[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

本發明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，屬于心電磁信號分類領域，具有訓練簡單、分類精度高、檢測速度快、適應性好、可靠性高的特點。本發明包括以下步驟：(1)獲取心電磁信號并進行預處理再拆分為多段心拍信號；(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算法對數據集進行類別平衡；(4)采用集成學習方法以及Stacking結合策略得到分類模型，最后對分類模型進行評估。

技術領域

本發明涉及到心電磁信號分類領域，具體涉及到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。

背景技術

根據2016年世界衛生組織(WHO)的一份報告，冠心病又稱缺血性心臟病，是世界上主要的死亡原因。世衛組織的研究顯示，每年有超過1770萬人死于心血管疾病，其中80％是由心臟病引起的。心肌梗死，屬于冠心病，是部分或完全阻塞冠狀動脈導致心臟血流不足的結果。心肌梗死患者可通過心電圖、超聲心動圖、磁共振成像(MRI)、肌酸激酶MB(CK-MB)、肌鈣蛋白和肌紅蛋白等心臟生物標志物的變化等方法進行診斷。在實踐中，由于心肌梗死的診斷對時效性要求很高，因此有迫切需要的患者，首選的診斷方法是心電圖。急救室內一般備有心電圖機，如果能準確識別，就能迅速且高度準確地診斷心肌梗死。另外，現階段心臟磁信號檢測設備也在迅速發展，較心臟電信號而言，心臟磁信號由于具備矢量性，因此理論上能夠攜帶更多的信息。部分學者研究發現在心肌梗死等心臟疾病的診斷中心臟磁信號具有較高的特異性和穩定性。盡管目前心臟磁信號在臨床使用中還存在一些問題，但不可否認的是其具有許多潛在的臨床應用價值。因此基于心電磁信號的心肌梗死疾病的智能化分類在臨床醫學救治上是一項具有重大意義和前瞻性的工作。

基于心電磁信號的心肌梗死疾病的智能化分類方法主要分為2種。一種是基于特征的經典分類方法，特點是先通過數據預處理進行特征提取，然后再使用一個淺層的分類器對提取得到的特征進行分類。這類方法的特征提取部分與分類部分結構相互獨立，只通過特征進行耦合。因此，其整體性能主要取決于特征的優劣，所以該方法過分依賴于特征工程，需要大量的人力，而且受限于人類知識和經驗的水平。另外一種是端到端的深層神經網絡分類方法，該方法允許將原始信號經過簡單的降噪預處理后直接送入神經網絡。以神經網絡作為分類器的好處在于只需要給它提供訓練樣本，它就可以自動學習去提取特征并綜合特征給出分類結果。由于提取特征是根據訓練算法自動進行，這種方法可以避免人類知識和經驗水平的限制從而獲得更高的準確率。然而現有的深度神經網絡對心電磁信號的分類主要存在以下2個問題。一個是由于心電磁信號是典型的時間序列信號，雖然現在深層神經網絡在計算機視覺和語言識別上發展得很好，但是遇到時間序列信號時構建分類模型是很難的，原因包括：循環神經網絡較難訓練，部分計算機視覺方面的研究成果難以運用于時間序列信號。另一個是，心電磁信號數據不可避免的存在類別不平衡問題。目前，國內外一些處理辦法主要的有2種，一種是將心電磁信號數據集中的多數類樣本和少數類樣本直接合并組成訓練集對網絡進行訓練，這樣雖然沒有浪費數據，但與實際情況相差甚遠，導致實驗得到的分類模型分類效果很好，可實用價值一般。另一種是對數量較多的心肌梗死的信號進行欠采樣再與健康對照的信號合并，這樣雖然解決了類別不平衡問題，但浪費了部分心肌梗死信號，造成其部分特征丟失。

發明內容

本發明要解決的技術問題是：克服作為時間序列的心電磁信號分類模型訓練困難問題和類別不平衡問題，為心肌梗死實時檢測提供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，該方法獲得的分類模型具有訓練簡單、分類精度高、檢測速度快、適應性好、可靠性高的特點。

本發明解決其技術問題所采用的技術方案為：

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，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；