【技术实现步骤摘要】
本专利技术涉及心电信号处理，尤其涉及一种基于类别关联挖掘优化的心电分类方法及系统。
技术介绍
1、本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
2、心电分类作为计算机对于心电图领域的辅助任务，占有重要地位。传统心电分类大都是对窦性(n)、房性(s)和室性(v)等大类心搏的单一分类，无法覆盖心电中的全部情况。例如房颤(af)房扑(af)的心搏同时也可能是室性(v)的心搏。一个心搏可能对应多种类别。因此，细化多分类类别是心电发展后续的方向。
3、在实际场景中，通过统计得知各心电类别之间有着一定的联系，如共现和互斥关系，如对于房颤房扑而言，其对于室性类别、交界性类别以及室性逸博等可能同时伴随出现，而不会与窦性、房性等心电类别共同出现。但现有的心电分类任务大都忽略了对类别的关联关系挖掘，导致最终得到的心电分类结果不准确。
技术实现思路
1、本专利技术为了解决上述问题，提出了一种基于类别关联挖掘优化的心电分类方法及系统，能够准确获取心电分类结果。
2、为实现上述目的，本专利技术采用如下技术方案：
3、第一方面，提出了一种基于类别关联挖掘优化的心电分类方法，包括：
4、获取待识别心电数据张量；
5、对待识别心电数据张量进行处理，获得待识别心电数据张量的心电类别预测概率特征；
6、按照多样本类别到少样本类别的顺序对待识别心电数据张量的心电类别预测概率特征进行排列，获得待识别心电数据
7、提取待识别心电数据张量的预测概率值序列的序列特征，并进行分类，获得待识别心电数据张量的类别预测概率张量；
8、根据待识别心电数据张量的类别预测概率张量，确定待识别心电数据张量的心电分类结果。
9、进一步的，将待识别心电数据张量的类别预测概率张量与每类心电类别的预测概率阈值进行比较，确定待识别心电数据张量的心电分类结果。
10、进一步的，获取每类心电类别的预测概率阈值的过程为：
11、获取多个心电数据张量及其心电类别标签；
12、对每个心电数据张量进行处理，获得每个心电数据张量的类别预测概率张量；
13、通过基于基尼系数的二叉树算法，对所有心电数据张量的类别预测概率张量和心电类别标签进行处理，确定每类心电类别的预测概率阈值。
14、进一步的，确定每类心电类别的预测概率阈值的过程为：
15、将所有心电数据张量的类别预测概率张量进行集合，获得预测概率张量集合将所有心电数据张量的标签进行集合，获得标签集合
16、为每个心电类别构建二叉决策树模型treei；
17、从的元素中取出类别classi对应位置的值，形成新的集合从的元素中取出类别classi对应位置的值，形成新的集合
18、将和中数据，输入到treei中，以基尼系数为目标函数，进行拟合；取出拟合后treei中的阈值当做类别classi的预测概率阈值。
19、进一步的，将心电数据张量的心电类别预测概率特征，按照类别列表的顺序进行排列，获得心电数据张量的预测概率值序列，其中，统计训练用数据集中每类心电类别的数据样本数量，根据每类心电类别的数据样本数量，对所有心电类别进行降序排列，获得排序后的类别列表。
20、进一步的，获得心电数据张量的心电类别预测概率特征的过程为：
21、提取心电数据张量的形态响应特征；
22、提取形态响应特征的序列特征；
23、对形态响应特征的序列特征进行分类识别，获得心电数据张量的心电类别预测概率特征。
24、第二方面，提出了一种基于类别关联挖掘优化的心电分类系统，包括：
25、获取单元，用于获取待识别心电数据张量；
26、处理单元，用于对待识别心电数据张量进行处理，获得待识别心电数据张量的心电类别预测概率特征；按照多样本类别到少样本类别的顺序对待识别心电数据张量的心电类别预测概率特征进行排列，获得待识别心电数据张量的预测概率值序列；提取待识别心电数据张量的预测概率值序列的序列特征，并进行分类，获得待识别心电数据张量的类别预测概率张量；根据待识别心电数据张量的类别预测概率张量，确定待识别心电数据的心电分类结果。
27、第三方面，提出了一种计算机设备，所述设备包括：
28、处理器，适于执行计算机程序；
29、计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被所述处理器执行时，实现第一方面提出的一种基于类别关联挖掘优化的心电分类方法。
