本發(fā)明屬于模式識(shí)別，具體涉及一種基于心電時(shí)空特征學(xué)習(xí)的心電信號(hào)分類方法。

背景技術(shù)：

1、心電信號(hào)(ecg)檢測是醫(yī)療診斷中的一項(xiàng)關(guān)鍵技術(shù)，用于監(jiān)測和分析心電活動(dòng)。雖然智能心電檢測已經(jīng)取得了很多進(jìn)展，但這些工作大多集中在提取心電信號(hào)的靜態(tài)或統(tǒng)計(jì)特征上，將心電模式的分類問題轉(zhuǎn)化為靜態(tài)模式的分類問題。由于靜態(tài)特征有限，不足以全面描述心電信號(hào)的時(shí)間性質(zhì)。而如果想要全面描述心電信號(hào)的時(shí)間性質(zhì)，一種可能的方法是提取心電信號(hào)的非線性動(dòng)態(tài)特征，并建立一個(gè)有效的、動(dòng)態(tài)的心電模式框架。然而，如何提取和表示心電過程中的非線性動(dòng)力學(xué)特征仍然是一個(gè)具有挑戰(zhàn)性的問題，如何將提取的非線性動(dòng)力學(xué)特征重用于心電分類識(shí)別也是一個(gè)關(guān)鍵問題。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的是克服現(xiàn)有技術(shù)存在的問題，通過提取心電信號(hào)的非線性動(dòng)態(tài)特征，提供一種更為簡潔準(zhǔn)確的，基于非線性心電動(dòng)力學(xué)指標(biāo)的心電信號(hào)分類方法。

2、為解決上述問題，本發(fā)明的具體技術(shù)方案通過如下步驟實(shí)現(xiàn)：

3、步驟1：采集人體體表12導(dǎo)聯(lián)的心電信號(hào)，將心電信號(hào)劃分為訓(xùn)練集和測試集，重構(gòu)信號(hào)相空間，并計(jì)算相空間中信號(hào)軌跡點(diǎn)到空間原點(diǎn)的歐氏距離作為非線性心電動(dòng)態(tài)參數(shù)。

4、步驟2：提取信號(hào)相空間歐氏距離參數(shù)的深層次非線性心電動(dòng)力學(xué)特征，并計(jì)算非線性心電動(dòng)力學(xué)特征的時(shí)間復(fù)雜度和空間復(fù)雜度。

5、步驟3：基于時(shí)間復(fù)雜度和空間復(fù)雜度選擇相應(yīng)的分類器，將訓(xùn)練集的非線性心電動(dòng)力學(xué)特征輸入至選擇的分類器訓(xùn)練，測試集的非線性心電動(dòng)力學(xué)特征輸入至訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行識(shí)別，完成心電信號(hào)的分類。

6、優(yōu)選地，所述步驟1，具體包括以下過程：

7、(1)對(duì)心電信號(hào)去除噪聲和偽影，劃分出訓(xùn)練集和測試集。

8、(2)重構(gòu)12導(dǎo)聯(lián)心電信號(hào)的相空間：

9、

10、其中，是相空間中第i導(dǎo)聯(lián)第j個(gè)坐標(biāo)點(diǎn)的信息，它由若干個(gè)信息點(diǎn)組成，而τ為時(shí)延，d表示相空間的嵌入維數(shù)。

11、(3)計(jì)算相空間中信號(hào)軌跡點(diǎn)到空間原點(diǎn)的歐氏距離作為非線性心電動(dòng)態(tài)參數(shù)：

12、

13、其中，是相空間中第i導(dǎo)聯(lián)第j個(gè)坐標(biāo)向量距離空間原點(diǎn)的歐式距離。

14、優(yōu)選地，所述步驟2，主要包括以下過程：

15、(1)建立非線性心電動(dòng)力學(xué)模型的徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)，將訓(xùn)練集和測試集的非線性心電動(dòng)態(tài)參數(shù)輸入到非線性心電動(dòng)力學(xué)模型的徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)中，提取以常值神經(jīng)網(wǎng)絡(luò)權(quán)值矩陣存儲(chǔ)的非線性心電動(dòng)力學(xué)特征；

16、(2)計(jì)算非線性心電動(dòng)力學(xué)特征每一維度的時(shí)間復(fù)雜度和空間復(fù)雜度，得到非線性心電動(dòng)力學(xué)總的時(shí)間復(fù)雜度和空間復(fù)雜度。

