CN113261973A - 加权多尺度有限穿越可视图辨识房颤心电信号方法及*** - Google Patents

加权多尺度有限穿越可视图辨识房颤心电信号方法及*** Download PDF

Info

Publication number
CN113261973A
CN113261973A CN202110396507.3A CN202110396507A CN113261973A CN 113261973 A CN113261973 A CN 113261973A CN 202110396507 A CN202110396507 A CN 202110396507A CN 113261973 A CN113261973 A CN 113261973A
Authority
CN
China
Prior art keywords
network
electrocardiosignals
atrial fibrillation
original
characteristic vector
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.)
Granted
Application number
CN202110396507.3A
Other languages
English (en)
Other versions
CN113261973B (zh
Inventor
王红
李威
韩书
庄鲁贺
张慧
王正军
杨杰
杨雪
滑美芳
李刚
梁成
王吉华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong Normal University
Original Assignee
Shandong Normal University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong Normal University filed Critical Shandong Normal University
Priority to CN202110396507.3A priority Critical patent/CN113261973B/zh
Publication of CN113261973A publication Critical patent/CN113261973A/zh
Application granted granted Critical
Publication of CN113261973B publication Critical patent/CN113261973B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Public Health (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Psychiatry (AREA)
  • Physiology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Signal Processing (AREA)
  • Veterinary Medicine (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Fuzzy Systems (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明属于的房颤心电信号处理领域，提供了加权多尺度有限穿越可视图辨识房颤心电信号方法及***。其中，该方法包括获取设定长度的心电信号；提取所述心电信号的原始特征，得到对应的原始特征向量；将所述心电信号转换成网络形式，提取对应网络特征，得到对应的网络特征向量，其中，网络特征包括新加入的局部效率熵；将原始特征向量与网络特征向量融合后输入至机器学习模型中，得到心电信号的类别辨识结果，其中，所述心电信号的类别包括房颤心电信号、正常电信号、噪声信号和其他心电信号。

