[发明专利]一种基于单导联的心电信号自动分类方法

权利要求书

1.一种基于单导联的心电信号自动分类方法，其特征在于，包括以下步骤：

步骤1、动态采集人体心脏产生的周期性心电信号并进行预处理操作；

步骤2、对预处理后的心电信号进行峰值检测和分割处理；

步骤3、对分割后的信号进行特征提取，包括经验模态分解、获取投影特征、获取数学特征；

步骤4、将提取的特征输入到XGboost进行实时分类；

步骤3具体包括：

3.1经验模态分解能保留数据中的震荡信息，通过样本熵、变异系数、奇异值和频带幂分别得到数据的变异情况、时间序列复杂度，从而得到不同类型的数据，具体操作是对分割后信号进行经验模态分解得到数据的一系列固有模态函数分量，随后提取固有模态函数的样本熵、变异系数、奇异值和频带幂四个参数特征；

3.2对分割后的数据做高斯随机投影矩阵φ变换，获取数据的投影特征，其作用是具有压缩感测的特性，能保留数据中最重要的信息，并降低维数，矩阵的行数M确定为30，列N固定为210，最后得到30维的特征向量；

3.3通过埃尔米特多项式拟合，获取信号的数学特征，提高分类器的识别能力，其步骤是提取多项式系数，设置度数分别为3、4、5，然后将得到的三种拟合函数的系数拼接为一个15维的特征向量；

3.4计算区间极值2-范数，通过2-范数来表示信号的能量强度，从能量变化的角度区分信号，具体方法是将一个信号片段分成4个部分，计算第一部分的最大值A_max＝max(x₁，……，x_n)；计算第二部分的最小值B_min＝min(x_n+1，……，x_2n)；计算第三部分的最小值C_min＝min(x_2n+1，……，x_3n)；计算第四部分的最大值D_max＝max(x_3n+1，……，x_4n)；最后计算2-范数得到4维的特征向量。

2.如权利要求1所述的基于单导联的心电信号自动分类方法，其特征在于，所述步骤1包括：

1.1采用Websocket接收客户端采集的单导心电信号，采样频率为250Hz，每次接收10秒的数据量；

1.2将接收到的心电信号使用小波中值阈值法去除极限漂移、肌电干扰噪声，阈值函数的数学表达式为：其中δ为噪声方差，其估计值：n为小波系数向量长度；L为小波系数分解层数，确定为3；K为当前层，取值范围{2，3}；小波基函数确定为DB1；

1.3将训练集/测试集数据标签转化成对应的5类标签(N、S、V、F、U)。

3.如权利要求1所述的基于单导联的心电信号自动分类方法，其特征在于，所述步骤2包括：

2.1将步骤1得到的心电信号使用Pan-Tompkins方法进行QRS波群检测，首先对信号进行微分获得QRS斜率信息，接着求平方加强导数的频率响应曲线斜率，限制由高于一般光谱能量的T波引起的假阳性，进而使用移动窗口积分产生关于QRS波斜率和宽度信息的信号，最后根据自适应阈值来确定R波位置；

2.2以R波为基准计算RR间期特征，包括前RR间期、后RR间期和当前RR间期，其中前RR间期的计算方法是：preR＝X_n-X_n-1；后RR间期的计算方法是postR＝X_n+1-X_n；当前RR间期：localR＝(X_n-10+X_n-9…+X_n)/10；

2.3对得到R波位置的心电信号进行分割，取R波前70个点、后140个点组成长度为210的片段，作为信号特征提取的输入信号。

4.如权利要求1所述的基于单导联的心电信号自动分类方法，其特征在于，所述步骤4包括：

4.1将步骤三得到的特征向量进行标准化，计算特征的平均值mean和标准差std，分别使训练集与测试集的特征向量符合均值为0，方差为1的正太分布；

4.2XGboost模型的参数分为三种，通用参数选用基于树的模型，线程数设置与运行计算器的线程数相同；boost参数学习率设为0.15，损失函数设置为0；学习目标参数objective设为softprob，输出各个类别的概率值；

4.3根据处理好的训练集特征向量训练XGboost模型，通过测试集评价模型准确性；

4.4对于信号预测，重复步骤1、2、3，通过已训练的模型，给出预测参考值。