[發明專利]基于2D心拍的特征融合遷移學習心律失常分類系統

在審

• 申請號: 202011210145.6
• 申請日: 2020-11-03
• 公開（公告）號: CN112329609A
• 公開（公告）日: 2021-02-05
• 發明（設計）人: 張亞濤;張鋒;李向宇;鮑喆
• 申請（專利權）人: 山東大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04
• 代理公司: 濟南圣達知識產權代理有限公司 37221
• 代理人: 黃海麗

本申請公開了基于2D心拍的特征融合遷移學習心律失常分類系統，包括：獲取模塊，其被配置為：獲取目標心電信號；重構模塊，其被配置為：將目標心電信號由一維重構為二維心電信號；特征提取模塊，其被配置為：將從二維心電信號中分別提取第一特征和第二特征；特征融合模塊，其被配置為：將第一特征和第二特征進行融合處理；分類模塊，其被配置為：將融合后的特征輸入到訓練后的分類器中，輸出當前目標心電信號對應的心律失常分類結果。

技術領域

本申請涉及心率時長分類系統技術領域，特別是涉及基于2D心拍的特征融合遷移學習心律失常分類系統。

背景技術

本部分的陳述僅僅是提到了與本申請相關的背景技術，并不必然構成現有技術。

傳統的心律失常分類方法主要有兩類，其一是特征提取結合機器學習方法，其二是無需特征提取的深度學習方法。

基于特征提取的機器學習方法：傳統的機器學習算法需要依據先驗經驗由人工提取包括時域、頻域等各方面特征等，之后再訓練合適的機器學習分類器，因此所提取特征的優劣影響最終分類結果。Thaweesak等人通過使用二級分類研究輸入特征維度固定且自由選擇的SVM的性能，其方法的缺陷在于特征維度必須固定，這就限制了特征的擴展，造成提取的特征偏少，影響最終分類精度。Nasiri J.A.等人從心電信號中提取了22個特征，將遺傳算法與支持向量機結合，一定程度上增強了模型的泛化性能，其方法提取的特征太少，不能反映信號中全面信息，使得精度難以進一步提高。這兩種方法各自能識別出三種和四種類型的心律失常，但提取的特征都較少。Ozcift等人提出了一種基于隨機森林的利用數據重采樣策略訓練RFs的方法。另外，隨機森林的變體也被用于心電圖分類。如斜向隨機森林(ORAF)也被用于對心電圖進行質量評價。隨機森林在機器學習分類問題的具有一定的可解釋性，但其精度和泛化能力仍然受限于所提特征的質量。

可見傳統機器學習算法在前期提取特征時比較依賴先驗知識。這種方法對提取出的特征要求比較嚴格，分類器的設計十分受限于特征提取對心電信號內在性質和所含信息的反映能力，也使得心拍分類的性能依賴于特征選擇的正確性、真實性，且人工特征選擇的機器學習分類法，泛化能力有限。因此這種傳統的人工提取特征+機器學習分類法，難以適用于復雜多變的臨床數據和應用中。

基于深度學習方法：目前，深度學習的優勢在于無需人工提取先驗特征，直接對經過預處理后的原始心電信號進行分類得到結果。目前經典的基于深度學習方法在心律失常分類中大多是基于原始一維心電數據。Kiranyaz等人用一維深度卷積神經網絡(1-D CNN)在分類識別心律失?；鶞蕯祿霱IT-BIH arrhythmia benchmark database中的心室異搏和室上異位搏動中取得優異性能。Rajendra Acharya等人也用了一種一維深度卷積神經網絡對MIT心律失常數據庫MIT-BIH arrhythmia database的15種心律失常進行識別，在和其他13種心律失常的各種機器學習分類方法對比，相對分類精度較高。Sayantan G等人利用深層置信網絡和主動學習對心電圖節拍進行分類，但是該方法僅是用一維高斯-伯努利深度信念網絡學習ECG的特征表示。Shi等人提出一種新型多輸入深度學習網絡并將其用于房顫檢測，然而這種基于主動和遷移學習的方法仍然是用一維心電數據。事實上，由于采集到的心電數據是一維形式，因此上述1-D CNN方法在用于對心電信號心律失常分類中，具有運行速度快，結構簡單等優點，然而由于一維數據中蘊含的信息有限，未能全面反映數據中所蘊含的心臟生理變化的全部信息，因此這種1-D CNN方法的分類精度難以進一步提高。Mashrur等人用小波變換將一維心電信號轉換為二維時頻圖，再用AlexNet卷積神經網絡學習識別房顫，然而小波變換得到的仍然是窄帶信號，無法準確得到單一頻率信息。

發明內容

為了解決現有技術的不足，本申請提供了基于2D心拍的特征融合遷移學習心律失常分類系統；

第一方面，本申請提供了基于2D心拍的特征融合遷移學習心律失常分類系統；