30、第四方面，提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，计算机程序适于由处理器加载并执行第一方面提出的一种基于类别关联挖掘优化的心电分类方法。
31、第五方面，提出了一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时，实现第一方面提出的一种基于类别关联挖掘优化的心电分类方法。
32、与现有技术相比，本专利技术的有益效果为：
33、1、本专利技术按照多样本类别到少样本类别的顺序对心电数据张量的心电类别预测概率特征进行排列，进而对排列出的预测概率值序列进行序列特征提取，从而能够挖掘出预测概率值序列中多类别向少类别的映射和关联影响，当基于该预测概率值序列的序列特征确定心电数据的心电分类结果时，提高了心电分类结果的准确性。
34、2、本专利技术首先确定验证集中每个心电数据张量的概率预测张量，进而通过基于基尼系数的二叉树算法，对验证集中所有心电数据张量的概率预测张量与标签进行寻优，即考虑到各心电类别之间的关联，又优化了少样本类别的特异性，从而准确确定了各类心电类别的预测概率阈值，当预测概率阈值与待识别心电数据张量的类别预测概率张量进行比较，确定待识别心电数据的心电分类结果时，进一步提高了心电分类结果的准确性。
35、本专利技术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，或通过本专利技术的实践了解到。
本文档来自技高网...【技术保护点】
1.一种基于类别关联挖掘优化的心电分类方法，其特征在于，包括：
2.如权利要求1所述的一种基于类别关联挖掘优化的心电分类方法，其特征在于，将待识别心电数据张量的类别预测概率张量与每类心电类别的预测概率阈值进行比较，确定待识别心电数据张量的心电分类结果。
3.如权利要求2所述的一种基于类别关联挖掘优化的心电分类方法，其特征在于，获取每类心电类别的预测概率阈值的过程为：
4.如权利要求3所述的一种基于类别关联挖掘优化的心电分类方法，其特征在于，确定每类心电类别的预测概率阈值的过程为：
5.如权利要求1所述的一种基于类别关联挖掘优化的心电分类方法，其特征在于，将心电数据张量的心电类别预测概率特征，按照类别列表的顺序进行排列，获得心电数据张量的预测概率值序列，其中，统计训练用数据集中每类心电类别的数据样本数量，根据每类心电类别的数据样本数量，对所有心电类别进行降序排列，获得排序后的类别列表。
6.如权利要求1所述的一种基于类别关联挖掘优化的心电分类方法，其特征在于，获得心电数据张量的心电类别预测概率特征的过程为：
7
8.一种电子设备，其特征在于，所述设备包括：
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，计算机程序适于由处理器加载并执行权利要求1-6任一项所述的一种基于类别关联挖掘优化的心电分类方法。
10.一种计算机程序产品，其特征在于，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时，实现权利要求1-6任一项所述的一种基于类别关联挖掘优化的心电分类方法。
...【技术特征摘要】
1.一种基于类别关联挖掘优化的心电分类方法，其特征在于，包括：
2.如权利要求1所述的一种基于类别关联挖掘优化的心电分类方法，其特征在于，将待识别心电数据张量的类别预测概率张量与每类心电类别的预测概率阈值进行比较，确定待识别心电数据张量的心电分类结果。
3.如权利要求2所述的一种基于类别关联挖掘优化的心电分类方法，其特征在于，获取每类心电类别的预测概率阈值的过程为：
4.如权利要求3所述的一种基于类别关联挖掘优化的心电分类方法，其特征在于，确定每类心电类别的预测概率阈值的过程为：
5.如权利要求1所述的一种基于类别关联挖掘优化的心电分类方法，其特征在于，将心电数据张量的心电类别预测概率特征，按照类别列表的顺序进行排列，获得心电数据张量的预测概率值序列，其中，统计训练用数据集中每类心电类别的...
【专利技术属性】
技术研发人员：高希余，张瀚中，吴军，张伯政，
申请(专利权)人：众阳健康科技集团有限公司，
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。