CN109960968A - 分类器的生成方法、房颤检测装置及存储介质 - Google Patents
分类器的生成方法、房颤检测装置及存储介质 Download PDFInfo
- Publication number
- CN109960968A CN109960968A CN201711402020.1A CN201711402020A CN109960968A CN 109960968 A CN109960968 A CN 109960968A CN 201711402020 A CN201711402020 A CN 201711402020A CN 109960968 A CN109960968 A CN 109960968A
- Authority
- CN
- China
- Prior art keywords
- int
- heartbeat interval
- atrial fibrillation
- classifier
- variation value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 206010003658 Atrial Fibrillation Diseases 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000001514 detection method Methods 0.000 title claims abstract description 27
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 49
- 239000013598 vector Substances 0.000 claims abstract description 32
- 238000010801 machine learning Methods 0.000 claims abstract description 27
- 239000000284 extract Substances 0.000 claims abstract description 10
- 238000012360 testing method Methods 0.000 claims description 27
- 230000016507 interphase Effects 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000012417 linear regression Methods 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- 230000002068 genetic effect Effects 0.000 claims description 2
- 230000015654 memory Effects 0.000 description 14
- 239000002245 particle Substances 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000001746 atrial effect Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000001788 irregular Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 206010003119 arrhythmia Diseases 0.000 description 1
- 230000006793 arrhythmia Effects 0.000 description 1
- 206010061592 cardiac fibrillation Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000002600 fibrillogenic effect Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 210000002837 heart atrium Anatomy 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013186 photoplethysmography Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
- 210000000707 wrist Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
- G06F2218/16—Classification; Matching by matching signal segments
