[发明专利]基于伪Wigner-Ville分布的心电图诊断方法

权利要求书

1.一种基于伪Wigner-Ville分布的心电图诊断模型的建立方法，其特征在于，包括以下步骤：

步骤1：提取历史心电图的特征，获得历史心电图所对应的数据串string_1，将所有历史心电图的数据串string_1组成训练集，其中，提取心电图的特征包括以下步骤：

步骤1.1、读取心电图数据，通过伪Wigner-Ville分布计算得到心电数据时间、频率和幅度三者的映射关系并绘制得到三维图image_1；

步骤1.2、将得到三维图image_1进行数据转换获得二维数据，即得到数据矩阵matrix_1，包括以下步骤：

1)获得多频振幅曲线：沿时间轴以Δ＝30ms作为间隔横切三维图image_1，得到多频振幅曲线；

2)将得到的多频振幅曲线进行二维叠加，得到频率-幅值图image_2；

3)针对频率-幅值图image_2，以Δ＝9.3mV为间隔在表示幅度的Y轴-250mV至450mV范围内进行扫描；以间隔为0.67Hz沿表示频率的X轴在0到50Hz范围内扫描；在扫描过程中，若某一点存在于扫描线交点处，则矩阵对应的值将设置为1，通过两轮扫描，得到所述数据矩阵matrix_1；

步骤1.3根据数据矩阵matrix_1，从数据矩阵matrix_1的顶部到底部逐行读取数据并将每行数据首尾拼接，形成二进制一维数据串string_1，数据串string_1中数值表示频率和幅度特征；

步骤2：将步骤1中得到的训练集输入到神经网络进行训练，包括以下步骤：

步骤2.1、搭建神经网络，确定神经网络整体架构的各个参数，并选择激活函数、优化算法、损失函数；

步骤2.2、初始化神经网络，将随机值分配给神经网络各层的权重和偏置；

步骤2.3、训练集中的数据串string_1分别通过神经网络输入层、隐藏层和输出层计算从而得到诊断结果；

步骤2.4、根据判别结果和病例标签，计算损失函数，并根据梯度下降算法调整各层权重和偏置：

步骤2.5、将训练集中的数据重复步骤2.4，直至误差e≤0.001，此时得到结构稳定且预测准确率较高的神经网络结构。

2.如权利要求1所述的一种基于伪Wigner-Ville分布的心电图诊断模型的建立方法，其特征在于，在所述步骤1中，提取历史心电图的特征前，对心电数据进行高斯滤波处理，并根据每一心电数据的病症添加病理标签。

3.如权利要求1所述的一种基于伪Wigner-Ville分布的心电图诊断模型的建立方法，其特征在于，所述神经网络整体架构包括如下参数：

参数1：节点个数，包括输入层、输出层和隐藏层节点的数量；

参数2：学习率，即前一个节点对后一个节点影响的权重；

参数3：激活函数，用于提升网络的非线性建模能力；

参数4：优化算法，用于改善训练方式，从而最小化损失函数；

参数5：损失函数，用于用来计算测试集中目标值Y的真实值和预测值的偏差程度的。