[发明专利]穿戴式动态心电信号分类方法及系统

说明书

本发明提供一种穿戴式动态心电信号分类方法及系统，属于心电信号分析技术领域，获取待分类的原始心电信号；利用预先构建的小波散射网络提取待分类的心电信号的小波散射系数，利用小波散射系数计算散射特征矩阵，并转化为散射特征图；利用预先训练好的分类模型对散射特征图进行处理，得到心电信号的分类结果。本发明将穿戴式动态信号分为三类，构建了信号分类数据库；提出了导联脱落和纯噪声的判断准则，降低了计算成本；利用Gabor小波函数和尺度算子搭建了小波散射网络，利用小波散射网络对三类信号提取小波散射系数，构建散射特征矩阵，利用机器学习方法LSTM提取散射矩阵特征并进行分类，实现了穿戴式动态心电信号的自动精准分类。

技术领域

本发明涉及心电信号分析技术领域，具体涉及一种穿戴式动态心电信号分类方法及系统。

背景技术

对于心血管病的早期预防、连续监测，动态长时间监测环境下，不同运动状态体内外噪声、运动伪迹变化多样，信号噪声严重，且噪声种类和程度不可预期，穿戴式信号质量复杂多变难以控制，易受诸如身体移动、环境噪声、电磁等干扰，从而降低信号质量，产生误报警。海量数据中的冗余信息与居高不下的误警率不仅导致医疗资源浪费，且会造成医生懈怠甚至误诊。因此，动态生理数据必须先进行质量评估，将其分为不可用于和可用于临床的信号，达到去粗留精、去伪存真的目的，从而提高效率和诊断质量。

目前，关于心电信号质量评估主要基于质量评估指标的提取，质量评估指标提取主要涉及到时域、频域，非线性域和空间形态信息等。Newcastle大学Murray课题组提出的频域测度，Langley等人使用直线、基线抬高、基线漂移、过低振幅、过高振幅、峭度等6个波形特征进行质量评估，Zaunseder等人结合功率谱提出35个频域指标。这些方法在实际应用中通常很难合理设定各种阈值参数，导致应用于不同场景和不同导联时泛化能力较弱。

针对心电信号的处理，小波变换利用时频域精准定位特性能够有效的分析非平稳的心电信号，但是无法保持尺度变换的稳定性。

发明内容

本发明的目的在于提供一种基于小波散射网络的穿戴式动态心电信号分类方法及系统，以解决上述背景技术中存在的至少一项技术问题。

为了实现上述目的，本发明采取了如下技术方案：

一方面，本发明提供一种穿戴式动态心电信号分类方法，包括：

获取待分类的原始心电信号；

利用预先构建的小波散射网络提取待分类的心电信号的小波散射系数，利用小波散射系数计算散射特征矩阵，并转化为散射特征图；

利用预先训练好的分类模型对散射特征图进行处理，得到心电信号的分类结果；其中，所述预先训练好的分类模型由训练集训练得到，所述训练集包括多个心电信号以及标注心电信号的类别的标签。

优选的，基于尺度函数和小波函数构建了三层小波散射网络，生成0阶散射系数、1阶散射系数和2阶散射系数。

优选的，待分类的心电信号与尺度函数卷积，获得0阶小波散射系数；待分类的心电信号与一阶小波函数卷积，并经过非线性模运算生成一阶散射传播算子；一阶散射传播算子与尺度函数卷积获得一阶小波散射系数；一阶散射传播算子与二阶小波函数卷积，并经过非线性模运算生成二阶散射传播算子；二阶散射传播算子与尺度函数卷积获得二阶小波散射系数。

优选的，基于信号的长度与采样频率，确定尺度函数保持平移不变性的最大尺度因子，即时间支持度。

优选的，训练分类模型的基础网络为长短期记忆神经网络。

优选的，所述训练集来自于质量评估数据库，所述质量评估数据库中包括人工标注完成的多条心电信号，其中，心电信号的类别包括可用于疾病检测和诊断的干净信号、可用于心率提取的轻度污染信号、需要剔除的噪声污染严重信号。