17、優(yōu)選地，非線性心電動(dòng)力學(xué)特征，具體計(jì)算方式為下式：

18、

19、其中，表示第i導(dǎo)聯(lián)的非線性心電動(dòng)力學(xué)模型，x表示輸入信號(hào)的狀態(tài)變量，p表示系統(tǒng)參數(shù)。是高斯徑向基函數(shù)rbf神經(jīng)網(wǎng)絡(luò)根據(jù)輸入軌跡在網(wǎng)絡(luò)神經(jīng)元不同距離程度下學(xué)習(xí)到的收斂權(quán)值均值，a是對(duì)角矩陣，對(duì)角矩陣內(nèi)部ai是增益參數(shù)，表示高斯徑向基函數(shù)rbf神經(jīng)網(wǎng)絡(luò)自動(dòng)學(xué)習(xí)到的權(quán)值，最后會(huì)趨于收斂；s(x)代表高斯徑向基函數(shù)，里面包含了神經(jīng)元數(shù)量以及位置分布情況等信息；εi代表學(xué)習(xí)誤差；構(gòu)成了通過rbf神經(jīng)網(wǎng)絡(luò)不斷對(duì)局部非線性心電動(dòng)態(tài)參數(shù)軌跡的內(nèi)在非線性動(dòng)力學(xué)辨識(shí)得到的非線性心電動(dòng)力學(xué)特征。

20、優(yōu)選地，對(duì)于非線性心電動(dòng)力學(xué)特征每一維度的時(shí)間復(fù)雜度和空間復(fù)雜度，具體計(jì)算方式如下：

21、

22、其中，tck表示第k個(gè)非線性心電動(dòng)態(tài)參數(shù)ed序列的時(shí)間復(fù)雜度，其計(jì)算公式為下式：

23、

24、其中，lk是第k個(gè)新序列中不同子串的數(shù)量，ok(n)表示復(fù)雜度計(jì)數(shù)，n表示新序列的長度；其計(jì)算流程為：

25、(1)取非線性心電動(dòng)力學(xué)特征x的極值點(diǎn)進(jìn)行升序排序，并轉(zhuǎn)化為新的長度為l的序列f(j′)；

26、(2)創(chuàng)建符號(hào)集合γ＝{1,…,t}，對(duì)非線性心電動(dòng)力學(xué)特征的極值點(diǎn)進(jìn)行轉(zhuǎn)換，得到新的符號(hào)序列y(i')：

27、

28、(3)將符號(hào)序列y(i')分解為一系列子串，前子串記錄為a＝{yk(1),yk(2),…,yk(m'-1)},后子串記錄為b＝{yk(m')}，則ab＝{yk(1),yk(2),…,,yk(m'-1),yk(m')}，表示剔除ab最后一個(gè)元素的子串，即如果b是的子串，更新b＝{yk(m'),yk(m'+1)}，否則更新a＝{yk(1),yk(2),…,yk(m')}，更新b＝{yk(m'+1)}，同時(shí)復(fù)雜度計(jì)數(shù)ok(n)加1；

29、sk表示第k個(gè)非線性心電動(dòng)態(tài)參數(shù)ed序列的空間復(fù)雜度，其計(jì)算公式為下式：

30、

31、其中，l'k是第k個(gè)新序列中不同子串的數(shù)量，ok(m)表示復(fù)雜度計(jì)數(shù)，m表示新序列的長度；其計(jì)算流程為：

32、(1)計(jì)算非線性心電動(dòng)力學(xué)特征x每個(gè)點(diǎn)的方向?qū)?shù)，得到反映非線性心電動(dòng)力學(xué)特征x每個(gè)點(diǎn)的空間變化速率序列r(i)。

33、(2)將r(i)分解為一系列子串，其復(fù)雜度計(jì)算ok(m)同時(shí)間復(fù)雜度計(jì)數(shù)ok(n)的規(guī)則一致。

34、優(yōu)選地，所述步驟3中，選擇的方法是：

35、當(dāng)時(shí)間復(fù)雜度tc遠(yuǎn)遠(yuǎn)大于空間復(fù)雜度sc時(shí)，即tc＞＞sc，選擇空間占優(yōu)分類模型進(jìn)行分類識(shí)別；

36、當(dāng)時(shí)間復(fù)雜度tc遠(yuǎn)遠(yuǎn)小于空間復(fù)雜度sc時(shí)，即tc＜＜sc，選擇時(shí)間占優(yōu)分類模型進(jìn)行分類識(shí)別；

37、當(dāng)時(shí)間復(fù)雜度tc和空間復(fù)雜度sc滿足tc>sc且時(shí)，選擇時(shí)間-空間級(jí)聯(lián)模型進(jìn)行分類識(shí)別。