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明提供一种分类器的生成方法、房颤检测装置及存储介质,所述房颤检测装置和所述存储介质通过所述分类器对被检测信号进行房颤/非房颤分类检测。分类器的生成方法包括:提取预先标记类型的心搏信号片段的心搏间期;计算心搏间期的变异值;对若干心搏间期变异值进行分组,提取各组数据的频数作为特征向量;对所述的标记类型和特征向量进行机器学习训练,生成所述分类器。本发明的分类器的生成方法,能够降低原始特征的维度,提高样本的鉴别性和对噪声的鲁棒性,能够通过采用简单的机器学习模型较快地训练得到所述分类器。
Description
技术领域
本申请涉及有监督机器学习技术领域,特别涉及房颤/非房颤分类器的生成方法、包括该分类器的房颤检测装置以及计算机存储介质。
背景技术
心房颤动(简称房颤,Atrial Fibrillation,AF)是最常见的持续性心律失常,且日益呈现低龄化。房颤时心跳频率往往快而且不规则,有时候可达100~160次/分,不仅比正常人心跳快得多,而且绝对不整齐。
现行房颤的检测算法可分为基于心房活动的分析和基于RR间期的分析。
通过心房活动分析(心电图分析)来检测房颤的原理,主要是依靠心房波(P波)的检测来判定是否发生房颤。由于体表的心电测试点未必都靠近心房,故在体表测试中P波的幅度远远小于QRS波的幅度且位置不固定,因此P波极易被淹没在QRS波、T波或者干扰信号中无法识别,因此造成诊断上的困难,因此传统心电分析技术对房颤的检测准确性一直有待提高。
基于RR间期的分析,是根据房颤发生时,RR间期绝对不规则的心电图特征,主要对房颤时RR间期的不规则程度进行分析评价。然而,现有的基于RR间期的机器学习生成房颤/非房颤分类器的方法,其提取的特征向量的维度较大,所采用的训练模型主要为非线性深度学习模型,非线性模型所涉及的硬件配置较高,学习速度较低,生成的分类器结构庞大,不适于移植到便携式检测设备中进行在线应用。
发明内容
本申请公开一种分类器的生成方法、包含所述分类器的房颤检测装置及存储介质。所述分类器的生成方法通过提取低维度的特征向量进行机器学习训练,提高样本的鉴别性,降低学习模型的复杂性。
为实现上述目的,本申请公开技术方案如下:
一方面,本公开提出了一种分类器的生成方法,包括:基于预先标记类型的心搏信号片段,提取心搏间期,得到心搏间期序列,其中,所述预先标记类型包括房颤和非房颤;基于所述心搏间期序列,计算心搏间期变异值,得到心搏间期变异值序列;对所述心搏间期变异值序列进行分组,提取各组数据的频数作为特征向量;对所述的标记类型和特征向量进行机器学习训练,生成所述分类器。
优选地,所述各组的组距不相等。
优选地,所述各组的组距的右端值等比递增。
在一种实施方式中,通过设置映射表或者求直方图的方式对所述心搏间期变异值序列进行分组。
优选地,所述机器学习基于线性回归模型,采用粒子群优化算法、遗传算法或者蚁群算法求解最优化模型参数;其中,机器学习模型的目标函数定义为
i表示训练样本序数,ci表示第i个训练样本的特征向量,Yi表示第i个训练样本的标记类型,x表示待求解的所述最优化模型参数,Dif表示预设的区分值。
其中,所述机器学习训练采用判式
对所述分类器进行测试验证,其中,j表示测试样本序数,cj表示第j个测试样本的特征向量,Nj表示第j个测试样本包括的心搏间期的数量。
其中,各测试样本包括的心搏间期的数量非必须相等。
在一种实施方式中,采用公式dINT(n)=Max(INT(n),INT(n-1))/Min(INT(n),INT(n-1))-1计算所述心搏间期变异值,其中,Max(INT(n),INT(n-1))表示取INT(n)和INT(n-1)中的最大值,Min(INT(n),INT(n-1))表示取INT(n)和INT(n-1)中的最小值,INT(n)表示第n个心搏间期的长度,INT(n-1)表示紧邻INT(n)的前一个心搏间期的长度,n≥2。
另一方面,本公开提出了一种房颤检测装置,包括:
心搏间期提取模块,用于从被检测信号中提取系列心搏间期;
间期变异值计算模块,用于基于所述系列心搏间期计算得到系列间期变异值;
变异值分组统计模块,用于对所述系列间期变异值进行分组,统计各组数据的变异值频数,得到由若干组变异值频数构成的频数序列;以及
分类判断模块,用于基于如前述方法生成的分类器对所述频数序列分类,以判断所述被检测信号是否类属于房颤。
再一方面,本公开提出一种计算机存储介质,所述计算机存储介质存储有计算机程序,其特征在于,所述计算机程序被执行时实现前述房颤检测装置的模块功能。
通过对一段心搏信号的心搏间期变异值序列分组,提取各组数据的频数作为机器学习的特征向量,将特征向量的维度由序列的长度降低为分组的组数,将特征值的取值范围由无数数量级缩减为序列长度数量级,降低了特征向量的维度,缩小了特征值的取值范围,提高了样本的鉴别性,有利于更快得完成机器学习训练。
附图说明
图1A示出了一示例的ECG心搏信号片段的示意图;
图1B示出了一示例的PPG心搏信号片段的示意图;
图2示出了一示例性实施例的分类器的生成方法的步骤示意图;
图3示出了一示例性实施例的房颤检测装置的模块组成的示意图。
具体实施方式
为使本公开的目的、技术方案和优点更加清楚,下面将结合附图对本公开实施方式作进一步地详细描述。
