[发明专利]一种心脏病理识别模型的构建方法

说明书

技术领域

本发明属于心电识别技术领域，特别涉及一种心脏病理识别模型的构建方法。

背景技术

心脑血管疾病是困扰着许多人的疾病，其中，每年有大量的人因为心肌梗塞导致死亡，医学界对心脏疾病的治疗还需要更多的研究与实践，医学与其他学科的交叉应用能够在这方面发挥一定的作用，将计算机科学与医学相结合，可以提前预防心脏疾病的发生、实时监测心脏状况，这对心脏保健是非常有效的。例如在心脏部位放置便携式的心电传感器，传感器实时采集到心电信号，并把这些数据发送到智能手机上进行计算，手机能够及时响应给用户当前心脏的情况。

心房肥大是各种心脏疾病中重要的一种，在模式识别领域没有相关研究成果。由于心房肥大样本数据很少，这给模式识别的研究造成了巨大的障碍，本发明针对心房肥大进行专门研究，研究了在心房肥大数据样本较少情况下的训练与识别算法，展示了基于统计模型的支持向量机（Support vector machine, SVM）在心房肥大识别方面的应用。另外还对SVM进行改进，将SVM与带有拒绝域的分类器（Rejection，R）进行融合，展示了这种融合分类器在心房肥大识别上的应用，将SVM与拒绝域分类器（Rejection，R）融合的分类器SVM-R对心房肥大模式上具有较高的识别准确率与诊断可信度。

发明内容

本发明的目的是克服现有技术的不足，提供一种心脏病理识别模型的构建方法。

本发明的技术方案如下，

心脏病理识别模型的构建方法包括以下步骤：

1）从数据库中分别获取心房肥大患者的心电数据和健康人的心电数据，将这些心电数据下载到本地；

2）从每个人的心电数据中分别选取五次心跳进行采样，按奈奎斯特定理针对每次心跳选用50个采样点幅值作为该次心跳的特征向量A；

3）针对每个人，计算采样点幅值的平均值，然后让心跳的特征向量A中的每个采样点幅值减掉采样点幅值的平均值，形成心跳的特征向量B；

4）在每个心跳的特征向量B的开头增加一个标志位，标志位用0表示该心跳的特征向量是正常心跳的特征向量，标志位用1表示该心跳的特征向量是患有心房肥大的心跳的特征向量，50个采样点幅值和标志位形成心跳的特征向量C；

5）使用心跳的特征向量C对支持向量机数学模型进行训练得到训练后的支持向量机数学模型，支持向量机数学模型选用的核函数为高斯核函数； 

6）定义训练后的支持向量机数学模型的整个分类空间大小为1，训练后的支持向量机数学模型形成超平面，选取超平面周围的空间作为拒绝域，该拒绝域占整个分类空间大小的20%，对拒绝域内的待识别的心跳的特征向量不进行分类；

7）拒绝域和训练后的对支持向量机数学模型即构成心脏病理识别模型。

本发明与现有技术相比的有益效果是：

在用于训练数学模型的数据匮乏的情况下，现有的分类器无法达到良好的分类准确率，缺乏实用价值，本发明的构建的分类器能够达到较高的分类准确率，满足实际应用的需求。

附图说明

图1是心电诊断系统中的心脏病理识别模型的示意图；        

图2是应用本发明的心脏病理识别模型进行心房肥大识别的流程图。

具体实施方式

如图1所示，心脏病理识别模型的构建方法包括以下步骤：

1）从数据库中分别获取心房肥大患者的心电数据和健康人的心电数据，将这些心电数据下载到本地；

2）从每个人的心电数据中分别选取五次心跳进行采样，按奈奎斯特定理针对每次心跳选用50个采样点幅值作为该次心跳的特征向量A；

3）针对每个人，计算采样点幅值的平均值，然后让心跳的特征向量A中的每个采样点幅值减掉采样点幅值的平均值，形成心跳的特征向量B；

4）在每个心跳的特征向量B的开头增加一个标志位，标志位用0表示该心跳的特征向量是正常心跳的特征向量，标志位用1表示该心跳的特征向量是患有心房肥大的心跳的特征向量，50个采样点幅值和标志位形成心跳的特征向量C；

5）使用心跳的特征向量C对支持向量机数学模型进行训练得到训练后的支持向量机数学模型，支持向量机数学模型选用的核函数为高斯核函数； 

6）定义训练后的支持向量机数学模型的整个分类空间大小为1，训练后的支持向量机数学模型形成超平面，选取超平面周围的空间作为拒绝域，该拒绝域占整个分类空间大小的20%，对拒绝域内的待识别的心跳的特征向量不进行分类；