[发明专利]一种基于动态模式识别的心电信号ST-T段识别方法

权利要求书

1.一种基于动态模式识别的心电信号ST-T段识别方法，其特征在于，包含如下步骤：

步骤一、用户端信号采集：

(1)心电ECG信号预处理：利用用户端的穿戴式心电数据采集设备获取心电图ECG信号的数值数据，用中值滤波器进行基线漂移矫正，再用小波变换滤除50Hz工频干扰和肌电干扰；

(2)心电信号质量评估：取肢体导联I为代表，检测每个周期内幅值最大的R波，以此计算心率，心率严重不齐的数据为质量评估不合格，在用户终端给予个人用户提示，请求重新采集数据；

(3)截取ST-T段数据预设训练集：对质量评估合格的数据，取肢体导联I、胸导联V2和V5作为预设训练导联，并截取出ST-T段在空间中进行归一化处理，处理后的数据作为训练集数据；

步骤二、将训练集数据通过网络发送至云服务器进行大规模快速计算：

(1)通过动态模式识别方法对数据内在系统动态进行训练并建立模式库，利用RBF神经网络实现对各训练集ST-T段数据内在系统动态的局部准确建模，训练所得的动态知识以常值神经网络权值的形式进行存储，并由此建立模式库；所述通过动态模式识别方法对数据内在系统动态进行训练是指动态知识获得的过程，动态神经网络辨识器的形式如下：

其中，a_i是设计常数，满足0＜|a_i|＜1；为神经网络辨识器的状态；x_i(k)为所训练的模式数据的第i维数据，其中i＝X,Y,Z，具体分别是指肢体导联I、胸导联V2和V5的ST-T段数据；为状态误差；X(k)＝[x_X(k),x_Y(k),x_Z(k)]^T∈R³在训练阶段是k时刻的训练数据；是动态RBF神经网络，是用来近似训练数据内在动态；S(X(k))＝[s₁(||X(k)-ξ₁||),…,s_N(||X(k)-ξ_N||)]^T是高斯型径向基函数；N＞1是神经网络结点数目；ξ_j，j＝1,…,N是神经元中心点，RBF神经网络权值的调节律按确定学习理论的海量时态数据建模方法中给出的形式即可；其中，动态RBF神经网络的权值的初始值常值神经网络权值是指在一段时间内权值收敛至最优值，选取收敛的部分权值取数值平均，获取相应的神经网络常值权值使f_i由常值神经网络进行局部准确逼近，即：

其中，ε_i2是逼近误差；

(2)利用训练所得的常值神经网络构建动态估计器：模式库中每个模式数据的动态特征都已经以常值神经网络权值的形式存储，这些权值重新构建新的常值神经网络，并嵌入动态估计器中，每个模式对应了一个动态估计器；所述权值重新构建新的常值神经网络，并嵌入动态估计器中，每个模式对应了一个动态估计器是指利用训练过程所得的常值神经网络权值构造一组动态估计器，将每个动态估计器的状态分别与测试数据进行比较，并且将它们之间的差值作为残差；此时的残差的组数与模式库内的模式数量一致；动态估计器形式如下：

其中，b_i是设计常数，满足0＜b_i＜1；为动态估计器的状态；h表示第h个动态估计器，h＝1,…,M，M为模式库中的模式数量；x_i(k)为测试数据的第i维数据；X(k)＝[x_X(k),x_Y(k),x_Z(k)]^T∈R³在识别阶段是k时刻的模式数据；是通过确定学习获得的常数RBF神经网络，当动态估计器对应的病症模式出现时，常数RBF神经网络能快速回忆已经训练到的知识，提供该模式的内部动态信息；动态估计器的状态与测试数据的同时刻数据之间的误差即为残差，此时的残差是多维数据；相似度计算性对比是动态估计器的状态与测试数据的同时刻数据之间的误差求取平均L₁范数：

其中，T_c表示心动周期；为表述简洁，将残差的平均L₁范数直接称为动态模式识别方法的残差；

(3)比较测试数据与模式库内各模式之间的内在系统动态差异，由最小残差原理实现对测试模式的准确识别：将被测的未知心电数据经过步骤一的(1)(2)(3)步处理后与模式库中已有模式进行动力学上的相似度计算性对比，生成一组对应的计算识别残差，残差值最小说明测试模式与此残差对应的估计器所代表的模式匹配；

(4)选取模式数量20％的最小残差进行识别结果修正：根据统计原理，选取模式数量20％的最小残差，将其对应的病症模式与测试数据进行动力学对比分析，排除动力学上明显不同的情况，修正识别结果，并且当测试数据无法与模式库内已有模式匹配时，将此数据作为新的病症模式加入模式库，完善数据库记录；

步骤三、将识别结果发送至云终端和用户端，云终端供医疗数据存档以备专业医师查看和进一步诊断，用户端提供给个人用户心电识别结果。