Description

加权多尺度有限穿越可视图辨识房颤心电信号方法及***
技术领域
本发明属于的房颤心电信号处理领域，尤其涉及加权多尺度有限穿越可视图辨识房颤心电信号方法及***。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
时间序列分析是物理学的中心主题，也是表征生物学，医学和经济学数据以及了解其潜在动力起源的有力方法。而生理信号分析是时间序列分析的一个重要分支。心电信号作为常见的生理信号，包含着很多关于心脏状态的信息及与不同的生理状态对应的有关信息。心房颤动(AF)被美国心脏病学会(ACC)、美国心脏协会(AHA)和欧洲心脏病学会(ESC)定义为“快速性心律失常的特征主要是房室激活不协调，导致房室机械功能下降”。
由于心律失常的类型非常复杂，心房颤动的辨识仍然很棘手。发明人发现，目前大多数辨识方法都有局限性，不能广泛应用于临床工作。例如，它们只有在评估精心挑选的无噪声数据时才表现良好。然而，由于许多非房颤节律与房颤节律相似，RR间隔不规则，因此很难获得干净的数据。
发明内容
为了解决上述背景技术中存在的技术问题，本发明提供加权多尺度有限穿越可视图辨识房颤心电信号方法及***，其先提取待检测患者心电的原始特征，再用加权多尺度有限穿越可视图方法构成网络，提取心电信号的网络特征以及我们提出局部效率熵指标，结合心电信号的原始特征用XGBoost机器学习模型得出最终的识别结果。本方法由于从网络指标的新角度提取了心电信号的特征，因此显著提高了识别结果。
为了实现上述目的，本发明采用如下技术方案：
本发明的第一个方面提供加权多尺度有限穿越可视图辨识房颤心电信号方法。
加权多尺度有限穿越可视图辨识房颤心电信号方法，其包括：
获取设定长度的心电信号；
提取所述心电信号的原始特征，得到对应的原始特征向量；
将所述心电信号转换成网络形式，提取对应网络特征，得到对应的网络特征向量；
将原始特征向量与网络特征向量融合后输入至机器学习模型中，得到心电信号的类别辨识结果，其中，所述心电信号的类别包括房颤心电信号、正常电信号、噪声信号和其他心电信号。
本发明的第二个方面提供加权多尺度有限穿越可视图辨识房颤心电信号***。
加权多尺度有限穿越可视图辨识房颤心电信号***，其包括：
心电信号获取模块，其用于获取设定长度的心电信号；
原始特征提取模块，其用于提取所述心电信号的原始特征，得到对应的原始特征向量；
网络特征提取模块，其用于将所述心电信号转换成网络形式，提取对应网络特征，得到对应的网络特征向量；
心电信号辨识模块，其用于将原始特征向量与网络特征向量融合后输入至机器学习模型中，得到心电信号的类别辨识结果，其中，所述心电信号的类别包括房颤心电信号、正常电信号、噪声信号和其他心电信号。
本发明的第三个方面提供一种计算机可读存储介质。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的房颤心电信号辨识方法中的步骤。
本发明的第四个方面提供一种计算机设备。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的房颤心电信号辨识方法中的步骤。
与现有技术相比，本发明的有益效果是：
采用加权多尺度有限穿越可视图的构图方法，从多尺度复杂网络的新角度分析了心电信号的网络特征，考虑的心电信号特征更加全面；
采用局部效率熵的新颖网络指标，反应在心电信号上为信号的波动幅度是否相同，波动周期是否规律的特征，在原始网络指标基础上使房颤心电识别的准确率得到了提高；
采用将心电信号的原始特征与网络特征结合的方法，不仅考虑心电信号的局部特征还考虑心电信号的全局特征，使结果得到了进一步提升；
采用XGBoost机器学习方法，对得到的综合特征进行分类，得到综合且令人信服的结果；
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1是本发明实施例的房颤心电信号辨识方法流程图；
图2(a)是本发明实施例的一个原始时间序列；
图2(b)是本发明实施例的当尺度因子s＝4时，粗粒化过程；
图2(c)是本发明实施例的粗粒化时间序列后用LPVG方法建网过程；
图3是本发明实施例的心电序列转换为网络以及网络特征提取图；
图4是本发明实施例的XGBoost模型结构图；
图5是本发明实施例的房颤心电信号辨识***结构示意图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
如图1所示，本实施例的加权多尺度有限穿越可视图辨识房颤心电信号方法，其具体包括：
步骤S101：获取设定长度的心电信号。
