[发明专利]一种基于机器学习的心律分类系统

说明书

本发明公开了一种基于机器学习的心律分类系统，包括数据采集模块、数据预处理模块以及分类算法模块，数据采集模块采集受试者心电信号，数据预处理模块进行噪声分析与滤除，采用从其左间期采集45％的样本，相应右间期采集55％的样本，完成心拍的分割，最后进行归一化处理。在此基础上，构建了卷积神经网络(CNN)模型和编码解码模型的分类算法模块，利用CNN的良好特征提取能力和长短期记忆(LSTM)的时间序列特征提取能力，构建了分类模型，克服RNN本身无法很好处理远距离依赖的问题。本发明的平均灵敏度和平均精确度大幅度提升，在以避免复杂的特征提取，降低手动提取特征值对分类结果，同时提高心律分类的效果。

技术领域

本发明属于医疗设备技术领域，特别是，更为具体地讲，涉及一种基于机器学习的心律分类系统。

背景技术

近些年，随着物质水平的不断提升，人们越来越重视自身的健康状况。在各类疾病中，心脏病不仅是一种较为常见的疾病类型，更对人类的生命健康造成了较大的威胁。

心电图作为一种常见的心脏病检查手段，可以很好地反应心脏在每一时刻的状态，是作为医生确诊心脏病的一个重要参考依据。但心电图的识别仍然需要经验丰富的医务人员才能准确的诊断出病理所在。因此，利用智能医疗设备通过相关算法，实现及时监控当前病人的心脏跳动状态，对心律进行自动分类，具有很强的现实意义，是国内外学者的研究热点。

传统的心律自动分类的实现，主要可分为四部分：数据采集、数据预处理、特征提取以及分类器分类。

数据采集部分，可以通过相关医学诊断设备对受试者进行心电信号的采集，但由于需要对病人进行隐私保护，在大多数研究者的研究过程中，往往采用公开的心律数据集进行相关研究，常用的数据集为国际标准的MIT-BIH心律数据库。

数据预处理部分主要对采集的心电信号进行相关噪声的分析与滤除，为提高后续分类的效率提供基础。常见的噪声类型包括基线漂移、工频干扰、肌电干扰等。

特征提取部分，主要完成心电信号的波形定位、特征值提取等相关功能，处理结果是作为分类器输入部分的直接数据，对分类器的分类准确度有着至关重要的影响。常用的特征提取方法包括形态学和时间特征、小波变换、主成分分析(PCA)等。

分类器是心律自动分类的核心，是实现心律分类的最直接的技术。常用的分类器包括支持向量机SVM、逻辑回归算法、神经网络以及相关混合算法等。

在传统的分类器实现上，往往通过前三个步骤的输出结果，将提取出的心电信号的特征值作为输入，再利用相关分类算法构建分类模型，完成心律的自动分类。由此可知，提取特征值的质量大大影响了后续分类器的分类效果，同时由于手工提取特征值易产生较大的误差，因此，基于深度学习的心律分类算法在近年来成为学者的研究热点。深度学习由于其良好的特征提取能力，可以根据数据的特点，完成较好的特征提取以及分类两项功能，在一定程度上避免了复杂的特征提取工程，降低手动提取特征值对分类结果的影响。因此，对相关深度学习算法进行选择与设计，提高心律分类的效果，具有很强的理论和现实意义。

发明内容

本发明的目的在于克服现有技术的不足，提出一种基于机器学习的心律分类系统，在以避免复杂的特征提取，降低手动提取特征值对分类结果，同时提高心律分类的效果。

为实现上述发明目的，本发明基于机器学习的心律分类系统，包括：

数据采集模块，可以通过相关医学诊断设备对受试者进行心电信号的采集，得到心电信号；

其特征在于，还包括：

数据预处理模块，主要对采集的心电信号进行相关噪声的分析与滤除，然后以心电信号的每个心拍的R峰位置为中心，从其左间期采集45％的样本，相应右间期采集55％的样本，完成心拍的分割，得到一系列的心拍；最后用线性函数对每一个心拍进行归一化处理：