本发明专利技术公开了一种面向单导联心电图的分类方法、系统及装置，该方法包括：获取ECG信号数据并对ECG信号数据进行预处理，得到预处理后的ECG信号；对预处理后的ECG信号进行特征提取，得到深度特征、时间特征和质量特征；将深度特征、时间特征和质量特征进行融合并基于支持向量机进行分类，得到分类结果。该系统包括：预处理模块、多尺度特征提取模块和分类模块。该装置包括存储器以及用于执行上述面向单导联心电图的分类方法的处理器。通过使用本发明专利技术，够有效解决特征维数过高带来的维度诅咒问题和信号质量高低不齐带来的特征无法有效提取问题。本发明专利技术作为一种面向单导联心电图的分类方法、系统及装置，可广泛应用于心电信号分类检测。检测。检测。
【技术实现步骤摘要】
一种面向单导联心电图的分类方法、系统及装置
[0001]本专利技术涉及心电信号分类领域，尤其涉及一种面向单导联心电图的分类方法、系统及装置。
技术介绍
[0002]心电图智能辅助诊断是当前医疗服务系统的重要组成部分，随着个性化医疗与可穿戴设备的发展，记录的大量心电图都需要经过医生通过先验知识去诊断，显然是不现实的，而人工智能和物联网的发展，使借助计算机对心电图进行智能处理变得可能，目前的心电图分类方法未考虑到噪声干扰所带来的影响和计算复杂度，这造成总体的识别准确度有待提升，尤其是面对不平衡心电数据集时，少数类的心电信号，如房颤或其它心律失常的识别率较低。
技术实现思路
[0003]本专利技术的目的是提供一种面向单导联心电图的分类方法、系统及装置，能够有效解决特征维数过高带来的维度诅咒问题和信号质量高低不齐带来的特征无法有效提取问题。
[0004]本专利技术所采用的第一技术方案是：一种面向单导联心电图的分类方法，包括以下步骤：
[0005]获取ECG信号数据并对ECG信号数据进行预处理，得到预处理后的ECG信号；
[0006]对预处理后的ECG信号进行特征提取，得到深度特征、时间特征和质量特征；
[0007]将深度特征、时间特征和质量特征进行融合并基于支持向量机进行分类，得到分类结果。
[0008]进一步，所述获取ECG信号数据并对ECG信号数据进行预处理，得到预处理后的ECG信号这一步骤，其具体包括：
[0009]基于离散小波变换对ECG信号数据进行降噪处理，得到降噪后ECG信号数据；
[0010]对降噪后ECG信号数据进行数据裁剪和平衡处理，得到预处理后的ECG信号。
[0011]进一步，所述基于离散小波变换对ECG信号数据进行降噪处理，得到降噪后ECG信号数据这一步骤，其具体包括：
[0012]基于离散小波变换对ECG信号数据进行六层分解，得到各层对应的细节分量和近似分量；
[0013]将第一层的近似分量、第二层的近似分量和第六层的细节分量剔除并将剩余分量进行重构，得到降噪后ECG信号数据。
[0014]进一步，所述细节分量的表达式如下：
[0015][0016]其中，x
a，H
[n]表示第a层的细节分量，x
a
‑
1，H
[2n
‑
k]表示第a
‑
1层的细节分量，H[k]表示第k个细节分量滤波器。
[0017]进一步，所述对降噪后ECG信号数据进行数据裁剪和平衡处理，得到预处理后的ECG信号这一步骤，其具体包括：
[0018]对时长大于30s的降噪后ECG信号数据进行裁剪，保留最后30s的数据；
[0019]对时长小于30s的降噪后ECG信号数据进行零填充，直至数据时长为30s，得到裁剪后数据；
[0020]对裁剪后数据中少数类样本进行随机复制，平衡少数类样本和多数类样本的比例，得到预处理后的ECG信号。
[0021]进一步，所述对预处理后的ECG信号进行特征提取，得到深度特征、时间特征和质量特征这一步骤，其具体包括：
[0022]基于预构建的卷积神经网络对预处理后的ECG信号进行特征提取，得到深度特征；
[0023]对预处理后的ECG信号中的R波进行标记，并通过标记的R波群计算RR间期的平均值、离散度、单位时间内R波的个数和样本熵，得到时间特征；
[0024]基于R波检测计算bSQI、PiCASQI和eSQI，得到质量特征。
[0025]进一步，所述将深度特征、时间特征和质量特征进行融合并基于支持向量机进行分类，得到分类结果这一步骤，其具体包括：
[0026]对深度特征、时间特征和质量特征进行归一化处理，得到归一化后的特征；
[0027]将归一化后的特征进行串联级融合并输入到支持向量机进行分类，得到分类结果；
[0028]所述支持向量机中核函数为径向基函数。
[0029]本专利技术所采用的第二技术方案是：一种面向单导联心电图的分类系统，包括：
[0030]预处理模块，用于获取ECG信号数据并对ECG信号数据进行预处理，得到预处理后的数据；