例如，本实施例的心电信号取自2017年PhysioNet/Cinc挑战赛，记录每一位患者的心电信号。根据心电信号的波形和节律，识别出房颤患者的心电，心电类别包括：正常节律、心房颤动节律、其他节律和噪声记录。
本实例包含8528条单导联心电图记录，持续时间从9秒到刚刚超过60秒。以300Hz的频率对心电图进行采样，并进行带通滤波。每条数据包括信号记录以及信号对应的类别，类别如表1所示。
表1 心电信号波形统计
正常节律 房颤节律 其他节律 嘈杂记录 总数
数据集 5050 738 2456 284 8528
步骤S102：提取所述心电信号的原始特征，得到对应的原始特征向量。
在具体实施中，所述心电信号的原始特征包含振幅特征、R峰位置索引特征、瞬时心率特征、心搏模板特征以及所提取心跳对应的R峰位置索引特征。
具体地，振幅特征具体包括振幅的平均值、振幅的标准差、振幅的最大值、振幅的最小值、振幅的中位数；
R峰位置索引，具体包括R峰位置索引的离散差值的平均值、R峰位置索引的离散差值的标准差、R峰位置索引的离散差值的中位数、R峰位置索引的二阶离散差值的平均值、R峰位置索引的二阶离散差值的标准差、R峰位置索引的二阶离散差值的中位数；
瞬时心率，具体包括心率的平均值、心率的标准差、心率的中位数；
心搏模板，具体包括心搏模板的长度；
所提取心跳对应的R峰位置索引，具体包括所提取心跳对应的R峰位置索引的离散差值的平均值、所提取心跳对应的R峰位置索引的离散差值的标准差、所提取心跳对应的R峰位置索引。
用这18个原始特征，将每一个特征作为特征向量的每一维，构成18×1的特征向量。
步骤S103：将所述心电信号转换成网络形式，提取对应网络特征，得到对应的网络特征向量。
在具体实施中，将信号用加权多尺度有限穿越可视图(Weighted Multi-scaleLimited Penetrable Visibility Graph，WMS-LPVG)方法转换成网络的形式，提取信号的网络特征；具体步骤包括：
给定WMS-LPVG方法的尺度因子s和有限穿越视距L两个参数，首先将心电信号数据按照给定的尺度因子粗粒化，即对于一个长度为N的时间序列{x(t),t＝1,2,…,N}，我们首先定义粗粒化尺度因子s，得到粗粒化后的时间序列{ys(t′),t′＝1,2,…,N/s}：
Figure BDA0003018776790000061
其中，
Figure BDA0003018776790000062
α(t)为数值x(t)在该区间内所占的权重，通常权重设为该数值与区间内所有数值和的比值。
然后从粗粒化后的时间序列{ys(t′),t′＝1,2,…,N/s}中构建有限穿越可视图。对于有限穿越可视图(Limited Penetrable Visibility Graph，LPVG)，定义有限穿越视距L，如果两个节点存在连边，则这两个节点对应的直方条之间的可视线被中间节点阻断的次数不多于L，可视性准则：如果离散时间序列中点(ta,ya)和点(tb,yb)相连接，那么对于任意的点(tc,yc)，其中ta<tc<tb，满足：
Figure BDA0003018776790000071
图2(a)-图2(c)展示了如何将时间序列映射为加权多尺度有限穿越可视图。图2(a)为一个原始时间序列，图2(b)为当尺度因子s＝4时，粗粒化过程，图2(c)为粗粒化时间序列后用LPVG方法建网过程，下方的实点为粗粒化后的数据。
使用python中networkx包中的网络特征提取函数提取信号网络的特征，包括，网络中度的最大值、网络中度的平均值、网络的平均聚集系数、网络的平均最短路径长度、网络的平均局部效率、网络的平均全局效率以及局部效率熵。
由于聚集系数只考虑了邻居节点的直接连接，没有考虑邻居节点之间的多步连接，因此有人提出局部效率Eloc的概念。任意节点i的局部效率为：
Figure BDA0003018776790000072
其中，Gi指节点i的邻居所构成的子图，
Figure BDA0003018776790000073
指节点i的邻居个数，ljk表示节点j,k之间的最短路径长度(即边数最少的一条通路)。大的局部效率表示该节点与邻居节点之间的小集团结构更强，集团内信息传输效率更高。
信息熵是从热力学中借用过来的，是表示分子状态混乱程度的物理量，香农用信息熵的概念来描述信源的不确定度。在信源中，考虑的不是某一单个符号发生的不确定性，而是要考虑这个信源所有可能发生情况的平均不确定性。若信源符号有n种取值：C1…Ci…Cn，对应概率为：P1…Pi…Pn,且各种符号的出现彼此独立。这时，信源的平均不确定性应当为单个符号不确定性-log Ci的统计平均值，可称为信息熵，即