本公开提供一种分类器的生成方法,通过机器学习预先标记为房颤和非房颤类型的心搏数据片段,使生成的分类器可用于分类检测房颤信号和非房颤信号。
根据本公开的示例,采用MIT-AFIB数据库作为学习库。首先对学习库中的心搏信号进行预处理,比如去除基线漂移,滤除工频干扰,识别R波波峰,计算相邻R波峰之间的时间间隔得到若干连续的心搏间期序列INT(n),其中n=1,2,3……。
将全部的INT(n)分为训练集(训练集样本、训练样本集)和测试集(测试集样本、测试样本集)两个部分。其中,训练集中的每个样本包括的心搏间期INT相等,例如每个样本包括60个连续的心搏间期INT,共设计4000个房颤型训练样本和4000个非房颤型训练样本;测试集中的各样本可包括不等数量的心搏间期INT,例如每个样本可包括30~120个连续的心搏间期INT,共设计4000个房颤型测试样本和4000个非房颤型测试样本;测试集和训练集没有交集。
通过设计相等间期数量的训练集样本,便于定义机器学习模型的目标函数;设计不等间期数量的测试集样本,可提高测试验证的灵活性,以扩展所述分类器的较佳适用范围,进而提高后续检测应用的灵活性。
本领域技术人员可以理解的,由于PPG(Photoplethysmography,光电体积描记图)的脉峰间期与ECG(Electrocardiograph,心电图)的RR间期大都具有对应性,都能反映心搏间期的规律性,如图1A和图1B所示,因此,学习库亦可以选择权威机构或者医疗机构提供的标记类型的PPG数据库。
图2示出了一种基于心搏间期变异性分析的房颤/非房颤分类器的生成方法的流程示意图。以下结合附图对所述分类器的生成过程进行详细阐述。
参考图2,所述的分类器的生成方法包括:
S202:提取具有预先标记类型的心搏间期序列。
根据本公开的示例,所述心搏间期序列INT(n)的获取过程如前面所述,在此不再赘述。示例的,每个训练样本序列INT(n)包括60个心搏间期,即n=1~60。
S204:计算心搏间期变异值,得到心搏间期变异值序列。
基于心搏间期序列INT(n),计算每个心搏间期的变异率,得到心搏间期变异值序列dINT(n),n=1~60。根据本公共开的示例,心搏间期变异值计算公式为:
dINT(n)=Max(INT(n),INT(n-1))/Min(INT(n),INT(n-1))-1(公式1)
其中,n≥2,n=1时取dINT(n)=0。由于不同个体的心搏间期的差异很大,而心拍的变异性体现在前一拍和后一拍的差异性,所以取其大者比上小者的比值,然后减1,实现了适应于不同个体差异的变异值的归一化处理。
S206:对所述心搏间期变异值序列进行分组,提取各组数据的频数作为特征向量。
根据本公开的示例,每个训练样本对应于一个心搏间期变异值序列,每个序列包括60个心搏间期变异值数据dINT,根据公式1计算得到的每个dINT将有无数种取值可能。如果将间期变异值序列dINT(n)作为特征向量进行机器学习训练,被训练的特征值有无数种取值可能,为了训练得到较优的分类器,所需的训练模型和训练算法更为复杂,训练过程耗时更长。因此,本公开对每个样本的60个心搏间期变异值数据进行分组,提取各组数据中的变异值频数作为输入机器训练过程的特征向量,以提高样本的鉴别性以及对噪声的鲁棒性。
例如,以包括60个心搏间期的心搏样本为例,对心搏间期变异值序列中的变异值数据分组,将每组数据的频数作为一个特征值,可知每个特征值的取值范围为0~60,即,每个特征值理论上包括61种取值可能,训练样本的每个特征值由无数种可能降低为61种可能,提高了特征的鉴别性;同时,特征的维度由每个样本包括的心搏间期数量(60)降低为分组的组数,降低了特征的维度,减少了数据的存储。
示例地,本公开对所述心搏间期变异值序列中的数据分为9组(G1~G9)。由于大多数心搏间期与心搏间期之间的差异较小,因此dINT的值主要集中在靠近0值的区域,变异值越大的区域出现的dINT的频数越少。因此,设置各组的组距为非等间距,使得各组都有一定数量的dINT出现,即,提高各训练样本的特征向量的区分度,以防止机器学习训练过拟合。示例地,各组的组距设置为:
G1=[0,0.01),G2=[0.01,0.02),G3=[0.02,0.04),G4=[0.04,0.08),G5=[0.08,0.15),G6=[0.15,0.3),G7=[0.3,0.62),G8=[0.62,1.25),G9=[1.25,+∞) (公式2-1)
对应地,各组数据的频数分别用t1、t2、t3、t4、t5、t6、t7、t8和t9表示。提取得到的样本特征向量表示ci(i表示样本序数)为:
ci=(t1,t2,t3,t4,t5,t6,t7,t8,t9) (公式2-2)
在一种具体的实施方式中,采用设置映射表的方式对所述心搏间期变异值序列中的数据进行分组。示例性的,映射表的样式如表1所示。
表1
分组 | 心搏间期变异值序列中的数据 | 数据频数 |
G1 | dINT(1),dINT(7),dINT(10)~dINT(42) | t1=35 |
G2 | dINT(3),dINT(4),dINT(51)~dINT(56) | t2=8 |