38、當(dāng)時(shí)間復(fù)雜度tc和空間復(fù)雜度sc滿足sc>tc且時(shí)，選擇空間-時(shí)間級(jí)聯(lián)模型進(jìn)行分類識(shí)別。

39、優(yōu)選地，所述空間占優(yōu)分類模型，具體結(jié)構(gòu)如下：

40、空間占優(yōu)分類模型包括輸入處理層、網(wǎng)絡(luò)初始化層、密集連接層、全局平均池化層、全連接層，共計(jì)五層結(jié)構(gòu)。

41、(1)第一層是輸入處理層，針對(duì)12維度的非線性心電動(dòng)力學(xué)特征，具體輸入方式為下式：

42、i1＝c[r(x1),r(x2),...,r(x12)]

43、其中x1,x2,...,x12是非線性心電動(dòng)力學(xué)特征，r表示將特征執(zhí)行維度重構(gòu)操作，c表示對(duì)重構(gòu)后的特征矩陣進(jìn)行堆疊，堆疊后的三維特征i1作為空間占優(yōu)分類模型的輸入。

44、(2)第二層是網(wǎng)絡(luò)初始化層，包括64個(gè)3×3×3卷積核組成的三維卷積層；

45、(3)第三層為密集連接層，主要由3個(gè)密集模塊和2個(gè)轉(zhuǎn)化層交替組成。其中3個(gè)密集模塊分別由3、4、6個(gè)密集層組成，密集層由核大小為3×3×3的三維卷積層、非線性激活層、隨機(jī)失活層依次堆疊而成，密集層之間采用密集連接方式；轉(zhuǎn)化層主要由核大小為1×1×1的三維卷積層以及核大小為1×2×2最大池化層組成；

46、(4)第四層為全局平均池化層，由核大小為12×8×16的平均池化層構(gòu)成；

47、(5)第五層為全連接層，完成對(duì)心電信號(hào)的分類。

48、優(yōu)選地，所述時(shí)間占優(yōu)分類模型，具體結(jié)構(gòu)如下：

49、時(shí)間占優(yōu)分類模型包括網(wǎng)絡(luò)初始層、殘差連接層、全局平均池化層、特征融合層、全連接層，共計(jì)五層結(jié)構(gòu)。

50、(1)第一層為網(wǎng)絡(luò)初始層，由64個(gè)核大小為7的卷積核組成的一維卷積層、核大小為3的一維最大池化層組成；

51、(2)第二層為殘差連接層，包括四個(gè)殘差模塊，四個(gè)殘差模塊分別由3、4、6、3個(gè)殘差層組成，共計(jì)16層殘差層，每個(gè)殘差層主要由一維卷積層，歸一化層，非線性激活層依次組成，層與層之間采用殘差連接；

52、(3)第三層為全局平均池化層，由核大小為64的平均池化層組成；

53、(4)第四層為特征融合層，具體融合方式為下式：

54、i2＝a[y1,y2,...,y12]

55、其中，y1,y2,...,y12表示每個(gè)維度的非線性心電特征經(jīng)過時(shí)間占優(yōu)分類模型前三層后全局平均池化層輸出的特征，a表示采用逐元素相加方式，12維度的時(shí)間特征通過特征融合后，變成一維時(shí)間特征；

56、(5)第五層為全連接層，完成對(duì)心電信號(hào)的分類。

57、優(yōu)選地，所述時(shí)間-空間級(jí)聯(lián)模型，具體結(jié)構(gòu)如下：

58、時(shí)間-空間級(jí)聯(lián)模型包括網(wǎng)絡(luò)初始層、殘差連接層、全局平均池化層、特征融合層、空間初始化層、密集連接層、全局平均池化層、全連接層，共計(jì)八層結(jié)構(gòu)。

59、(1)第一層為初始層，由64個(gè)核大小為7的卷積核組成的一維卷積層和核大小為3的一維最大池化層組成；

60、(2)第二層為殘差連接層，包括四個(gè)殘差模塊，四個(gè)殘差模塊分別由3、4、6、3個(gè)殘差層組成，共計(jì)16層殘差層，每個(gè)殘差層主要由一維卷積層，歸一化層，非線性激活層依次組成，層與層之間采用殘差連接；

61、(3)第三層為全局平均池化層，由核大小為64的平均池化層組成；

62、(4)第四層為特征處理層，該層主要負(fù)責(zé)對(duì)輸出的12個(gè)一維時(shí)間特征進(jìn)行重構(gòu)堆疊，具體計(jì)算方式為下式：

