[发明专利]一种基于特征提取的心电信号分类识别方法及系统

说明书

本发明提出一种基于特征提取的心电信号分类识别方法及系统，基于训练模式和测试模式展开，对于训练模式下的连续心电信号时间序列进行分析处理，在提取P波、QRS波、T波的时变数据序列的主成分数据向量的基础上，利用神经网络对时变数据下位置的非线性高阶导数模型的信息和变化规律进行建模和逼近，使得所提取的特征更能反映心电信号的本质时变特性，从而对复杂条件的改变具有更好的容错性，测试模式下对连续心电时间序列使用相同的分析处理步骤，通过提取两种模式下不同的心电时域非线性指标，反映心电系统的非线性特性，方便对不同条件下的心电模式进行比较，然后用于心电信号分类，识别过程简单迅速，准确率高。

技术领域

本发明涉及的医学特征识别的技术领域，更具体地，涉及一种基于特征提取的心电信号分类识别方法及系统。

背景技术

当前，心血管疾病的发病率和死亡率日渐增高，医学识别技术的提高与新型医疗设备的发展一直以来都是医疗领域发展的重点，包括冠状动脉CTA、冠状动脉造影在内的多项影像学技术，已成为当今临床检测心脏健康状态的主要手段。实际上，部分心血管疾病患者虽然具有客观明显的病理生理改变，却不伴有心绞痛等典型症状，还有部分患者由于担心冠脉CT、冠状动脉造影会对身体产生辐射和创伤，往往也不会主动检查，所以难以发现自身较隐匿的疾病，这部分患者具有很高的潜在风险。

心脏在机械活动中不断伴随着生物电，这种心脏活动通过肌体组织从心脏传导至体表，在体表的不同部位形成不断变化的电位差，通过电极-导联的传送，利用心电检测设备，记录下的心电变化曲线即十二导联心电图，通过在人体胸腔和肢体表面放置电极，记录特定位置上的心电图波形，医生根据心电图波形的振幅和时序可以大致推断出心脏的搏动状态是否有异常。随着计算机技术的快速发展，基于心电信号的智能分析与智能检测涌现出很多有价值的工作，但现有的大多工作都只从心电信号的静态特性角度出发，如提取的统计学特征及时域和频域特征。如现有技术中公开了一种心电信号识别分类方法，基于ResNet深度神经网络构建十二导联心电信号Embedding模块；对输入样本进行重采样，将每一个导联当作不同的通道，输入一维ResNet网络；对构建好的Embedding模块利用训练集进行训练，其中，共有N种心电信号；利用训练好的Embedding模块对所有的心电信号做N维向量的词嵌入，最终每一条心电信号生成长度为N位的向量，每一位表示属于某一种心电信号的概率；提取心电信号的基础特征和形态特征；将心电信号经过Embedding模块之后获得的N维向量结合所提取的特征当作输入，将N种心电信号当作N个二分类输出，基于LightGBM建立N个二分类模型；利用所建立的二分类模型进行心电信号识别分类，该方案能够从心电信号中自动提取有效特征进行心电类型识别，提高了识别效率和准确率，但当心电信号变化不明显或者肉眼无法观察病理变化的情况下，这些检测方法仍面临着对诊断识别率较低的问题。事实上，大部分正常个体的心电信号除了极不稳定情况，在一定时间段内是保持动态稳定的。若能基于体表心电信号挖掘出深层次的动态信息，并对此动态信息进行特征提取，进而探究正常个体与心血管疾病个体之间的差异性，显然可以协助心血管疾病的早期筛查，对心血管疾病及早干预提供指导性的建议。

发明内容

为解决现有心电信号分类识别方法识别率低的问题，本申请提出了一种基于特征提取的心电信号分类识别方法及系统，直接基于体表十二导联心电信号进行分析处理，反映心电的非线性特性，特征纬度低，识别过程简单迅速，准确率高。

为了达到上述技术效果，本发明的技术方案如下：

一种基于特征提取的心电信号分类识别方法，所述方法包括：

S1.获取训练模式所需的连续心电信号时间序列；

S2.确定全部心动周期中P波、QRS波、T波的时变数据序列，提取P波、QRS波、T波时变数据序列的主成分数据向量；

S3.分别建立P波、QRS波、T波的高阶导数模型；