G3 | dINT(48),dINT(49),dINT(50),dINT(57) | t3=4 |
G4 | dINT(58),dINT(59),dINT(60) | t4=3 |
G5 | dINT(44),dINT(45) | t5=2 |
G6 | dINT(46),dINT(47) | t6=2 |
G7 | dINT(2) | t7=1 |
G8 | dINT(5),dINT(6),dINT(8) | t8=3 |
G9 | dINT(9),dINT(43) | t9=2 |
更优选地,通过求频数直方图的方式对所述心搏间期变异值序列进行分组。示例地,采用边界值二倍递增的方法设置直方图的组距G1’~G9’,即后一组距的右端值为前一组距的右端值的两倍,其中,最后一组组距的右端值为无穷大,使:
G1’=[0,0.01),G2’=[0.01,0.02),G3’=[0.02,0.04),G4’=[0.04,0.08),G5’=[0.08,0.16),G6’=[0.16,0.32),G7’=[0.32,0.64),G8’=[0.64,1.28),G9’=[1.28,+∞)
(公式3-1)
提取位于所述频数直方图的各组距(G1’~G9’)中的心搏间期变异值的频数t1’、t2’、t3’、t4’、t5’、t6’、t7’、t8’和t9’,得到特征向量
ci=(t1’,t2’,t3’,t4’,t5’,t6’,t7’,t8’,t9’) (公式3-2)
相较于查映射表提取频数特征向量的方式,通过对所述心搏间期变异值序列直接求频数直方图,提取特征向量的过程更简单,速度更快。
S208:机器学习。
机器学习过程包括训练和验证两个阶段。
示例地,可根据例如公式3-2提取得到训练集中各样本的的特征向量ci,选择例如支持向量机(SVM)等二分类有监督机器学习模型对样本的特征向量ci和样本的标记类型Yi进行训练,得到适于所配置的学习模型的最优化参数,机器学习训练得到的具有最优化参数的学习模型即为本公开所述的房颤/非房颤分类器。
如果基于原始的特征(心搏间期变异值)进行机器学习训练,其特征维度为60,由于特征维度较大且特征值的无穷性,本领域技术人员可以理解的,需要配置非线性的机器学习模型进行学习训练,训练时间较长、训练方法复杂。根据本公开的示例,基于前述的特征向量提取过程,使特征维度从60降为9,特征值由无穷种取值可能降为61种取值可能,本公开提出一种优选的基于线性回归模型的机器学习训练方法,学习由4000组房颤样本和4000组非房颤样本组成的训练集,得到一组最优化参数x,将训练得到的最优化参数x应用于所配置的线性回归模型中形成所述的房颤/非房颤分类器。
具体地,通过线性回归模型对训练集样本的特征向量ci以及与特征向量ci对应的标记类型Yi进行训练,训练目标是搜索到能将ci进行卷积之后得到的区分值Dif具备区分度的卷积核x,其中
x=(f1,f2,f3,f4,f5,f6,f7,f8,f9) (公式4)
训练样本集为(ci,Yi),Yi∈{0,1},Yi为1表示房颤,0表示非房颤。
定义目标函数为:
Fitness=Max∑Ki (公式4-1)
其中,
xT表示x的转置,IDi表示根据特征向量ci求得的分类类别,Ki表示根据真实类别Yi判决IDi是否识别正确,Fitness适应度目标函数表示求训练集样本中最大化正确识别的数量。
综上所述,训练目标是求解最大化正确识别训练集样本的x。其中,N的设置与心拍数保持一致,间期序列的间期数量越多,Dif的值越大,示例的,每个训练样本包括60个间期值,Dif设置为60。
根据本公开的优选的示例,在上述线性回归模型中,采用粒子群优化算法求解x,其中,上述目标函数,即为下述粒子群优化算法中的适应度函数,包括步骤:
第一步:随机初始化粒子群(x1,x2,x3,…xn),随机初始化粒子飞行速度(v1,v2,v3,…vn),初始化粒子自身最好状态(pbest1,pbest2,pbest3,…pbestn),初始化全局最优状态gbest。
第二步:根据公式迭代,对每个粒子状态xi进行更新,粒子更新公式为:
v(i+1)=w*v(i)+m1*rand*(pbest(i)-x(i))+m2*rand*(gbest-x(i))(公式4-4)
x(i+1)=x(i)+v(i+1) (公式4-5)
其中w表示惯性学习率,m1表示局部学习率,m2表示全局学习率,rand是随机数,v(i)表示当前飞行速度,v(i+1)表示下一代飞行速度,x(i+1)表示下一代粒子状态。
第三步:使用x(i)和pbesti、gbest分别进行适应度值的比较,更新pbesti、gbest,进行粒子群搜索。
第四步:当到达最大训练次数或者到达训练目标时,停止运算,得到最优解gbest。
训练结果:
x=(0.839,-0.398,-7.067,-4.797,-2.350,-2.329,0.542,4.818,1.180)
(公式4-6)
利用前述的由MIT-AFIB库中得到的测试集,其中包括4000个房颤样本和4000个非房颤样本,根据例如公式3-2提取测试集样本的特征向量cj(j表示测试样本的序数),将测试集样本特征向量cj输入公式4-6所得的最优参数x适配的分类器进行测试验证,将测试所得的类别与真实标记的类别进行对比,上述的示例的分类器的测试验证的特异性Sp为96.37%,灵敏度Se为86.34%。其中,所述测试验证的判断方法为:
Nj表示第j个测试样本包括的连续心搏间期INT的数量。
采用粒子群优化算法,能够使求解速度加快;并且,在不可导的目标函数求解中,通过粒子群优化算法依然能获得较高的准确率。
综上,通过上述优选方法生成的分类器模型简单,占用内存低,可适用于各种便携式的或穿戴式的房颤检测装置中进行在线房颤检测。
本领域技术人员可以理解的,通过上述分类器的生成步骤的启示,还可以选择遗传算法、蚁群算法等优化方法求解上述最优化参数x。
本公开提出一种房颤检测装置,包括:处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序300,所述处理器执行所述计算机程序时实现装置实施例中各模块的功能。示例地,所述房颤检测装置包括:
心搏间期提取模块302,用于从被检测信号片段中提取心搏间期,得到系列心搏间期INT’(n),其中,被检测信号片段可以是经过预处理后的PPG信号片段或者ECG信号片段,对应地,心搏间期可以是RR间期或者脉峰间期。例如,被检测信号片段为包括60个心搏间期的连续心搏信号。其中,所述被检测信号片段可以是来自配置有ECG传感器或PPG传感器的所述房颤检测装置自身在线采集的信号片段,也可以是来自其它的采集设备采集完成的离线的ECG或PPG信号片段。
间期变异值计算模块304,用于基于所述系列心搏间期INT’(n),采用例如公式1计算得到系列心搏间期变异值dINT’(n)。
变异值分组统计模块306,用于根据例如公式3-1对所述系列心搏间期变异值dINT’(n)进行分组,统计各组数据的变异值频数(β1~β9),得到由若干组变异值频数构成的频数序列d=(β1,β2,β3,β4,β5,β6,β7,β8,β9)。
分类判断模块308,用于基于前述示例的机器学习过程生成的房颤/非房颤分类器,对频数序列d进行分类,进而判断出被检测信号片段是否类属于房颤信号。例如,通过上述方法生成的示例的分类器对d进行分类检测,分类器将特征向量(频数序列)d与公式4-6所得的x进行卷积,根据下述公式5进行房颤/非房颤判断。
其中,M表示被检测信号片段所包括的连续心搏间期INT的数量。
本公开提出的房颤检测装置,可以是可穿戴设备(例如腕部可穿戴设备、指部可穿戴设备、颈部可穿戴设备、耳部可穿戴设备等)、桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述房颤检测装置可包括但不仅限于处理器、存储器、显示器、语音单元、通信单元以及人机交互单元。本领域技术人员可以理解,所述示意图仅仅是装置的示例,并不构成对装置的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述装置还可以包括输入输出设备、网络接入设备、总线等。
本领域普通技术人员可以理解,实现上述实施例的全部或部分模块的功能可以通过硬件来完成,也可以通过程序来指令相关的硬件完成。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器可用于存储所述模块和/或单元,所述处理器通过运行或执行存储在所述存储器内的模块/单元对应的计算机程序,以及调用存储在存储器内的数据,实现所述装置的各种功能。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
所述房颤检测装置集成的模块如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例房颤检测装置中的全部或部分模块的功能时,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个模块/单元的功能。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)以及软件分发介质等。
本领域技术人员在考虑说明书及实践本公开后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。
以上所述仅为本申请的较佳实施例,并不用以限制本申请,凡在本申请的精神和原则之内所做的任何修改、等同替换或改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种分类器的生成方法,其特征在于,包括:
基于预先标记类型的心搏信号片段,提取心搏间期,得到心搏间期序列,其中,所述预先标记类型包括房颤和非房颤;
基于所述心搏间期序列,计算心搏间期变异值,得到心搏间期变异值序列;
对所述心搏间期变异值序列进行分组,提取各组数据的频数作为特征向量;
对所述的标记类型和特征向量进行机器学习,生成所述分类器。
2.根据权利要求1所述的方法,其特征在于,所述各组的组距不完全相等。
3.根据权利要求1所述的方法,其特征在于,所述各组的组距的右端值等比递增。
4.根据权利要求1~3任一项所述的方法,其特征在于,通过设置映射表或者求直方图的方式对所述心搏间期变异值序列进行分组。