63、i3＝c[r(y1),r(y2),...,r(y12)]

64、其中，y1,y2,...,y12是非線性心電動(dòng)力學(xué)特征經(jīng)過前三層提取到的一維時(shí)間特征向量，r表示將一維時(shí)間特征向量執(zhí)行維度重構(gòu)操作，c表示對(duì)重構(gòu)后的特征矩陣的深度進(jìn)行堆疊，堆疊后的三維特征i3作為后續(xù)層的輸入；

65、(5)第五層是空間初始化層，包括64個(gè)3×3×3卷積核組成的三維卷積層；

66、(6)第六層為密集連接層，主要由3個(gè)密集模塊和2個(gè)轉(zhuǎn)化層交替組成。其中3個(gè)密集模塊分別由3、4、6個(gè)密集層組成，密集層由核大小為3×3×3的三維卷積層、非線性激活層、隨機(jī)失活層依次堆疊而成，密集層之間采用密集連接方式；轉(zhuǎn)化層主要由核大小為1×1×1的三維卷積層以及核大小為1×2×2最大池化層組成；

67、(7)第七層為全局平均池化層，由核大小為12×8×16的平均池化層構(gòu)成；

68、(8)第八層為全連接層，完成對(duì)心電信號(hào)的分類；

69、優(yōu)選地，所述空間-時(shí)間級(jí)聯(lián)模型，具體結(jié)構(gòu)如下：

70、空間-時(shí)間級(jí)聯(lián)模型包括網(wǎng)絡(luò)初始層、殘差連接層、全局平均池化層、特征融合層、空間初始化層、密集連接層、全局平均池化層、全連接層，共計(jì)八層結(jié)構(gòu)。

71、(1)第一層為輸入處理層，針對(duì)12維度的非線性心電動(dòng)力學(xué)特征，具體處理方式為下式：

72、i4＝c[r(x1),r(x2),...,r(x12)]

73、其中k1,x2,...,x12是非線性心電動(dòng)力學(xué)特征，r表示將特征執(zhí)行維度重構(gòu)操作，c表示對(duì)特征矩陣進(jìn)行堆疊，堆疊后的三維特征i4作空間-時(shí)間級(jí)聯(lián)模型的輸入；

74、(2)第二層是空間初始化層，包括64個(gè)3×3×3卷積核組成的三維卷積層；

75、(3)第三層為密集連接層，主要由3個(gè)密集模塊和2個(gè)轉(zhuǎn)化層交替組成。其中3個(gè)密集模塊分別由3、4、6個(gè)密集層組成，密集層由核大小為3×3×3的三維卷積層、非線性激活層、隨機(jī)失活層依次堆疊而成，密集層之間采用密集連接方式；轉(zhuǎn)化層主要由核大小為1×1×1的三維卷積層以及核大小為1×2×2最大池化層組成；

76、(4)第四層為全局平均池化層，由核大小為12×8×16的平均池化層構(gòu)成；

77、(5)第五層為時(shí)間初始層，由64個(gè)核大小為7的卷積核組成的一維卷積層和核大小為3的一維最大池化層組成；

78、(6)第六層為殘差連接層，包括四個(gè)殘差模塊，四個(gè)殘差模塊分別由3、4、6、3個(gè)殘差層組成，共計(jì)16層殘差層，每個(gè)殘差層主要由一維卷積層，歸一化層，非線性激活層依次組成，層與層之間采用殘差連接；

79、(7)第七層為全局平均池化層，由核大小為18的平均池化層組成；

80、(8)第八層為全連接層，完成對(duì)心電信號(hào)的分類。

81、本發(fā)明與現(xiàn)有技術(shù)相比，具有如下優(yōu)點(diǎn)和有益效果：

82、1、對(duì)體表12導(dǎo)聯(lián)心電信號(hào)的相空間進(jìn)行重構(gòu)，所獲得非線性心電動(dòng)態(tài)參數(shù)ed更能反映出心電信號(hào)的內(nèi)在信息，同時(shí)進(jìn)一步進(jìn)行非線性特征提取，這種非線性動(dòng)態(tài)表征對(duì)心電識(shí)別具有較高的判別能力。

83、2、與常用的單導(dǎo)聯(lián)心電分類不同，該方法充分利用了12導(dǎo)聯(lián)心電信號(hào)，并根據(jù)時(shí)間復(fù)雜度和空間復(fù)雜度結(jié)合提取每條導(dǎo)聯(lián)的時(shí)空特征，形成了綜合的心電特征方法，對(duì)心電信號(hào)具有較好的識(shí)別能力。