[发明专利]一种基于心血管系统电-机械活动信息的房颤分级方法

权利要求书

1.基于心血管系统电-机械活动信息的房颤分级方法，其特征在于具体步骤如下：

（1）对采集到的反映生物个体心血管系统电-机械活动的多路生理信号进行预处理，即对采集到的多路生理信号先进行裁剪片段、重采样和归一化操作，接着采用滤波或其他方法去除基线漂移、工频、呼吸、运动伪迹和肌电噪声的干扰，得到多路信号的一维信号片段；

（2）对于步骤（1）得到的多路信号的一维信号片段，根据每一路信号片段的生理意义提取相应的特征点，特征点通常反映了心血管系统的重要信息；

（3）对于每一路信号片段，根据步骤（2）中提取的特征点采用数学运算进行数据层的特征融合，得到每个片段对应的一组特征向量；

（4）对步骤（3）得到的特征向量使用特征降维技术进行特征层的特征融合，实现对原有特征向量的降维，为提高后续分类器的性能打下基础；

（5）经过步骤（4）后，特征向量的维度得到降低，将每一路信号片段对应的降维后的特征向量组成数据集，并划分为训练集与测试集；

（6）利用机器学习的方法建立房颤分级模型，实现对房颤的分级：将步骤（5）中获得的训练集输入到机器学习算法建立的初始模型中进行训练，并优化模型参数，得到房颤分级模型；将测试集数据输入房颤分级模型进行测试，检验该模型的准确率。

2.根据权利要求1所述的方法，其特征在于步骤（1）采集能够反映心血管系统电-机械活动的生理信号，所述生理信号为心电信号、脉搏波信号或心冲击信号中任一种。

3.根据权利要求1所述的方法，其特征在于步骤（3）中对于多路生理信号特征点的特征提取和数据层的特征融合，所述方法包含如下三种：

a. 针对每一路信号，选取该片段内所有特征点的幅值序列，然后计算幅值序列的统计量；

b. 针对每一路信号，选取该片段内所有特征点与前一个特征点的时间差序列，然后计算序列的统计量；

c. 对多路信号在同一心拍内的特征点进行数学运算获得时间序列，计算该时间序列的统计量。

4.根据权利要求1所述的方法，其特征在于步骤（4）中的特征层的特征融合，所采用的方法为主成分分析、典型相关分析、交替方向乘子法或线性特征依赖模型中任一种。

5.根据权利要求1所述的方法，其特征在于步骤（6）中使用机器学习的方法对特征向量进行分类：其数据集由多路生理信号经过不同层次的特征融合后得到，然后将数据集划分为训练集与测试集，训练集用于训练机器学习算法建立的初始模型以获得房颤分级模型，测试集用于房颤分级模型在未知数据集上的房颤分级性能。