[发明专利]分类器的生成方法、房颤检测装置及存储介质

说明书

本发明提供一种分类器的生成方法、房颤检测装置及存储介质，所述房颤检测装置和所述存储介质通过所述分类器对被检测信号进行房颤/非房颤分类检测。分类器的生成方法包括：提取预先标记类型的心搏信号片段的心搏间期；计算心搏间期的变异值；对若干心搏间期变异值进行分组，提取各组数据的频数作为特征向量；对所述的标记类型和特征向量进行机器学习训练，生成所述分类器。本发明的分类器的生成方法，能够降低原始特征的维度，提高样本的鉴别性和对噪声的鲁棒性，能够通过采用简单的机器学习模型较快地训练得到所述分类器。

技术领域

本申请涉及有监督机器学习技术领域，特别涉及房颤/非房颤分类器的生成方法、包括该分类器的房颤检测装置以及计算机存储介质。

背景技术

心房颤动(简称房颤，Atrial Fibrillation，AF)是最常见的持续性心律失常，且日益呈现低龄化。房颤时心跳频率往往快而且不规则，有时候可达100～160次/分，不仅比正常人心跳快得多，而且绝对不整齐。

现行房颤的检测算法可分为基于心房活动的分析和基于RR间期的分析。

通过心房活动分析(心电图分析)来检测房颤的原理，主要是依靠心房波(P波)的检测来判定是否发生房颤。由于体表的心电测试点未必都靠近心房，故在体表测试中P波的幅度远远小于QRS波的幅度且位置不固定，因此P波极易被淹没在QRS波、T波或者干扰信号中无法识别，因此造成诊断上的困难，因此传统心电分析技术对房颤的检测准确性一直有待提高。

基于RR间期的分析，是根据房颤发生时，RR间期绝对不规则的心电图特征，主要对房颤时RR间期的不规则程度进行分析评价。然而，现有的基于RR间期的机器学习生成房颤/非房颤分类器的方法，其提取的特征向量的维度较大，所采用的训练模型主要为非线性深度学习模型，非线性模型所涉及的硬件配置较高，学习速度较低，生成的分类器结构庞大，不适于移植到便携式检测设备中进行在线应用。

发明内容

本申请公开一种分类器的生成方法、包含所述分类器的房颤检测装置及存储介质。所述分类器的生成方法通过提取低维度的特征向量进行机器学习训练，提高样本的鉴别性，降低学习模型的复杂性。

为实现上述目的，本申请公开技术方案如下：

一方面，本公开提出了一种分类器的生成方法，包括：基于预先标记类型的心搏信号片段，提取心搏间期，得到心搏间期序列，其中，所述预先标记类型包括房颤和非房颤；基于所述心搏间期序列，计算心搏间期变异值，得到心搏间期变异值序列；对所述心搏间期变异值序列进行分组，提取各组数据的频数作为特征向量；对所述的标记类型和特征向量进行机器学习训练，生成所述分类器。

优选地，所述各组的组距不相等。

优选地，所述各组的组距的右端值等比递增。

在一种实施方式中，通过设置映射表或者求直方图的方式对所述心搏间期变异值序列进行分组。

优选地，所述机器学习基于线性回归模型，采用粒子群优化算法、遗传算法或者蚁群算法求解最优化模型参数；其中，机器学习模型的目标函数定义为

i表示训练样本序数，c_i表示第i个训练样本的特征向量，Y_i表示第i个训练样本的标记类型，x表示待求解的所述最优化模型参数，Dif表示预设的区分值。

其中，所述机器学习训练采用判式

对所述分类器进行测试验证，其中，j表示测试样本序数，c_j表示第j个测试样本的特征向量，N_j表示第j个测试样本包括的心搏间期的数量。

其中，各测试样本包括的心搏间期的数量非必须相等。