【技术实现步骤摘要】
本专利技术涉及心磁图信号处理，更具体地，本专利技术涉及一种心磁图特征分析系统、方法、设备及存储介质。
技术介绍
1、心磁图是一种无创的心脏检测技术，通过测量心脏生物电活动产生的磁场变化来分析生理状况。与传统的心电图相比，mcg能够提供更多关于心脏活动的三维信息，有助于更准确地定位心脏异常区域。然而，心磁信号通常非常微弱，容易受到环境噪声和其他生物磁场的干扰，这使得信号的采集和分析变得复杂。
2、现有的心磁图分析系统在处理这些微弱信号时，往往需要复杂的预处理步骤来提高信噪比，包括降噪和滤波。此外，心磁信号的特征提取和分析需要精确的算法来识别关键特征点，并从中提取有用的生理信息。在机器学习模型的训练和验证过程中，选择合适的算法对于提高模型的预测准确性至关重要。但是，现有的系统在这些方面可能存在效率低下、准确性不足或操作复杂的问题。
3、在实现本专利技术实施例过程中，专利技术人发现现有技术中至少存在如下问题或缺陷：现有的心磁图特征分析系统在数据采集、预处理、特征提取和模型训练等方面可能缺乏集成化和自动化的处理流程，导致分析效率不高，且在处理大量数据时可能存在数据管理不当和分析结果不一致的问题。此外，现有的系统可能未能充分利用先进的机器学习算法来提高模型的预测性能，或者在用户界面设计上不够直观，使得操作人员难以管理和查看分析结果。
技术实现思路
1、本专利技术提供了一种心磁图特征分析系统、方法、设备及存储介质。
2、在本专利技术的第一方面中，提供了一种心
3、数据采集模块，用于采集多通道心磁信号；
4、数据预处理模块，用于对采集到的数据进行降噪、滤波，并绘制每个通道的心磁一维信号图，进行一维心磁信号的波段分割；
5、特征提取与分析模块，对每一个通道进行关键特征点的标定与特征值的提取，并对标定的特征进行差异性分析；
6、模型训练与验证模块，用于将训练集的有效特征输入机器学习模型进行训练，将验证集的心磁信号有效特征输入模型，进行模型参数的调整；
7、模型测试与预测模块，用于获取测试集心磁信号进行分析，模型输出为分析结果的标签。
8、进一步地，所述数据管理模块，用于管理整个系统中的数据划分，确保数据集按照规定的比例被正确地划分为训练集、验证集和测试集，并实施统一的数据归一化处理。
9、进一步地，所述特征提取模块包括提取最大振幅、最小振幅、平均振幅、振幅变化率、振幅比值、波形持续时间、波峰间隔以及波形形态学特征。
10、进一步地，所述模型训练与验证模块可选自支持向量机、决策树、随机森林、梯度提升树、k近邻、朴素贝叶斯、逻辑回归、lasso回归或其他适合处理一维心磁图特征的监督学习算法之一或其组合。
11、进一步地，还包括用户界面模块，用于提供用户界面以供操作人员进行数据管理和分析结果查看。
12、进一步地，所述数据预处理模块包括：
13、波段分割单元，用于对一维心磁信号进行波段分割，并依据时间进行标记；
14、预处理模型单元，用于对分割后的信号进行降噪及滤波；
15、特征可视化单元，用于对处理后的信号进行特征可视化。
16、进一步地，所述降噪方法为emd降噪,包括步骤：
17、s01.在获取的心磁信号中，找到所有极大值点、极小值点，记为局部极大值和局部极小值；
18、s02.通过样条曲线拟合得到上包络线与下包络线；
19、s03.下包络线减去上包络线，得到新的分量；
20、s04.检验步骤s03得到的新的分量是否是本征模态函数，如果不是则再次循环步骤s01-s03，如果是则进行下一步；
21、s05.判断分量个数是否达到预设值，如果是则保存所有分量，如果否则返回步骤s01；
22、s06.根据分量个数及噪声信号的高频段对心磁信号进行降噪处理，其中：分量个数越多，降噪后的信号的高频段越多，反之，则越少。
23、在本专利技术的第二方面中，提供了一种心磁图特征分析方法，包括：
24、采集多通道心磁信号；
25、对采集到的数据进行降噪、滤波，并绘制每个通道的心磁一维信号图，进行一维心磁信号的波段分割；
26、对每一个通道进行关键特征点的标定与特征值的提取，并对标定的特征进行差异性分析；
27、将训练集的有效特征输入机器学习模型进行训练，将验证集的心磁信号有效特征输入模型，进行模型参数的调整；