[0031]多尺度特征提取模块，用于对预处理后的数据进行特征提取，得到深度特征、时间特征和质量特征；
[0032]分类模块，用于将深度特征、时间特征和质量特征进行融合并基于支持向量机进行分类，得到分类结果。
[0033]本专利技术所采用的第三技术方案是：一种面向单导联心电图的分类装置，包括：
[0034]至少一个处理器；
[0035]至少一个存储器，用于存储至少一个程序；
[0036]当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如上所述一种面向单导联心电图的分类方法。
[0037]本专利技术方法、系统及装置的有益效果是：本专利技术将基于数据驱动的深度特征与基于R波检测的时间特征和质量特征融合，提高对不同类别心电信号的表达，得到更好的分类结果，且通过对信号降噪，使得即使在动态环境下采集的心电信号，也能够又很好的识别效果。
附图说明
[0038]图1是本专利技术一种面向单导联心电图的分类方法的步骤流程图；
[0039]图2是本专利技术一种面向单导联心电图的分类系统的结构框图；
[0040]图3是本专利技术具体实施例预构建的卷积神网络的示意图。
具体实施方式
[0041]下面结合附图和具体实施例对本专利技术做进一步的详细说明。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
[0042]参照图1，本专利技术提供了一种面向单导联心电图的分类方法，该方法包括以下步骤：
[0043]获取ECG信号数据并对ECG信号数据进行预处理，得到预处理后的ECG信号；
[0044]对预处理后的ECG信号进行特征提取，得到深度特征、时间特征和质量特征；
[0045]将深度特征、时间特征和质量特征进行融合并基于支持向量机进行分类，得到分类结果。
[0046]进一步作为本方法的优选实施例，所述获取ECG信号数据并对ECG信号数据进行预处理，得到预处理后的ECG信号这一步骤，其具体包括：
[0047]基于离散小波变换对ECG信号数据进行降噪处理，得到降噪后ECG信号数据；
[0048]对降噪后ECG信号数据进行数据裁剪和平衡处理，得到预处理后的ECG信号。
[0049]进一步作为本方法的优选实施例，所述基于离散小波变换对ECG信号数据进行降噪处理，得到降噪后ECG信号数据这一步骤，其具体包括：
[0050]基于离散小波变换对ECG信号数据进行六层分解，得到各层对应的细节分量和近似分量；
[0051]将第一层的近似分量、第二层的近似分量和第六层的细节分量剔除并将剩余本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种面向单导联心电图的分类方法，其特征在于，包括以下步骤：获取ECG信号数据并对ECG信号数据进行预处理，得到预处理后的ECG信号；对预处理后的ECG信号进行特征提取，得到深度特征、时间特征和质量特征；将深度特征、时间特征和质量特征进行融合并基于支持向量机进行分类，得到分类结果。2.根据权利要求1所述一种面向单导联心电图的分类方法，其特征在于，所述获取ECG信号数据并对ECG信号数据进行预处理，得到预处理后的ECG信号这一步骤，其具体包括：基于离散小波变换对ECG信号数据进行降噪处理，得到降噪后ECG信号数据；对降噪后ECG信号数据进行数据裁剪和平衡处理，得到预处理后的ECG信号。3.根据权利要求2所述一种面向单导联心电图的分类方法，其特征在于，所述基于离散小波变换对ECG信号数据进行降噪处理，得到降噪后ECG信号数据这一步骤，其具体包括：基于离散小波变换对ECG信号数据进行六层分解，得到各层对应的细节分量和近似分量；将第一层的近似分量、第二层的近似分量和第六层的细节分量剔除并将剩余分量进行重构，得到降噪后ECG信号数据。4.根据权利要求3所述一种面向单导联心电图的分类方法，其特征在于，所述细节分量的表达式如下：其中，x
a，H
[n]表示第a层的细节分量，x
a
‑
1，H
[2n
‑
k]表示第a
‑
1层的细节分量，H[k]表示第k个细节分量滤波器。5.根据权利要求4所述一种面向单导联心电图的分类方法，其特征在于，所述对降噪后ECG信号数据进行数据裁剪和平衡处理，得到预处理后的ECG信号这一步骤，其具体包括：对时长大于30s的降噪后ECG信号数据进行裁剪，保留最后30s的数据；对时长小于30s的降...
【专利技术属性】
技术研发人员：吴万庆，张献斌，韦程琳，
申请(专利权)人：中山大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。