一种基于贝叶斯先验概率的心率融合标注方法及其系统技术方案

本发明专利技术公开了一种基于贝叶斯先验概率的心率融合标注方法及其系统，通过对初始心电信号进行读取、预处理及信号分割得到心电数据样本，并对心电数据样本进行特征提取，根据初始心电信号集的不同类型，单导联数据库或多导联数据库，发展合适的基于贝叶斯先验概率的心率标注融合过程，通过贝叶斯准则和期望最大化算法对多条导联或多个算法标注的心率标签进行概率估计和迭代求解，融合得出更高精度的心率标签值。融合模型自动了解不同标注样本之间的潜在差异，单个算法或导联生成的标签可能不可靠，通过融合模型来获取可依赖性更高的标签值，从而提高长时程动态心率估计的准确度，为临床心血管疾病的诊断提供更准确的信息。

【技术实现步骤摘要】
一种基于贝叶斯先验概率的心率融合标注方法及其系统
本专利技术属于信号检测及医疗设备电子
，具体涉及一种基于贝叶斯先验概率的心率融合标注方法及其系统。
技术介绍
心血管疾病是全球范围内死亡的主因，心电信号的检测是心血管病检测、诊断的基本手段之一，因此心电信号的实时监测与智能标注分析受到极大重视。为了实现此目标，必须首先实现心电信号的QRS波与心率参数的算法自动标注，因为它们不仅是心血管病智能诊断的研究基础，而且是心电仪器监测的目标参数。持续高准确率是实现动态心电的心率检测算法实际应用的关键，而实际上，大多经典且常用的QRS检测算法在高信号质量的数据库中均得到较高的检测精度，但应用于噪声较大的动态心电数据库时，检测精度都大幅度降低，其鲁棒性差的原因可能在于，算法中的一些参数是经验值或是与被检测信号有关的变量，如滑窗的窗口大小和阈值系数等，这些参数可能是适用于特定的心电数据库，不一定适用于其它数据库，尤其是噪声较大的心电数据库。而动态心电的采集过程中更容易受到人体运动影响产生不可避免的噪声，如何提高这些噪声较大的数据库的QRS检测效果是目前的研究热点。对于不同环境和不同个体特征下所采集的ECG信号，单一的检测算法或单一的导联检测很难总是达到高准确率，因此在标注真值未知的情况下，如何从多个标注算法提供的有噪音的标签中寻找共识、弥补缺漏并生成更接近真值的标签是问题的关键，本专利技术提出一种基于贝叶斯先验概率的心率标注融合方法及其系统，将会对现有心率标注方法及其系统提高心率标注精度和改进心率标注方法实现重大改进和突破。
技术实现思路
为解决上述问题，本专利技术公开了一种基于贝叶斯先验概率的心率融合标注方法及其系统，根据心电信号集的不同类型，单导联数据库或多导联数据库，发展合适的基于贝叶斯先验概率的心率标注融合过程，通过贝叶斯准则和期望最大化算法对多条导联或多个算法标注的心率标签进行概率估计和迭代求解，融合得出更高精度的心率标签值。而且融合模型自动了解不同标注样本之间的潜在差异，单个算法或导联生成的标签可能不可靠，通过融合模型来获取可依赖性更高的标签值，从而提高长时程动态心率估计的准确度，为临床心血管疾病的诊断提供更准确的信息。为达到上述目的，本专利技术的技术方案如下：一种基于贝叶斯先验概率的心率融合标注方法，包括以下步骤：S1，心电信号读取：读取初始心电信号数据集；S2，心电信号预处理：对步骤S1读取的初始心电信号数据集进行滤波、去噪；S3，心电信号分割：将步骤S2预处理后的心电信号截取为若干条一定长度的数据样本；S4，心电数据样本特征提取：从步骤S3截取后的若干条数据样本中提取可用于描述心电波形特征的特征向量；S5，心电数据样本心率多标注：根据心电数据的导联类型，对步骤S3的数据样本进行心率多标注，若为单导联数据库，则采用多个心率标注器对步骤S3的数据样本进行心率标注，获取心率多标签值；若为多导联数据库(导联数大于3)，则采用一个心率标注器对步骤S3的所有导联数据进行心率标注，多导联的心率标注结果可类比于多标注器，从