[发明专利]一种基于改进多基分类器集成的自动心律失常分析方法

权利要求书

1.一种基于改进多基分类器集成的自动心律失常分析方法，其特征在于，包括以下步骤：

S1：数据预处理，读入12导联的心电信号的数据,采用小波变换滤除原始心电信号中的工频干扰，采用巴特沃斯带阻滤波器滤除肌电干扰，采用中值滤波滤除原始心电信号中的基线漂移；

S2：心拍数据提取，通过小波变换检测R波位置，进而对R波前后数据点进行固定长度截取，从而完成对心拍数据提取；

S3：基分类器模型构建，包括用以对心电图数据进行心律失常自动分类的XGBoost分类模块、GBDT分类模块、BiGRU分类模块；其中，XGBoost作为第一基分类模块、GBDT作为第二基分类模块、GRU作为第三基分类模块，通过对训练数据进行K折交叉的划分，使得XGBoost输出K个第一分类结果，GBDT输出K个第二分类结果，BiGRU输出K个第三分类结果；

S4：模型融合，依据模型集成规则—Stacking，将分类模块产生的第一分类结果、第二分类结果及第三分类结果进行集成，得到集成数据，然后搭建好浅层神经网络以对心律失常集成数据进行分类；

S5：训练模型参数，初始化所述集成模型的参数，将构建好的数据集拆分为训练集和测试集；利用训练集样本对集成模型进行训练，生成所述集成模型的参数并保存；

S6:模型预测，对测试集样本进行自动识别，获得心律失常的二分类结果；

XGBoost分类模块，其作为第一分类模快，通过对训练数据进行3折交叉的划分，使得XGBoost输出3个第一分类结果，其中，对每个心电样本的预测表示为：

其中x_i∈R^12*600是第i个心电训练样本，f_k表示第k棵树，表示样本x_i的预测结果；在建模过程中不断优化目标函数，使其最小，表示为：

其中是样本训练误差，Ω(f_i)是树的正则项，XGBoost通过将Obj^t使用二阶泰勒公式展开得：

其中，g_i、h_i表示在第i个样本下泰勒展开式的一阶导数、二阶导数，通过公式可以得到Obj^t关于w_j的一元二次方程，由此找到使Obj^t取值最小的w_j，表示为：

其中，G_j＝∑g_i；H_j＝∑h_i，通过上述步骤完成第t棵树的建立，从而完成XGBoost模型的构建，并通过3折交叉验证的方式，分别产生针对训练集的预测结果A₁^XGBoost、A₂^XGBoost、A₃^XGBoost和对应的针对测试集的预测结果B₁^XGBoost、B₂^XGBoost、B₃^XGBoost；

GBDT分类模块，其作为第二分类模块，通过对训练数据进行3折交叉的划分，使得GBDT输出3个第二分类结果，表示为：

使用负二项对数似然作为损失函数，表示为：

L(y,F)＝ylog(P(y＝1|x))+(1-y)log(1-P(y＝1|x)),y∈{0，1} (5)

计算第m-1棵树的预测函数的当前梯度值：

其中F_m-1(x)是第m-1棵树的预测函数，x_i∈R^12*600是第i个训练集心电样本，为第i个样本的预测分类概率值，

将回归树作为基学习器，进行线性搜索以得到最优叶子节点值，使用Newton-Raphson近似：

其中R_m,j为第m棵树对应的叶子结点区域，第m棵树的预测概率函数如下：

F_m(x)为第m棵树的预测概率函数，预测样本的正分类概率为：

通过上述步骤完成第m棵树的建立，从而完成GBDT模型的构建，并通过3折交叉验证的方式，分别产生针对训练集的预测结果A₁^GBDT、A₂^GBDT、A₃^GBDT和对应的针对测试集的预测结果B₁^GBDT、B₂^GBDT、B₃^GBDT；

BiGRU分类模块，其作为第三分类模块，通过对训练数据进行3折交叉的划分，使得BiGRU输出3个第三分类结果，具体的，所BiGRU深度神经网络采用的公式如下：

z_t＝σ(W_z·[h_t-1,x_t]) (10)

r_t＝σ(W_r·[h_t-1,x_t]) (11)

所述公式10-13中：

h_t-1表示上一个神经元的输出；x_t表示本次神经元的输入；W_z表示更新门的权重；σ表示sigmoid函数；z_t表示更新门；r_t表示重置门；w_r表示重置门的权重；表示当前神经元的候选输出值；w表示输出状态的权重，tanh表示双曲正切函数；表示本次神经元的输出值，采用上述公式1-4分别计算t时刻BiGRU所对应的前向隐层状态h_t，和反向隐层状态h_t'，然后对h_t和h_t'加权求和得到t时刻的隐层状态h_t”，表示为：

h_t”＝w_th_t+v_th_t'+b_j (14)

其中，w_t、v_t分别表示t时刻h_t、h_t'对应的权重，b_j表示待训练的偏置，最后计算心律失常二分类结果，表示为：

其中，表示为输出的心律失常预测概率,w_i表示为待训练的权重系数矩阵；过上述步骤完成BiGRU模型的构建，并通过3折交叉验证的方式，分别产生针对训练集的预测结果A₁^BiGRU、A₂^BiGRU、A₃^BiGRU和对应的针对测试集的预测结果B₁^BiGRU、B₂^BiGRU、B₃^BiGRU；

步骤S4中，依据模型集成规则—Stacking，将各个分类模块产生的针对训练集上的第一分类结果、第二分类结果及第三分类结果进行行级别上的联结，得到集成数据，表示为：

X_I＝[A₁^I,A₂^I，A₃^I]∈R¹，I＝{XGBoost，GBDT，BiLSTM} (15)

然后对三个分类模块预测结果的行级拼接数据进行列级别上的再次拼接，作为三个数据特征，表示为：

X′＝[X^XGBoost，X^GBDT，X^BiLSTM]∈R³ (16)

再把上述得到的三个数据特征，拼接真实的心律失常标签，作为之后的浅层神经网络的输入，表示为：

其中，为拼接后的样本数据，负责训练之后的融合模型，Y是训练集样本对应的真实标签；

然后搭建好浅层神经网络以对心律失常集成数据进行分类，其中浅层神经网络模块为3层全连接神经网络，输入的数据为输入3维X数据到3层全连接神经网络中；

第一个全连接层单元的神经元个数为5个，全连接层单元后的激励单元为Relu函数，经过第一层全连接层单元后的特征图维度为5；

第二个全连接层单元的神经元个数为5个，全连接层单元后的激励单元为Relu函数，经过第一层全连接层单元后的特征图维度为5；

第三个全连接层单元的神经元个数为1个，全连接层单元后的激励单元为Sigmoid函数，经过第一层全连接层单元后的特征图维度为1；

所述全连接神经网络采用的公式如下：

其中a^l是第l-1层的输出，a^l-1，b^l-1，W^l-1，f是第l-1层的激活值、偏置、权重和激活函数；

将12导联信号进行上述集成模型的操作后，输出心律失常的预测结果，输出结果的最终表示为：

其中，a³，b³，W³，f是第三层神经网络的输入特征、偏置、权重和激活函数；

步骤S5中，初始化宽深神经网络的参数，将构建好的数据集随机抽取70％数目的样本当作训练集，其他30％的样本视为测试集；利用三个基分类器，对训练集中的样本继续进行3折交叉验证，并将验证的结果作为融合模块的输入，训练融合模块；每迭代一次更新一次训练参数，直至最后三个基模型及最终的集成模型的损失函数稳定在某一数值附近，停止训练并保存当前网络的训练参数和模型结构信息。