Figure BDA0003018776790000074
根据信息熵理论，我们定义了一种新颖的局部效率熵(Local efficiencyentropy)指标，记为Entloc，即：
Figure BDA0003018776790000081
Figure BDA0003018776790000082
其中，N是网络中节点的总数。局部效率熵越小表示网络中小集团结构分布越均匀，网络的全局传输效率越高；局部效率熵越大表示网络中小集团结构分布越不均匀，网络的局部传输效率高，但全局传输效率低。我们可以通过计算网络的局部效率熵来研究构造的复杂网络的多尺度特征。
用这7个网络特征，将每一个特征作为特征向量的每一维，构成7×1的特征向量。所有用到的特征如表2所示。图3为心电序列转换为网络以及网络特征提取图。
表2 所有用到的特征列表
Figure BDA0003018776790000083
Figure BDA0003018776790000091
步骤S104：将原始特征向量与网络特征向量融合后输入至机器学习模型中，得到心电信号的类别辨识结果，其中，所述心电信号的类别包括房颤心电信号、正常电信号、噪声信号和其他心电信号。
在本实施例中，所述机器学习模型为XGBoost模型。
其中，机器学习模型的训练集的构建过程为：
获取心电信号，对心电信号进行预处理，将每条信号截取为规定长度的信号，丢弃不满足规定长度的信号，作为模型的训练集；具体步骤包括：
对信号进行预处理，在此训练集中将信号采样点小于3000的样本丢弃，对于信号采样点大于3000的信号，随机截取一段采样点长度为3000的连续区间，以此来将每条数据控制在相同范围下，为后续网络指标的衡量做铺垫。
在其他实施例中，机器学习模型也可此采用其他现有的模型来实现。
在本实施例中，原始特征向量与网络特征向量融合的过程为：
将网络特征向量拼接至原始特征向量的后面，组合成融合向量。
例如：将得到的网络特征7×1的特征向量追加到18个原始特征组成的18×1的特征向量后面，组成25×1的特征向量，送入后续的XGBoost模型中。
将得到的训练用的心电信号的特征向量输入到XGBoost机器学习模型中，对机器学习模型进行训练，得到训练好的机器学习模型；具体步骤包括：
XGBoost则对损失函数进行了二阶泰勒展开，同时用到了一阶和二阶导数，并且在损失函数里加入了正则项，用于控制模型的复杂度，防止模型出现过拟合。推导过程如下：
Figure BDA0003018776790000101
其中F＝{f(x)＝ωq(x)}(q:Rm→T,ω∈RT)表示一个决策树的函数空间，T表示一个决策树的叶子节点的数目。损失函数为：
Figure BDA0003018776790000102
Figure BDA0003018776790000103
最小化损失函数：
Figure BDA0003018776790000104
利用泰勒展开来近似损失函数，则目标函数变为：
Figure BDA0003018776790000105
定义Ij＝{i|q(xi)＝j},根据方程(7)得，
Figure BDA0003018776790000106
由于q(x)有固定结构，可以计算叶子j的权重
Figure BDA0003018776790000107
Figure BDA0003018776790000108
代入目标函数得：
Figure BDA0003018776790000109
公式(10)可以用来衡量用哪个特征做***，计算树的结构q的得分。利用贪心算法每一次尝试对已有的叶子加入一个分割，假设IL和IR是左右子树分数分割后的节点，令I＝IL∪IR,分割后的损失函数如公式(11)：
Figure BDA0003018776790000111
最终得到XGBoost模型的识别结果。图4为XGBooost模型结构图。
将识别的房颤心电结果与每条心电信号的真实标签进行比较，如果识别结果正确率达到设定的阈值，则停止训练，输出识别结果正确率最高时对应的机器学习模型即为训练好的机器学习模型；否则，就继续训练。
其中，WMS-LPVG方法在各种参数组合下的F1值，如表3所示：
表3 WMS-LPVG方法在各种参数组合下的F1值
Figure BDA0003018776790000112
此处需要说明的是，步骤S102和步骤S103这两个步骤的顺序可互换，并不影响最终的心电信号类别辨识结果。
实施例二
如图5所示，本实施例提供了加权多尺度有限穿越可视图辨识房颤心电信号***，其具体包括如下模块：
心电信号获取模块，其用于获取设定长度的心电信号；
