[發明專利]一種結合希爾伯特曲線和集成學習的心電磁信號分類方法

有效

• 申請號: 202110099881.7
• 申請日: 2021-01-25
• 公開（公告）號: CN112842342B
• 公開（公告）日: 2022-03-29
• 發明（設計）人: 馬辛;付幸文;曹一荻
• 申請（專利權）人: 北京航空航天大學
• 主分類號: A61B5/243
• 分類號: A61B5/243;A61B5/00;A61B5/318;A61B5/346;A61B5/366
• 代理公司: 北京科迪生專利代理有限責任公司 11251
• 代理人: 安麗;鄧治平

1.一種結合希爾伯特曲線和集成學習的心電磁信號分類系統，其特征在于，包括以下步驟：

(1)獲取心電磁信號進行預處理后再拆分為多段心拍信號，定長抽樣后確定每段心拍信號的類別標記；

(2)采用希爾伯特曲線將每一段心拍信號填充為圖像信號并重整得到數據集；

(3)使用EasyEnsemble算法對所述數據集進行類別平衡并拆分，得到多個訓練子集以及一個測試集和一個驗證集；

(4)采用集成學習方法以及Stacking結合策略，構建分類模型，所述分類模型包括多個初級學習器和一個次級學習器，使用多個訓練子集分別對多個初級學習器進行訓練，訓練完成后，使用測試集測試每個初級學習器，并將得到的預測結果作為次級學習器的輸入，以測試集的類別標記作為目標對次級學習器進行訓練，結合多個初級學習器和次級學習器得到分類模型，使用驗證集評估分類模型，得到分類精度指標；

所述步驟(2)包括：

(21)對每一個心電磁信號使用步驟(1)進行處理得到多段心拍信號后再采用希爾伯特曲線將每一段心拍信號填充為圖像信號；

(22)合并所有的圖像信號并重整為一個4維的數據集，每一維度分別代表樣本數、通道數、圖像信號的長、圖像信號的寬；

所述步驟(3)包括：

(31)將從步驟(2)中獲得的數據集按照樣本數的多少拆分為多數類樣本集和少數類樣本集；

(32)按照EasyEnsemble算法對多數類樣本集進行多次欠采樣，同時對少數類樣本集進行多次過采樣，且每次欠采樣和過采樣得到的樣本個數大致相等，將樣本兩兩合并，得到多個訓練子集、未被抽到的樣本則拆分為1個驗證集和1個測試集；

所述步驟(4)包括：

(41)將從步驟(3)中獲得的訓練子集分別對多個初級學習器進行訓練；

(42)完成對初級學習器的訓練之后，使用測試集測試每個初級學習器，按照Stacking結合策略將測試集經過初級學習器得到的輸出作為次級學習器的輸入，以測試集的類別標記作為學習目標進行訓練，完成對次級學習器的訓練之后，將多個初級學習器和次級學習器結合作為完整的分類模型；

(43)使用驗證集評估分類模型，得到模型分類精度指標，根據模型分類精度指標衡量分類模型的分類效果。

2.根據權利要求1所述一種結合希爾伯特曲線和集成學習的心電磁信號分類系統，其特征在于：所述步驟(1)包括：

(11)使用心電磁測量設備獲取心電磁信號；

(12)采用濾波算法消除心電磁信號的工頻噪聲、基線漂移及運動噪聲；

(13)采用QRS波形定位算法找到濾波后心電磁信號的每個心拍所在位置并拆分成多段心拍信號；

(14)給多段心拍信號中的每段心拍信號進行定長抽樣并確定每段心拍信號類別標記。

3.根據權利要求2所述一種結合希爾伯特曲線和集成學習的心電磁信號分類系統，其特征在于：所述步驟(12)中，濾波算法采用帶通濾波、卡爾曼濾波、高斯濾波中的一種或幾種。

4.根據權利要求2所述一種結合希爾伯特曲線和集成學習的心電磁信號分類系統，其特征在于：所述步驟(13)，所述QRS波形定位算法采用差分閾值法、雙閾值檢測算法、小波變換法中的一種或幾種。

5.根據權利要求1所述一種結合希爾伯特曲線和集成學習的心電磁信號分類系統，其特征在于：所述步驟(41)和(42)中，所述初級學習器采用二維卷積神經網絡(2D-CNN)。

6.根據權利要求1所述一種結合希爾伯特曲線和集成學習的心電磁信號分類系統，其特征在于：所述步驟(43)中，所述次級學習器為采用BP算法訓練的前饋神經網絡(FNN)。