[发明专利]分类器的生成方法、房颤检测装置及存储介质在审
申请号: | 201711402020.1 | 申请日: | 2017-12-22 |
公开(公告)号: | CN109960968A | 公开(公告)日: | 2019-07-02 |
发明(设计)人: | 代超;卓远;董喜艳;薛奋;梁菊兰 | 申请(专利权)人: | 成都心吉康科技有限公司 |
主分类号: | G06K9/00 | 分类号: | G06K9/00 |
代理公司: | 暂无信息 | 代理人: | 暂无信息 |
地址: | 610041 四川省成都市高新区*** | 国省代码: | 四川;51 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 分类器 房颤检测装置 存储介质 间期 心搏 标记类型 特征向量 机器学习模型 分类检测 机器学习 检测信号 心搏信号 原始特征 鉴别性 鲁棒性 频数 维度 噪声 样本 分组 | ||
1.一种分类器的生成方法,其特征在于,包括:
基于预先标记类型的心搏信号片段,提取心搏间期,得到心搏间期序列,其中,所述预先标记类型包括房颤和非房颤;
基于所述心搏间期序列,计算心搏间期变异值,得到心搏间期变异值序列;
对所述心搏间期变异值序列进行分组,提取各组数据的频数作为特征向量;
对所述的标记类型和特征向量进行机器学习,生成所述分类器。
2.根据权利要求1所述的方法,其特征在于,所述各组的组距不完全相等。
3.根据权利要求1所述的方法,其特征在于,所述各组的组距的右端值等比递增。
4.根据权利要求1~3任一项所述的方法,其特征在于,通过设置映射表或者求直方图的方式对所述心搏间期变异值序列进行分组。
5.根据权利要求4所述的方法,其特征在于,所述机器学习基于线性回归模型,采用粒子群优化算法、遗传算法或者蚁群算法求解最优化模型参数;其中,机器学习模型的目标函数定义为
i表示训练样本序数,ci表示第i个训练样本的特征向量,Yi表示第i个训练样本的标记类型,x表示待求解的所述最优化模型参数,Dif表示预设的区分值。
6.根据权利要求5所述的方法,其特征在于,所述机器学习采用判式
对所述分类器进行测试验证,其中,j表示测试样本序数,cj表示第j个测试样本的特征向量,Nj表示第j个测试样本包括的心搏间期的数量。
7.根据权利要求6所述的方法,其特征在于,各测试样本包括的心搏间期的数量非必须相等。
8.根据权利要求1~3任一项所述的方法,其特征在于,采用公式dINT(n)=Max(INT(n),INT(n-1))/Min(INT(n),INT(n-1))-1计算所述心搏间期变异值,其中,
Max(INT(n),INT(n-1))表示取INT(n)和INT(n-1)中的最大值,
Min(INT(n),INT(n-1))表示取INT(n)和INT(n-1)中的最小值,
INT(n)表示第n个心搏间期的长度,
INT(n-1)表示紧邻INT(n)的前一个心搏间期的长度,
n≥2。
9.一种房颤检测装置,其特征在于,包括:
心搏间期提取模块,用于从被检测信号中提取系列心搏间期;
间期变异值计算模块,用于基于所述系列心搏间期计算得到系列间期变异值;
变异值分组统计模块,用于对所述系列间期变异值进行分组,统计各组数据的变异值频数,得到由若干组变异值频数构成的频数序列;以及
分类判断模块,用于基于如权利要求1~8任一项方法生成的分类器对所述频数序列分类,以判断所述被检测信号是否类属于房颤。
10.一种计算机存储介质,所述计算机存储介质存储有计算机程序,其特征在于,所述计算机程序被执行时实现如权利要求9所述的装置的模块功能。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于成都心吉康科技有限公司,未经成都心吉康科技有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201711402020.1/1.html,转载请声明来源钻瓜专利网。