特征所在的位置作为中心，基于预设的滑窗宽度对波形数据进行切分，得到切分后的波形数据。

在一些实施例中，特征转换模块14，还用于：

对特征数据进行至少一次的卷积操作处理，得到第一特征数据；

对第一特征数据进行激活操作，得到嵌入信息；

对嵌入信息进行第二激活操作，得到与每个导联对应的特征权重；

基于特征权重值和特征数据，得到深度特征。

在一些实施例中，采用如下公式对第一特征数据进行第一激活操作：

其中，p表示激活函数的输出，F[c][j]表示第c导联的第一特征数据中第j个节点的值。

在一些实施例中，采用如下公式对嵌入信息进行第二激活操作：

其中z表示第c导联的随机变量，N表示第c导联的权重。

在一些实施例中，特征转换模块14，还用于：

在基于特征权重值和特征数据，得到深度特征之前，将每个导联的特征权重连续输入至两个全连接层。

在一些实施例中，特征提取模块13，还用于：

将切分后的波形数据输入至训练好的ResNet14模型，得到每个导联对应的特征数据，每个导联对应的特征数据的长度一致。

应当理解，基于注意力机制的12导联心电图整体分类装置10中记载的诸单元或模块与参考图2描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作和特征同样适用于基于注意力机制的12导联心电图整体分类装置10及其中包含的单元，在此不再赘述。基于注意力机制的12导联心电图整体分类装置10可以预先实现在电子设备的浏览器或其他安全应用中，也可以通过下载等方式而加载到电子设备的浏览器或其安全应用中。基于注意力机制的12导联心电图整体分类装置10中的相应单元可以与电子设备中的单元相互配合以实现本申请实施例的方案。

综上所述，本申请实施例提出的基于注意力机制的12导联心电图整体分类方法，利用深度学习神经网络模型进行特征提取，有效提升异常筛查的精度，同时，结合使用注意力机制，能够对ST段异常可能性大的导联基于更高的关注度，有效提高异常筛查的准确性。

在上文详细描述中提及的若干模块或者单元，这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

下面参考图9，图9示出了适于用来实现本申请实施例的电子设备或服务器的计算机系统的结构示意图，

如图9所示，计算机系统包括中央处理单元(CPU)901，其可以根据存储在只读存储器(ROM)902中的程序或者从存储部分908加载到随机访问存储器(RAM)903中的程序而执行各种适当的动作和处理。在RAM903中，还存储有系统的操作指令所需的各种程序和数据。CPU901、ROM902以及RAM903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。

以下部件连接至I/O接口905；包括键盘、鼠标等的输入部分906；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分907；包括硬盘等的存储部分908；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分909。通信部分909经由诸如因特网的网络执行通信处理。驱动器910也根据需要连接至I/O接口905。可拆卸介质911，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器910上，以便于从其上读出的计算机程序根据需要被安装入存储部分908。

特别地，根据本申请的实施例，上文参考流程图图2描述的过程可以被实现为计算机软件程序。例如，本申请的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分909从网络上被下载和安装，和/或从可拆卸介质911被安装。在该计算机程序被中央处理单元(CPU)901执行时，执行本申请的系统中限定的上述功能。

需要说明的是，本申请所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以为的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作指令。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，前述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以不同于附图中所标注的顺序发生。例如，两个连接表示的方框实际上可以基本并行地执行，他们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作指令的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元或模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元或模块也可以设置在处理器中，例如，可以描述为：一种处理器包括获取模块、切分模块、特征提取模块、特征转换模块和分类模块。其中，这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定，例如，获取模块，还可以被描述为“获取12导联心电图的原始图像”。

作为另一方面，本申请还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的电子设备中所包含的，也可以是单独存在，而未装配入该电子设备中的。上述计算机可读存储介质存储有一个或多个程序，当上述程序被一个或者一个以上的处理器用来执行描述于本申请的基于注意力机制的12导联心电图整体分类方法。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离前述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其他技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。