原始特征提取模块，其用于提取所述心电信号的原始特征，得到对应的原始特征向量；
网络特征提取模块，其用于将所述心电信号转换成网络形式，提取对应网络特征，得到对应的网络特征向量；
心电信号辨识模块，其用于将原始特征向量与网络特征向量融合后输入至机器学习模型中，得到心电信号的类别辨识结果，其中，所述心电信号的类别包括房颤心电信号、正常电信号、噪声信号和其他心电信号。
此处需要说明的是，本实施例的房颤心电信号辨识***中的各个模块，与实施例一中的房颤心电信号辨识方法中各个步骤一一对应，其具体实施过程相同，此处不再累述。
实施例三
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的房颤心电信号辨识方法中的步骤。
实施例四
本实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的房颤心电信号辨识方法中的步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、***、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.加权多尺度有限穿越可视图辨识房颤心电信号方法，其特征在于，包括：
获取设定长度的心电信号；
提取所述心电信号的原始特征，得到对应的原始特征向量；
将所述心电信号转换成网络形式，提取对应网络特征，得到对应的网络特征向量；
将原始特征向量与网络特征向量融合后输入至机器学习模型中，得到心电信号的类别辨识结果，其中，所述心电信号的类别包括房颤心电信号、正常电信号、噪声信号和其他心电信号。
2.如权利要求1所述的房颤心电信号辨识方法，其特征在于，采用WMS-LPVG方法将所述心电信号转换成网络形式，其具体过程为：
将所述心电信号按照给定的尺度因子粗粒化；
从粗粒化后的时间序列中构建有限穿越可视图。
3.如权利要求1所述的房颤心电信号辨识方法，其特征在于，原始特征向量与网络特征向量融合的过程为：
将网络特征向量拼接至原始特征向量的后面，组合成融合向量。
4.如权利要求1所述的房颤心电信号辨识方法，其特征在于，所述网络特征包括网络中度的最大值、网络中度的平均值、网络的平均聚集系数、网络的平均最短路径长度、网络的平均局部效率、网络的平均全局效率以及局部效率熵。
5.如权利要求4所述的房颤心电信号辨识方法，其特征在于，局部效率熵越小表示网络中小集团结构分布越均匀，网络的全局传输效率越高；局部效率熵越大表示网络中小集团结构分布越不均匀，网络的局部传输效率高，但全局传输效率低。
6.如权利要求1所述的房颤心电信号辨识方法，其特征在于，所述心电信号的原始特征包括振幅特征、R峰位置索引特征、瞬时心率特征、心搏模板特征以及所提取心跳对应的R峰位置索引特征。
7.如权利要求1所述的房颤心电信号辨识方法，其特征在于，所述机器学习模型为XGBoost模型。
8.加权多尺度有限穿越可视图辨识房颤心电信号***，其特征在于，包括：
心电信号获取模块，其用于获取设定长度的心电信号；
原始特征提取模块，其用于提取所述心电信号的原始特征，得到对应的原始特征向量；
网络特征提取模块，其用于将所述心电信号转换成网络形式，提取对应网络特征，得到对应的网络特征向量；
心电信号辨识模块，其用于将原始特征向量与网络特征向量融合后输入至机器学习模型中，得到心电信号的类别辨识结果，其中，所述心电信号的类别包括房颤心电信号、正常电信号、噪声信号和其他心电信号。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一项所述的房颤心电信号辨识方法中的步骤。
10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一项所述的房颤心电信号辨识方法中的步骤。
CN202110396507.3A 2021-04-13 2021-04-13 加权多尺度有限穿越可视图辨识房颤心电信号方法及*** Active CN113261973B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110396507.3A CN113261973B (zh) 2021-04-13 2021-04-13 加权多尺度有限穿越可视图辨识房颤心电信号方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110396507.3A CN113261973B (zh) 2021-04-13 2021-04-13 加权多尺度有限穿越可视图辨识房颤心电信号方法及***