而获取心率多标签值；S6，心率多标签值概率建模：首先单独建立心率真值模型和多标注器模型，根据步骤S4提取的心电数据样本的特征向量建立心率标签的真值模型，根据步骤S5获取的心率多标签值构建多标注器模型，然后将两个模型联合起来构成本专利技术的融合模型；S7，心率融合模型初始化：对步骤S6构建的融合模型中的参数进行初始化；S8，心率融合模型求解：对步骤S7中初始化后的模型求解，利用样本信息对参数的初始估计值进行调整和修正，并通过期望最大化算法迭代求解模型中的参数和潜在标注真值，直到收敛；S9，心率真值标签获取：对步骤S8收敛后的融合模型获取所有数据样本的最终真值标签以及各标注器的标注精度。作为本专利技术的一种改进，所述步骤S6中的真值模型包括：心率标签真值和心电特征向量的线性回归模型，由于各样本数据的真实标签往往与其样本特征有关，因此使用线性回归模型来模拟样本数据的标签真值和其特征向量的关系；所述多标注器模型包括：多标注器提供的心率值标签服从高斯分布，假设各标注器提供的注释是独立同分布的，根据中心极限定理，它们将收敛到高斯分布；所述真值模型与多标注器模型联合后的融合模型包括：多标注器的标签服从以标签真值为均值且以标注器精度的倒数为方差的高斯分布，因为在缺乏先验知识的情况下，假设来自标注器的标签满足以标签真值为均值的高斯分布是最合理、最通用的模型。作为本专利技术的进一步改进，所述真值模型与多标注器模型联合后的融合模型中包括标注器偏差的模拟，由于每个标注器的注释与对应的真值标签之间存在一定偏差，因此加入变量来模拟标注器的固有偏差，其含义为标注值与真值之间的平均误差，误差大小不仅与标注器的自身属性有关，还可能受到数据集信号质量的影响，因此在没有任何关于标注器固有偏差的潜在分布知识的情况下，假设偏差满足高斯分布；因为精度参数都是正连续值分布，因此假设融合模型中的其余精度参数为Gamma分布。作为本专利技术的另一种改进，所述步骤S8中的模型求解方法包括：把模型的待估参数看成符合贝叶斯先验概率分布的随机变量，之后采用贝叶斯准则对样本进行观测，即把参数的先验概率密度转换为后验概率密度，并使用最大后验估计的参数估计方法结合期望最大化算法来求解，迭代求解模型中的参数和潜在标注真值，直到收敛；最大后验估计的本质是用观测到的数据统计量和既定的先验分布共同决定事件的模型参数，不是一味地依赖数据观测值，同时也可以避免过拟合。进一步地，所述期望最大化算法的求解过程包括：因为模型待求解参数中包含着未知量和所求的潜在真值，无法直接求解，期望最大化算法在统计中用于求解包含隐藏变量的概率模型中的参数，因此采用期望最大化算法进行两步迭代，第一步是计算期望，利用对当前参数的现有估计值，计算在给定观测值和参数的条件下未观测数据的条件概率分布的期望；第二步是最大化，利用在第一步求得的潜在变量估计值来最大化参数的后验估计，直到收敛。为了实现上述目的，本专利技术采用的技术方案是：一种基于贝叶斯先验概率的心率融合标注系统，包括穿戴式心电信号检测模块和基于贝叶斯融合模型的心率标注模块；所述穿戴式心电信号检测模块用于采集用户的心电信号，将采集的心电信号发送至所述基于贝叶斯融合模型的心率标注模块；具体地，上述穿戴式心电信号检测模块包括用于信号采集与传感的干性电极单元、用于信号检测与CPU控制的CPU控制单元、用于数据实时传输的通信模块单元以及用于数据本地存储的数据本地存储单元；进一步地，穿戴式心电信号检测模块还可以设置界面显示单元和预警单元，界面显示单元可用于实时显示采集到的心电信号波形图及心率标注结果，预警单元用于对长时程动态实时心率进行监测，对异常心率值进行报警提示，为用户提供心率监护。所述基于贝叶斯融合模型的心率标注模块用于接收所述穿戴式心电信号检测模块采集并转换为数字信号，并采用所述基于贝本文档来自技高网...

