[發明專利]分類器的生成方法、房顫檢測裝置及存儲介質

在審

• 申請號: 201711402020.1
• 申請日: 2017-12-22
• 公開（公告）號: CN109960968A
• 公開（公告）日: 2019-07-02
• 發明（設計）人: 代超;卓遠;董喜艷;薛奮;梁菊蘭
• 申請（專利權）人: 成都心吉康科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明提供一種分類器的生成方法、房顫檢測裝置及存儲介質，所述房顫檢測裝置和所述存儲介質通過所述分類器對被檢測信號進行房顫/非房顫分類檢測。分類器的生成方法包括：提取預先標記類型的心搏信號片段的心搏間期；計算心搏間期的變異值；對若干心搏間期變異值進行分組，提取各組數據的頻數作為特征向量；對所述的標記類型和特征向量進行機器學習訓練，生成所述分類器。本發明的分類器的生成方法，能夠降低原始特征的維度，提高樣本的鑒別性和對噪聲的魯棒性，能夠通過采用簡單的機器學習模型較快地訓練得到所述分類器。

技術領域

本申請涉及有監督機器學習技術領域，特別涉及房顫/非房顫分類器的生成方法、包括該分類器的房顫檢測裝置以及計算機存儲介質。

背景技術

心房顫動(簡稱房顫，Atrial Fibrillation，AF)是最常見的持續性心律失常，且日益呈現低齡化。房顫時心跳頻率往往快而且不規則，有時候可達100～160次/分，不僅比正常人心跳快得多，而且絕對不整齊。

現行房顫的檢測算法可分為基于心房活動的分析和基于RR間期的分析。

通過心房活動分析(心電圖分析)來檢測房顫的原理，主要是依靠心房波(P波)的檢測來判定是否發生房顫。由于體表的心電測試點未必都靠近心房，故在體表測試中P波的幅度遠遠小于QRS波的幅度且位置不固定，因此P波極易被淹沒在QRS波、T波或者干擾信號中無法識別，因此造成診斷上的困難，因此傳統心電分析技術對房顫的檢測準確性一直有待提高。

基于RR間期的分析，是根據房顫發生時，RR間期絕對不規則的心電圖特征，主要對房顫時RR間期的不規則程度進行分析評價。然而，現有的基于RR間期的機器學習生成房顫/非房顫分類器的方法，其提取的特征向量的維度較大，所采用的訓練模型主要為非線性深度學習模型，非線性模型所涉及的硬件配置較高，學習速度較低，生成的分類器結構龐大，不適于移植到便攜式檢測設備中進行在線應用。

發明內容

本申請公開一種分類器的生成方法、包含所述分類器的房顫檢測裝置及存儲介質。所述分類器的生成方法通過提取低維度的特征向量進行機器學習訓練，提高樣本的鑒別性，降低學習模型的復雜性。

為實現上述目的，本申請公開技術方案如下：

一方面，本公開提出了一種分類器的生成方法，包括：基于預先標記類型的心搏信號片段，提取心搏間期，得到心搏間期序列，其中，所述預先標記類型包括房顫和非房顫；基于所述心搏間期序列，計算心搏間期變異值，得到心搏間期變異值序列；對所述心搏間期變異值序列進行分組，提取各組數據的頻數作為特征向量；對所述的標記類型和特征向量進行機器學習訓練，生成所述分類器。

優選地，所述各組的組距不相等。

優選地，所述各組的組距的右端值等比遞增。

在一種實施方式中，通過設置映射表或者求直方圖的方式對所述心搏間期變異值序列進行分組。

優選地，所述機器學習基于線性回歸模型，采用粒子群優化算法、遺傳算法或者蟻群算法求解最優化模型參數；其中，機器學習模型的目標函數定義為

i表示訓練樣本序數，c_i表示第i個訓練樣本的特征向量，Y_i表示第i個訓練樣本的標記類型，x表示待求解的所述最優化模型參數，Dif表示預設的區分值。

其中，所述機器學習訓練采用判式

對所述分類器進行測試驗證，其中，j表示測試樣本序數，c_j表示第j個測試樣本的特征向量，N_j表示第j個測試樣本包括的心搏間期的數量。

其中，各測試樣本包括的心搏間期的數量非必須相等。