Publications (2)

Publication Number Publication Date
CN113261973A true CN113261973A (zh) 2021-08-17
CN113261973B CN113261973B (zh) 2022-09-02

Family

ID=77228740

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110396507.3A Active CN113261973B (zh) 2021-04-13 2021-04-13 加权多尺度有限穿越可视图辨识房颤心电信号方法及***

Country Status (1)

Country Link
CN (1) CN113261973B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000106631A (ja) * 1998-09-29 2000-04-11 Fuji Photo Film Co Ltd 色変換装置
CN105844712A (zh) * 2016-03-16 2016-08-10 山东大学 一种改进的面向3d打印的半色调投影与模型生成方法
CN106510619A (zh) * 2016-10-11 2017-03-22 天津大学 基于复杂网络的心电信号分析方法及在智能穿戴上的应用
CN110378924A (zh) * 2019-07-19 2019-10-25 合肥学院 基于局部熵的水平集图像分割方法
CN110840402A (zh) * 2019-11-19 2020-02-28 山东大学 一种基于机器学习的房颤信号识别方法及***
CN111436926A (zh) * 2020-04-03 2020-07-24 山东省人工智能研究院 基于统计特征和卷积循环神经网络的房颤信号检测方法
CN111627553A (zh) * 2020-05-26 2020-09-04 四川大学华西医院 首发精神***症个体化预测模型的构建方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000106631A (ja) * 1998-09-29 2000-04-11 Fuji Photo Film Co Ltd 色変換装置
CN105844712A (zh) * 2016-03-16 2016-08-10 山东大学 一种改进的面向3d打印的半色调投影与模型生成方法
CN106510619A (zh) * 2016-10-11 2017-03-22 天津大学 基于复杂网络的心电信号分析方法及在智能穿戴上的应用
CN110378924A (zh) * 2019-07-19 2019-10-25 合肥学院 基于局部熵的水平集图像分割方法
CN110840402A (zh) * 2019-11-19 2020-02-28 山东大学 一种基于机器学习的房颤信号识别方法及***
CN111436926A (zh) * 2020-04-03 2020-07-24 山东省人工智能研究院 基于统计特征和卷积循环神经网络的房颤信号检测方法
CN111627553A (zh) * 2020-05-26 2020-09-04 四川大学华西医院 首发精神***症个体化预测模型的构建方法

Also Published As

Publication number Publication date
CN113261973B (zh) 2022-09-02

Similar Documents

Publication Publication Date Title
CN108714026B (zh) 基于深度卷积神经网络和在线决策融合的细粒度心电信号分类方法
CN106725428B (zh) 一种心电信号分类方法及装置
CN107822622B (zh) 基于深度卷积神经网络的心电图诊断方法和***
CN109247923B (zh) 基于视频的非接触式脉搏实时估计方法及设备
CN111990989A (zh) 一种基于生成对抗及卷积循环网络的心电信号识别方法
CN110547792B (zh) 房颤的检测方法、装置、计算机设备及存储介质
CN109567789B (zh) 心电图数据的分割处理方法、装置及可读存储介质
CN111657915A (zh) 基于深度学习的心电图形态的识别模型及其使用方法
Wu et al. ECG classification using ICA features and support vector machines
CN113486752A (zh) 基于心电信号的情感识别方法及***
CN116712083A (zh) 一种基于U-Net网络的QRS复合波检测方法
CN113679393B (zh) 基于对比预测编码的ecg数据特征生成模型
Li et al. Real-time patient-specific ECG arrhythmia detection by quantum genetic algorithm of least squares twin SVM
Shukri et al. Investigation on Elman neural network for detection of cardiomyopathy
Rubaiyat et al. Nearest subspace search in the signed cumulative distribution transform space for 1d signal classification
Ma et al. Atrial fibrillation detection algorithm based on graph convolution network
CN113261973B (zh) 加权多尺度有限穿越可视图辨识房颤心电信号方法及***
Rahuja et al. A deep neural network approach to automatic multi-class classification of electrocardiogram signals
CN113229798B (zh) 模型迁移训练方法、装置、计算机设备及可读存储介质
Bouchikhi et al. Discrete hidden Markov model classifier for premature ventricular contraction detection
Aslantas et al. GA-NN approach for ECG feature selection in rule based arrhythmia classification
CN108784681B (zh) 一种心电特征的识别方法
Mehta et al. IDENTIFICATION AND DELINEATION OF QRS COMPLEXES IN ELECTROCARDIOGRAM USING FUZZY C-MEANS ALGORITHM.
CN116211315B (zh) 一种单导联心电信号辅助诊断方法及诊断终端
Zozulia et al. Method of vector rhythmcardiosignal automatic generation in computer-based systems of heart rhythm analysis

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
GR01 Patent grant
GR01 Patent grant