【技术保护点】
1.一种基于贝叶斯先验概率的心率融合标注方法，其特征在于，包括：/nS1，心电信号读取：读取初始心电信号数据集；/nS2，心电信号预处理：对步骤S1读取的初始心电信号数据集进行滤波、去噪；/nS3，心电信号分割：将步骤S2预处理后的心电信号截取为若干条一定长度的数据样本；/nS4，心电数据样本特征提取：从步骤S3的数据样本中提取特征向量；/nS5，心电数据样本心率多标注：根据心电数据的导联类型，对步骤S3的数据样本进行心率多标注，若为单导联数据库，则采用多个心率标注器对步骤S3的数据样本进行心率标注，获取心率多标签值；若为多导联数据库，也就是说导联数大于3的情况下，则采用一个心率标注器对步骤S3的所有导联数据进行心率标注，多导联的心率标注结果可类比于多标注器，从而获取心率多标签值；/nS6，心率多标签值概率建模：首先单独建立心率真值模型和多标注器模型，根据步骤S4提取的心电数据样本的特征向量建立心率标签的真值模型，根据步骤S5获取的心率多标签值构建多标注器模型，然后将两个模型联合起来构成本专利技术的融合模型；/nS7，心率融合模型初始化：对步骤S6构建的融合模型中的参数进行初始化；/nS8，心率融合模型求解：对步骤S7中初始化后的模型求解，利用样本信息对参数的初始估计值进行调整和修正，并通过期望最大化算法迭代求解模型中的参数和潜在标注真值，直到收敛；/nS9，心率真值标签获取：对步骤S8收敛后的融合模型获取所有数据样本的最终真值标签以及各标注器的标注精度。/n...

【技术特征摘要】
1.一种基于贝叶斯先验概率的心率融合标注方法，其特征在于，包括：
S1，心电信号读取：读取初始心电信号数据集；
S2，心电信号预处理：对步骤S1读取的初始心电信号数据集进行滤波、去噪；
S3，心电信号分割：将步骤S2预处理后的心电信号截取为若干条一定长度的数据样本；
S4，心电数据样本特征提取：从步骤S3的数据样本中提取特征向量；
S5，心电数据样本心率多标注：根据心电数据的导联类型，对步骤S3的数据样本进行心率多标注，若为单导联数据库，则采用多个心率标注器对步骤S3的数据样本进行心率标注，获取心率多标签值；若为多导联数据库，也就是说导联数大于3的情况下，则采用一个心率标注器对步骤S3的所有导联数据进行心率标注，多导联的心率标注结果可类比于多标注器，从而获取心率多标签值；
S6，心率多标签值概率建模：首先单独建立心率真值模型和多标注器模型，根据步骤S4提取的心电数据样本的特征向量建立心率标签的真值模型，根据步骤S5获取的心率多标签值构建多标注器模型，然后将两个模型联合起来构成本发明的融合模型；
S7，心率融合模型初始化：对步骤S6构建的融合模型中的参数进行初始化；
S8，心率融合模型求解：对步骤S7中初始化后的模型求解，利用样本信息对参数的初始估计值进行调整和修正，并通过期望最大化算法迭代求解模型中的参数和潜在标注真值，直到收敛；
S9，心率真值标签获取：对步骤S8收敛后的融合模型获取所有数据样本的最终真值标签以及各标注器的标注精度。


2.根据权利要求1所述的基于贝叶斯先验概率的心率融合标注方法，其特征在于，所述步骤S6中的真值模型包括：
心率标签真值和心电特征向量的线性回归模型，由于各样本数据的真实标签往往与其样本特征有关，因此使用线性回归模型来模拟样本数据的标签真值和其特征向量的关系；
所述多标注器模型包括：
多标注器提供的心率值标签服从高斯分布，假设各标注器提供的注释是独立同分布的，根据中心极限定理，它们将收敛到高斯分布；
所述真值模型与多标注器模型联合后的融合模型包括：
多标注器的标签服从以标签真值为均值且以标注器精度的倒数为方差的高斯分布。


3.根据权利要求2所述的一种基于贝叶斯先验概率的心率融合标注方法，其特征在于，所述真值模型与多标注器模型联合后的融合模型中包括标注器偏差的模拟，由于每个标注器的注释与对应的真值标签之间存在一定偏差，因此加入变量来模拟标注器的固有偏差，其含义为标注值与真值之间的平均误差，误差大小不仅与标注器的自身属性有关，还可能受到数据集信号质量的影响，因此在没有任何关于标注器固有偏差的潜在分布知识的情况下，假设偏差满足高斯分布；因为精度参数都是正连续值分布，因此假设融合模型中的其余精度参数为Gamma分布。


4.根据权利要求1所述的...

【专利技术属性】
技术研发人员：刘橙玉，邸佳楠，李建清，
申请(专利权)人：东南大学，
类型：发明
国别省市：江苏;32