[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

说明书

本申请公开了基于2D心拍的特征融合迁移学习心律失常分类系统，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。

技术领域

本申请涉及心率时长分类系统技术领域，特别是涉及基于2D心拍的特征融合迁移学习心律失常分类系统。

背景技术

本部分的陈述仅仅是提到了与本申请相关的背景技术，并不必然构成现有技术。

传统的心律失常分类方法主要有两类，其一是特征提取结合机器学习方法，其二是无需特征提取的深度学习方法。

基于特征提取的机器学习方法：传统的机器学习算法需要依据先验经验由人工提取包括时域、频域等各方面特征等，之后再训练合适的机器学习分类器，因此所提取特征的优劣影响最终分类结果。Thaweesak等人通过使用二级分类研究输入特征维度固定且自由选择的SVM的性能，其方法的缺陷在于特征维度必须固定，这就限制了特征的扩展，造成提取的特征偏少，影响最终分类精度。Nasiri J.A.等人从心电信号中提取了22个特征，将遗传算法与支持向量机结合，一定程度上增强了模型的泛化性能，其方法提取的特征太少，不能反映信号中全面信息，使得精度难以进一步提高。这两种方法各自能识别出三种和四种类型的心律失常，但提取的特征都较少。Ozcift等人提出了一种基于随机森林的利用数据重采样策略训练RFs的方法。另外，随机森林的变体也被用于心电图分类。如斜向随机森林(ORAF)也被用于对心电图进行质量评价。随机森林在机器学习分类问题的具有一定的可解释性，但其精度和泛化能力仍然受限于所提特征的质量。

可见传统机器学习算法在前期提取特征时比较依赖先验知识。这种方法对提取出的特征要求比较严格，分类器的设计十分受限于特征提取对心电信号内在性质和所含信息的反映能力，也使得心拍分类的性能依赖于特征选择的正确性、真实性，且人工特征选择的机器学习分类法，泛化能力有限。因此这种传统的人工提取特征+机器学习分类法，难以适用于复杂多变的临床数据和应用中。

基于深度学习方法：目前，深度学习的优势在于无需人工提取先验特征，直接对经过预处理后的原始心电信号进行分类得到结果。目前经典的基于深度学习方法在心律失常分类中大多是基于原始一维心电数据。Kiranyaz等人用一维深度卷积神经网络(1-D CNN)在分类识别心律失常基准数据库MIT-BIH arrhythmia benchmark database中的心室异搏和室上异位搏动中取得优异性能。Rajendra Acharya等人也用了一种一维深度卷积神经网络对MIT心律失常数据库MIT-BIH arrhythmia database的15种心律失常进行识别，在和其他13种心律失常的各种机器学习分类方法对比，相对分类精度较高。Sayantan G等人利用深层置信网络和主动学习对心电图节拍进行分类，但是该方法仅是用一维高斯-伯努利深度信念网络学习ECG的特征表示。Shi等人提出一种新型多输入深度学习网络并将其用于房颤检测，然而这种基于主动和迁移学习的方法仍然是用一维心电数据。事实上，由于采集到的心电数据是一维形式，因此上述1-D CNN方法在用于对心电信号心律失常分类中，具有运行速度快，结构简单等优点，然而由于一维数据中蕴含的信息有限，未能全面反映数据中所蕴含的心脏生理变化的全部信息，因此这种1-D CNN方法的分类精度难以进一步提高。Mashrur等人用小波变换将一维心电信号转换为二维时频图，再用AlexNet卷积神经网络学习识别房颤，然而小波变换得到的仍然是窄带信号，无法准确得到单一频率信息。

发明内容

为了解决现有技术的不足，本申请提供了基于2D心拍的特征融合迁移学习心律失常分类系统；

第一方面，本申请提供了基于2D心拍的特征融合迁移学习心律失常分类系统；