[发明专利]基于TSK模糊语义的心律失常分类方法及系统

说明书

本发明公开的一种基于TSK模糊语义的心律失常分类方法及系统，包括：获取心电信号数据，并对其进行预处理；进行QRS波群的定位、TP波群的定位，并进行特征选择以及特征提取；将所得到的数据样本集随机划分为训练集和测试集，训练集输入到TSK模糊分类器当中训练该模型，设置模糊规则数目，通过前件参数的识别和后件参数的优化，对网络进行调整，获得优化后的TSK模糊分类器模型；将测试集数据输入到训练好的TSK模糊分类器模型当中，通过网络结构内部训练好的模糊规则对测试集数据进行推理，最后，网络输出值的大小比较来进行类别的判决。本发明所提出的模型空间复杂度低，可解释性强，并且对于心率失常的识别率效果好。

技术领域

本发明涉及智慧医疗技术领域，更具体的，涉及一种基于TSK模糊语义的心律失常分类方法及系统。

背景技术

根据世界卫生组织的统计数据，每年因心血管疾病而死亡的人数在逐年的递增，心血管疾病因有隐蔽性高，致死率高，疾病种类繁多等特点。近年来，对于心电信号的诊断主要是心脏病专家根据自己已有的经验进行人工诊断，增加了误诊，漏诊的风险。 随着人工智能领域的发展，智慧医疗也逐渐地应运而生得到了极大的促进，与此同时，研究人员将心律失常的诊断与人工智能技术相结合，研究出了心电信号自动分析系统来辅助心脏病医生诊断。而目前的智慧医疗诊断系统依然存在正确率低，可解释性差的问题。如何解决诊断系统的正确率低，可解释性差的问题，是当前医疗诊断领域亟待解决的一大难题，同时也给我们带来了挑战与机遇。

目前，实现心律失常分类的方法主要包括神经网络与机器学习的方法。神经网络的方式主要是通过向模型投喂大量的训练数据，训练出相应的模型，存在着空间复杂度高，训练缓慢的问题；机器学习的方式在遇到大数据量，高维数据时训练变得十分缓慢，实现的正确率比较不理想，这两种方式在实际的应用当中都存在着不同的缺点。可解释性差在医生的医疗诊断中显得十分不友好，通过模型的可靠性，可解释性可以增加诊断的效率。因此，急需发明一种能够解决模型可靠性，可解释性的心律失常分类技术，以更好地应用于智慧医疗诊断系统。

发明内容

为了解决上述技术问题，本发明提出了一种基于整体动态特征的心电信号分类方法及系统。

本发明第一方面提供了一种基于整体动态特征的心电信号分类方法，包括：

获取心电信号数据，并对所述心电信号数据进行预处理；

根据预处理后的心电信号数据进行QRS波群的定位、TP波群的定位，同时进行特征选择以及特征提取；

将所得到的数据样本集分为训练集和测试集，训练集输入到TSK模糊分类器模型当中训练该模型，同时设置模糊规则的数目，通过前件参数的识别和后件参数的优化，对网络进行调整，获得优化后的TSK模糊分类器模型；

将测试集数据输入到训练好的TSK模糊分类器模型当中，通过网络结构内部训练好的模糊规则对测试集的数据进行推理，最后，网络输出值的大小比较来进行类别的判决。

本方案中，根据预处理后的心电信号数据进行QRS波群的定位、TP波群的定位，同时进行特征选择以及特征提取，具体为：

通过小波方式，预处理将原始心电信号数据中包含的高频噪声和基线漂移滤除掉；

基于二进样条4层的小波变换方法对R波进行检测，通过与预设阈值进行对比，提取出R波；

获取R波后进行R波点的补偿，根据R波的位置在1层细节系数下的前三个极点获取Q波，根据R波的位置在1层细节系数下的后三个极点获取S波；

通过极大值与极小值根据4层细节系数的特征分别检测出T波与P波；