5.根据权利要求4所述的方法,其特征在于,所述机器学习基于线性回归模型,采用粒子群优化算法、遗传算法或者蚁群算法求解最优化模型参数;其中,机器学习模型的目标函数定义为
i表示训练样本序数,ci表示第i个训练样本的特征向量,Yi表示第i个训练样本的标记类型,x表示待求解的所述最优化模型参数,Dif表示预设的区分值。
6.根据权利要求5所述的方法,其特征在于,所述机器学习采用判式
对所述分类器进行测试验证,其中,j表示测试样本序数,cj表示第j个测试样本的特征向量,Nj表示第j个测试样本包括的心搏间期的数量。
7.根据权利要求6所述的方法,其特征在于,各测试样本包括的心搏间期的数量非必须相等。
8.根据权利要求1~3任一项所述的方法,其特征在于,采用公式dINT(n)=Max(INT(n),INT(n-1))/Min(INT(n),INT(n-1))-1计算所述心搏间期变异值,其中,
Max(INT(n),INT(n-1))表示取INT(n)和INT(n-1)中的最大值,
Min(INT(n),INT(n-1))表示取INT(n)和INT(n-1)中的最小值,
INT(n)表示第n个心搏间期的长度,
INT(n-1)表示紧邻INT(n)的前一个心搏间期的长度,
n≥2。
9.一种房颤检测装置,其特征在于,包括:
心搏间期提取模块,用于从被检测信号中提取系列心搏间期;
间期变异值计算模块,用于基于所述系列心搏间期计算得到系列间期变异值;
变异值分组统计模块,用于对所述系列间期变异值进行分组,统计各组数据的变异值频数,得到由若干组变异值频数构成的频数序列;以及
分类判断模块,用于基于如权利要求1~8任一项方法生成的分类器对所述频数序列分类,以判断所述被检测信号是否类属于房颤。
10.一种计算机存储介质,所述计算机存储介质存储有计算机程序,其特征在于,所述计算机程序被执行时实现如权利要求9所述的装置的模块功能。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711402020.1A CN109960968A (zh) | 2017-12-22 | 2017-12-22 | 分类器的生成方法、房颤检测装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711402020.1A CN109960968A (zh) | 2017-12-22 | 2017-12-22 | 分类器的生成方法、房颤检测装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109960968A true CN109960968A (zh) | 2019-07-02 |
Family
ID=67019092
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711402020.1A Pending CN109960968A (zh) | 2017-12-22 | 2017-12-22 | 分类器的生成方法、房颤检测装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109960968A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111345815A (zh) * | 2020-02-11 | 2020-06-30 | 广州视源电子科技股份有限公司 | 一种心电信号中qrs波的检测方法、装置、设备和存储介质 |
WO2021017313A1 (zh) * | 2019-07-31 | 2021-02-04 | 平安科技(深圳)有限公司 | 房颤的检测方法、装置、计算机设备及存储介质 |
CN112826514A (zh) * | 2019-11-22 | 2021-05-25 | 华为技术有限公司 | 一种房颤信号的分类方法、装置、终端以及存储介质 |
CN113598741A (zh) * | 2021-06-30 | 2021-11-05 | 合肥工业大学 | 一种房颤评价模型训练方法、房颤评价方法和装置 |
CN113598742A (zh) * | 2021-06-30 | 2021-11-05 | 合肥工业大学 | 房颤分类模型训练方法、房颤识别方法及*** |
CN113712568A (zh) * | 2020-05-12 | 2021-11-30 | 深圳市科瑞康实业有限公司 | 一种心电信号数据的分类方法和装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050171447A1 (en) * | 2001-12-21 | 2005-08-04 | Esperer Hans D. | Method and device for the automateddetection and differentiation of cardiac rhythm disturbances |
CN201282481Y (zh) * | 2007-11-22 | 2009-07-29 | 中国人民解放军第三军医大学野战外科研究所 | 一种远程健康监护服务装置 |
