[发明专利]基于机器学习的心电设备导联倒置识别方法

摘要

本发明公开基于机器学习的心电设备导联倒置识别方法，包括以下步骤：正常导联数据采集、生成倒置导联数据、数据预处理、特征提取、模型训练、模型预测；能够实现导联倒置的自动识别，该识别过程不依赖与医务人员的参与，而是根据已有的历史数据，建立机器学习模型，使该模型能够自动判断采集的心电信号是正常导联还是倒置导联。

主权项

1.基于机器学习的心电设备导联倒置识别方法，其特征在于，该方法由以下组成：步骤一，正常导联数据采集，对于任意一条心电信号数据，记该数据为Xn∈Rn，其中n为该信号的数据长度，Xn[i]表示Xn的第i个电压值，Rn为n维实数空间，正常导联数据的分类标签Ln记为数值0，表示该数据“是倒置导联的概率为0”；步骤二，生成倒置导联数据，对于任意一条正常导联心电信号数据Xn，生成倒置导联数据Xr，其中Xr[i]＝‑Xn[i]，倒置导联数据的分类标签Lr记为数值1，表示该数据“是倒置导联的概率为1”；步骤三，数据预处理，从正常导联心电信号数据和倒置导联心电信号数据集合中提取心电信号数据的特征值，用X表示任意一条心电信号数据，L表示该心电信号数据的标签，将X中的所有电压值归一化为均值等于0、方差等于1的正态分布，即：其中其中u表示均值，σ表示方差，将和X_归‑化进行合并，原始的单通道心电信号数据转换为双通道的心电信号数据X_双通道∈R^n×2；步骤四，特征提取，在双通道的心电信号数据上提取双通道的特征X双通道∈Rn×2，每个通道的特征值的数量是36个，包括：最值：F最大值＝max(X)，F最小值＝min(X)，分位数：Fp分位数＝percentile(X,p)，跨度：Fp,q跨度＝percentile(X,p)‑percentile(X,q)，将双通道的特征值组合为单个维度的特征向量D∈R72，每条原始导联数据对应固定维度的特征向量，基于特征向量构建机器学习模型，用H表示分类器模型，输入是心电信号提取的特征向量D，输出是该心电信号的预测结果，0表示为正常导联心电信号数据，1表示为倒置导联心电信号数据；步骤五，模型训练，分类器的模型训练需要数据和标签两部分，对于导联倒置识别任务，数据是特征向量D，标签是L，模型训练过程与机器学习中分类器训练过程相同，保存训练完毕的分类器模型H，不需要保存原始的训练数据X、特征向量D和标签L；步骤六，模型预测，在预测阶段，对于任意一条新到来的原始心电信号数据Xnew，经过同样的数据预处理、特征提取，得到特征向量Dnew∈R72，输入分类器模型H，计算得到预测结果Y。