[发明专利]一种基于贝叶斯先验概率的心率融合标注方法及其系统

权利要求书

1.一种基于贝叶斯先验概率的心率融合标注方法，其特征在于，包括：

S1，心电信号读取：读取初始心电信号数据集；

S2，心电信号预处理：对步骤S1读取的初始心电信号数据集进行滤波、去噪；

S3，心电信号分割：将步骤S2预处理后的心电信号截取为若干条一定长度的数据样本；

S4，心电数据样本特征提取：从步骤S3的数据样本中提取特征向量；

S5，心电数据样本心率多标注：根据心电数据的导联类型，对步骤S3的数据样本进行心率多标注，若为单导联数据库，则采用多个心率标注器对步骤S3的数据样本进行心率标注，获取心率多标签值；若为多导联数据库，也就是说导联数大于3的情况下，则采用一个心率标注器对步骤S3的所有导联数据进行心率标注，多导联的心率标注结果可类比于多标注器，从而获取心率多标签值；

S6，心率多标签值概率建模：首先单独建立心率真值模型和多标注器模型，根据步骤S4提取的心电数据样本的特征向量建立心率标签的真值模型，根据步骤S5获取的心率多标签值构建多标注器模型，然后将两个模型联合起来构成本发明的融合模型；

S7，心率融合模型初始化：对步骤S6构建的融合模型中的参数进行初始化；

S8，心率融合模型求解：对步骤S7中初始化后的模型求解，利用样本信息对参数的初始估计值进行调整和修正，并通过期望最大化算法迭代求解模型中的参数和潜在标注真值，直到收敛；

S9，心率真值标签获取：对步骤S8收敛后的融合模型获取所有数据样本的最终真值标签以及各标注器的标注精度。

2.根据权利要求1所述的基于贝叶斯先验概率的心率融合标注方法，其特征在于，所述步骤S6中的真值模型包括：

心率标签真值和心电特征向量的线性回归模型，由于各样本数据的真实标签往往与其样本特征有关，因此使用线性回归模型来模拟样本数据的标签真值和其特征向量的关系；

所述多标注器模型包括：

多标注器提供的心率值标签服从高斯分布，假设各标注器提供的注释是独立同分布的，根据中心极限定理，它们将收敛到高斯分布；

所述真值模型与多标注器模型联合后的融合模型包括：

多标注器的标签服从以标签真值为均值且以标注器精度的倒数为方差的高斯分布。

3.根据权利要求2所述的一种基于贝叶斯先验概率的心率融合标注方法，其特征在于，所述真值模型与多标注器模型联合后的融合模型中包括标注器偏差的模拟，由于每个标注器的注释与对应的真值标签之间存在一定偏差，因此加入变量来模拟标注器的固有偏差，其含义为标注值与真值之间的平均误差，误差大小不仅与标注器的自身属性有关，还可能受到数据集信号质量的影响，因此在没有任何关于标注器固有偏差的潜在分布知识的情况下，假设偏差满足高斯分布；因为精度参数都是正连续值分布，因此假设融合模型中的其余精度参数为Gamma分布。

4.根据权利要求1所述的一种基于贝叶斯先验概率的心率融合标注方法，其特征在于，所述步骤S8中的模型求解方法包括：

把模型的待估参数看成符合贝叶斯先验概率分布的随机变量，之后采用贝叶斯准则对样本进行观测，即把参数的先验概率密度转换为后验概率密度，并使用最大后验估计的参数估计方法结合期望最大化算法来求解，迭代求解模型中的参数和潜在标注真值，直到收敛。

5.根据权利要求4所述的一种基于贝叶斯先验概率的心率融合标注方法，其特征在于，所述期望最大化算法的求解过程包括：

采用期望最大化算法进行两步迭代，第一步是计算期望，利用对当前参数的现有估计值，计算在给定观测值和参数的条件下未观测数据的条件概率分布的期望；第二步是最大化，利用在第一步求得的潜在变量估计值来最大化参数的后验估计，直到收敛。