US20100056940A1 (en) * | 2007-04-12 | 2010-03-04 | University Of Virginia Patent Foundation | Method, System and Computer Program Product for Non-Invasive Classification of Cardiac Rhythm |
CN103997955A (zh) * | 2011-08-11 | 2014-08-20 | 应用生物医学***有限公司 | 检测心电图中的心房纤颤的方法 |
CN105320969A (zh) * | 2015-11-20 | 2016-02-10 | 北京理工大学 | 基于多尺度Renyi熵的心率变异性特征分类方法 |
-
2017
- 2017-12-22 CN CN201711402020.1A patent/CN109960968A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050171447A1 (en) * | 2001-12-21 | 2005-08-04 | Esperer Hans D. | Method and device for the automateddetection and differentiation of cardiac rhythm disturbances |
US20100056940A1 (en) * | 2007-04-12 | 2010-03-04 | University Of Virginia Patent Foundation | Method, System and Computer Program Product for Non-Invasive Classification of Cardiac Rhythm |
CN201282481Y (zh) * | 2007-11-22 | 2009-07-29 | 中国人民解放军第三军医大学野战外科研究所 | 一种远程健康监护服务装置 |
CN103997955A (zh) * | 2011-08-11 | 2014-08-20 | 应用生物医学***有限公司 | 检测心电图中的心房纤颤的方法 |
CN105320969A (zh) * | 2015-11-20 | 2016-02-10 | 北京理工大学 | 基于多尺度Renyi熵的心率变异性特征分类方法 |
Non-Patent Citations (2)
Title |
---|
刘明等: "基于单心拍心房活动特征与卷积神经网络的房颤检测", 《激光杂志》 * |
杨煦等: "基于支持向量机的心律失常识别方法", 《计算机工程与设计》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021017313A1 (zh) * | 2019-07-31 | 2021-02-04 | 平安科技(深圳)有限公司 | 房颤的检测方法、装置、计算机设备及存储介质 |
CN112826514A (zh) * | 2019-11-22 | 2021-05-25 | 华为技术有限公司 | 一种房颤信号的分类方法、装置、终端以及存储介质 |
CN112826514B (zh) * | 2019-11-22 | 2022-07-22 | 华为技术有限公司 | 一种房颤信号的分类方法、装置、终端以及存储介质 |
CN111345815A (zh) * | 2020-02-11 | 2020-06-30 | 广州视源电子科技股份有限公司 | 一种心电信号中qrs波的检测方法、装置、设备和存储介质 |
CN111345815B (zh) * | 2020-02-11 | 2023-05-02 | 广州视源电子科技股份有限公司 | 一种心电信号中qrs波的检测方法、装置、设备和存储介质 |
CN113712568A (zh) * | 2020-05-12 | 2021-11-30 | 深圳市科瑞康实业有限公司 | 一种心电信号数据的分类方法和装置 |
CN113712568B (zh) * | 2020-05-12 | 2024-02-09 | 深圳市科瑞康实业有限公司 | 一种心电信号数据的分类方法和装置 |
CN113598741A (zh) * | 2021-06-30 | 2021-11-05 | 合肥工业大学 | 一种房颤评价模型训练方法、房颤评价方法和装置 |
CN113598742A (zh) * | 2021-06-30 | 2021-11-05 | 合肥工业大学 | 房颤分类模型训练方法、房颤识别方法及*** |
CN113598742B (zh) * | 2021-06-30 | 2024-03-22 | 合肥工业大学 | 房颤分类模型训练方法、房颤识别方法及*** |
