[发明专利]一种基于特征融合的ECG信号分类的方法

说明书

本发明公开了一种基于特征融合的ECG信号分类的方法，包括以下步骤：对原始连续时间内的心电数据预处理得到单心跳的离散数值样本，并对这些一维信号样本提取1D‑CNN卷积特征和PQRST数值特征；对提取的两种特征进行融合操作，使不同类型、不同维度的特征整合一体，作为单心跳的代表特征集；测试集和训练集的每个样本经过特征融合，可得到一个100维的特征向量；对特征融合后的样本进行分类，得到每种心电信号的分类精度。本发明提取出一维卷积特征和PQRST特征并将两者相融合的方法，从而提高心电信号计算机辅助诊断系统的准确率。

技术领域

本发明涉及机器学习技术与生物医学工程技术领域，尤其涉及一种基于特征融合的ECG(心电图)信号分类的方法。

背景技术

心律不齐导致的心血管疾病是全世界面临的一大健康难题，它能导致病患暂时性休克甚至猝死。当前，精确诊断与及时治疗是应对心血管疾病最为有效的措施。ECG是目前最主要的检测和诊断心脏疾病的手段。然而，在疾病的检查中产生的大量影像信息易使医生疲劳，且诊断精度受医师的职业能力、经验等主观因素影响。在此背景下，通过机器学习方法来判定心脏是否有问题或心脏疾病的具体类型成为一个得到广泛关注的研究热点。

在心脏疾病尤其是心律失常的计算机辅助诊断技术中，被检测者心跳所属的具体类型需要通过分类技术实现。为获得良好的诊断准确率，需找到可以准确描述心律失常心跳样本的特征量。常用的描述心跳的特征包括形态特征、纹理特征及小波特征等。专利“一种心电信号分类识别方法”(CN 107184198A)对原始心电图波形数据进行心电图节律信息和PQRST(心电图的五个基本波)波形的提取，获取心电图节律信息和PQRST波形的数字化数据，从而完成心电信号的分类识别，很好的发挥了形态学特征的作用。通常，更多的特征维数可以使分类器建模更加准确与稳定，从而提高分类准确率。但实际上，特征维数较高时，其中可能存在相互依赖或与分类目标不相关的冗余特征，这些特征的存在会使得运算复杂度升高，导致分析特征与训练模型所需的时间加长。同时，构建的分类模型也会更加复杂，导致其泛化能力下降，出现维数灾难。通过对从心跳信号提取出的特征进行选择，不相关或冗余的特征可被剔除，从而达到减少特征个数，提高模型精度并减少运行时间的目的。因此，在近年与心跳信号相关的多项研究中，特征选择得到了广泛应用。其中，专利“基于特征选择的心律失常分类方法”(CN106377247A)采用Relif(特征权重算法)的方法计算每种特征权重，根据特征权重指导种群初始化，并根据个体适应度好坏依据选择概率、交叉概率和变异概率分别进行选择、交叉和变异操作得到下一代，从而达到特征选择的目的。

但以上研究均是基于人工提取ECG信号特征的方法，特征提取和选择方案在实验中进行选择与组合，这不仅需要大量的实验进行验证，也考验人的分析与组合能力。并且将特征提取与特征选择分开进行，步骤多且易外界环境的影响。而近些年发展起来的深度学习技术恰好弥补了这一缺陷，它是集特征提取与选择为一体，对输入的原始样本能自动提取高度抽象化、最具代表性的特征，虽然深的网络耗时较大，但提取的特征冗余度小且操作简单，对分类精度的提高作用显著。专利“一种可移动心电图监测系统及监测方法”(CN106344005A)针对心电的数字型信号利用CNN(卷积神经网络)网络提取出代表性特征，运行速度快且能用于可穿戴设备的移植。但该方法提取的特征主要针对局部特征，对关键点位置特征，如PQRST位置的数值则不是很关注，而此五处关键点位置的数值对心跳类型起到了决定性作用，每种心跳的位置点信息数值是不同的。由此该类型特征对心跳的作用较为重要，不可被忽视。

发明内容

本发明提供了一种基于特征融合的ECG信号分类的方法，本发明提取出一维卷积特征和PQRST特征并将两者相融合的方法，从而提高心电信号计算机辅助诊断系统的准确率，详见下文描述：

一种基于特征融合的ECG信号分类的方法，所述方法包括以下步骤：

对原始连续时间内的心电数据预处理得到单心跳的离散数值样本，并对这些一维信号样本提取1D-CNN卷积特征和PQRST数值特征；