28、获取测试集心磁信号进行分析，模型输出为分析结果的标签。
29、在本专利技术的第三方面中，提供了一种电子设备，所述电子设备包括：至少一个处理器、存储器和输入输出单元；其中，所述存储器用于存储计算机程序，所述处理器用于调用所述存储器中存储的计算机程序来执行第一方面中任一项所述的方法。
30、在本专利技术的第四方面中，提供了一种计算机可读存储介质，其包括指令，当其在计算机上运行时，使得计算机执行第一方面中任一项所述的方法。
31、根据本专利技术的上述实施例至少具有以下有益效果：该心磁图特征分析系统通过集成的数据采集模块、数据预处理模块、特征提取与分析模块、模型训练与验证模块以及模型测试与预测模块，可以实现心磁信号的高效采集、精确预处理和深入分析。系统能够自动进行降噪、滤波，并绘制每个通道的心磁一维信号图，进行波段分割，从而提高信号处理的准确性和效率。特征提取与分析模块能够对关键特征点进行标定和特征值提取，进行差异性分析，可以增强特征识别的精确度。模型训练与验证模块采用多种机器学习算法，可以提高模型的泛化能力和预测准确性。
32、此外，系统的数据管理模块能够确保数据集按照规定的比例被正确地划分为训练集、验证集和测试集，并实施统一的数据归一化处理，从而优化模型训练过程。用户界面模块可以提供直观的操作界面，使得操作人员能够轻松进行数据管理和分析结果查看，可以提升用户体验。系统的emd降噪方法能够有效地从心磁信号中提取本征模态函数，减少噪声干扰，进一步提高信号的质量。整体而言，该系统能够为心脏生理性研究提供一种更为准确、高效的技术支持。
本文档来自技高网...【技术保护点】
1.一种心磁图特征分析系统，其特征在于，包括：
2.根据权利要求1所述的心磁图特征分析系统，其特征在于，所述数据管理模块，用于管理整个系统中的数据划分，确保数据集按照规定的比例被正确地划分为训练集、验证集和测试集，并实施统一的数据归一化处理。
3.根据权利要求1所述的心磁图特征分析系统，其特征在于，所述特征提取模块包括提取最大振幅、最小振幅、平均振幅、振幅变化率、振幅比值、波形持续时间、波峰间隔以及波形形态学特征。
4.根据权利要求1所述的心磁图特征分析系统，其特征在于，所述模型训练与验证模块可选自支持向量机、决策树、随机森林、梯度提升树、K近邻、朴素贝叶斯、逻辑回归、LASSO回归或其他适合处理一维心磁图特征的监督学习算法之一或其组合。
5.根据权利要求1所述的心磁图特征分析系统，其特征在于，还包括用户界面模块，用于提供用户界面以供操作人员进行数据管理和分析结果查看。
6.根据权利要求1所述的心磁图特征分析系统，其特征在于，所述数据预处理模块包括：
7.根据权利要求1所述的心磁图特征分析系统，其特征在于，所
8.一种心磁图特征分析方法，其特征在于，包括：
9.一种电子设备，其特征在于，包括存储器以及处理器，所述存储器存储有计算机程序，所述计算机程序在所述处理器上运行时执行权要8中所述的方法。
10.一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，所述计算机程序被处理器执行时实现权利要求8所述的方法。
...【技术特征摘要】
1.一种心磁图特征分析系统，其特征在于，包括：
2.根据权利要求1所述的心磁图特征分析系统，其特征在于，所述数据管理模块，用于管理整个系统中的数据划分，确保数据集按照规定的比例被正确地划分为训练集、验证集和测试集，并实施统一的数据归一化处理。
3.根据权利要求1所述的心磁图特征分析系统，其特征在于，所述特征提取模块包括提取最大振幅、最小振幅、平均振幅、振幅变化率、振幅比值、波形持续时间、波峰间隔以及波形形态学特征。
4.根据权利要求1所述的心磁图特征分析系统，其特征在于，所述模型训练与验证模块可选自支持向量机、决策树、随机森林、梯度提升树、k近邻、朴素贝叶斯、逻辑回归、lasso回归或其他适合处理一维心磁图特征的监督学习算法之一或其组合。
5...
【专利技术属性】
技术研发人员：向岷，梁家琦，张旭，郑世强，房建成，
申请(专利权)人：北京航空航天大学，
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。