CN113598741B (zh) * | 2021-06-30 | 2024-03-22 | 合肥工业大学 | 一种房颤评价模型训练方法、房颤评价方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109960968A (zh) | 分类器的生成方法、房颤检测装置及存储介质 | |
Golany et al. | Pgans: Personalized generative adversarial networks for ecg synthesis to improve patient-specific deep ecg classification | |
JP6786536B2 (ja) | 単極誘導心電図(ecg)信号中の律動を識別するためのカスケード2値クラシファイア | |
Nilanon et al. | Normal/abnormal heart sound recordings classification using convolutional neural network | |
US9968303B2 (en) | System and method of adaptive interpretation of ECG waveforms | |
Kora et al. | Improved Bat algorithm for the detection of myocardial infarction | |
Vernekar et al. | A novel approach for classification of normal/abnormal phonocardiogram recordings using temporal signal analysis and machine learning | |
CN106377247B (zh) | 基于特征选择的心律失常分类方法 | |
CN109998525A (zh) | 一种基于判别式深度置信网络的心律失常自动分类方法 | |
CN110226921A (zh) | 心电信号检测分类方法、装置、电子设备和存储介质 | |
CN109902660A (zh) | 一种表情识别方法及装置 | |
Nogueira et al. | Classifying heart sounds using images of MFCC and temporal features | |
CN109948396A (zh) | 一种心拍分类方法、心拍分类装置及电子设备 | |
CN109512441A (zh) | 基于多元信息的情绪识别方法及装置 | |
CN109770861A (zh) | 心电节律模型的训练及检测方法、装置、设备和存储介质 | |
Brophy et al. | Multivariate generative adversarial networks and their loss functions for synthesis of multichannel ecgs | |
CN115953822B (zh) | 一种基于rPPG生理信号的人脸视频鉴伪方法和装置 | |
Kim et al. | Algorithm for classifying arrhythmia using Extreme Learning Machine and principal component analysis | |
Shantha Selva Kumari et al. | Classification of cardiac arrhythmias based on morphological and rhythmic features | |
CN111449646B (zh) | 一种心电图识别方法、装置、存储介质及电子设备 | |
Kumari et al. | Classification of cardiac arrhythmia using hybrid genetic algorithm optimisation for multi-layer perceptron neural network | |
He et al. | A new intelligent ECG recognition approach based on CNN and improved ALO-SVM | |
Mahmood et al. | A comparison between different classifiers for diagnoses of atrial fibrillation | |
Liu et al. | Transfer learning with deep convolutional neural network for automated plant identification | |
CN111723700A (zh) | 一种人脸识别方法、装置及电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190702 |
|
RJ01 | Rejection of invention patent application after publication |