[发明专利]基于2D心拍的特征融合迁移学习心律失常分类系统

权利要求书

1.基于2D心拍的特征融合迁移学习心律失常分类系统，其特征是，包括：

获取模块，其被配置为：获取目标心电信号；

重构模块，其被配置为：将目标心电信号由一维重构为二维心电信号；

特征提取模块，其被配置为：将从二维心电信号中分别提取第一特征和第二特征；

特征融合模块，其被配置为：将第一特征和第二特征进行融合处理；

分类模块，其被配置为：将融合后的特征输入到训练后的分类器中，输出当前目标心电信号对应的心律失常分类结果。

2.如权利要求1所述的基于2D心拍的特征融合迁移学习心律失常分类系统，其特征是，所述获取模块之后，所述重构模块之前，还包括：

预处理模块；所述预处理模块，包括依次连接的去噪单元、R波检测单元和心拍提取单元；

所述去噪单元，其被配置为：对获取的目标心电信号进行去噪处理；

所述R波检测单元，其被配置为：对去噪处理后的目标心电信号，进行R波定位；

所述心拍提取单元，其被配置为：基于R波定位点，截取M个点，得到一个心拍；基于若干个R波定位点，得到若干个心拍。

3.如权利要求2所述的基于2D心拍的特征融合迁移学习心律失常分类系统，其特征是，

所述去噪单元，具体包括：

小波分解子单元，其被配置为，基于设定的分解层数，对目标心电信号进行小波分解；

阈值量化子单元，其被配置为：对第一层到第P层高频系数，选择软阈值或硬阈值进行量化处理；所述P为大于1的正整数；

一维小波重构子单元，其被配置为：根据小波分解的第P层低频系数和第一层到第P层高频系数进行一维小波重构。

4.如权利要求2所述的基于2D心拍的特征融合迁移学习心律失常分类系统，其特征是，

所述R波检测单元，采用Pan-Tompkins算法定位R波；

所述心拍提取单元，基于R波定位点，分别向左取M1个点，向右取M2个点，共计取M个点。

5.如权利要求1所述的基于2D心拍的特征融合迁移学习心律失常分类系统，其特征是，

所述重构模块，具体被配置为：

先采用希尔伯特-黄变换HHT，对目标心电信号重构为新的解析信号；

再采用WVD变换对新的解析信号进行处理，得到二维时频图。

6.如权利要求1所述的基于2D心拍的特征融合迁移学习心律失常分类系统，其特征是，

所述特征提取模块，具体包括并列的第一网络和第二网络；所述第一网络为ResNet-101，所述第二网络为CNN；

所述ResNet-101，是由图像数据库ImageNet预训练得到的；

所述CNN，是由二维时频图训练得到的；

所述ResNet-101，用于提取二维心电时频图的图像特征；

所述CNN，用于提取二维心电的心电特征；

或者，

所述CNN的具体结构包括：

依次连接的输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、第四卷积层、第四池化层、全连接层和输出层。

7.如权利要求1所述的基于2D心拍的特征融合迁移学习心律失常分类系统，其特征是，

所述分类模块的训练后的分类器；具体训练过程包括：

构建心率失常分类模型；

所述心率失常分类模型，包括：依次连接的特征提取模块、特征融合模块、全连接层和Softmax分类器；

构建训练集和测试集，所述训练集和测试集均为已知心率失常分类结果的二维心拍时频图；

将训练集和测试集，输入到心率失常分类模型中，进行训练，得到训练好的心率失常分类模型。