[发明专利]一种基于高斯混合模型的心电信号识别算法

说明书

本发明涉及一种基于高斯混合模型心电信号识别算法，该方法具体过程是：首先确定读取原始心电图像，应用心电提取算法获取连续周期心电信号，然后根据心电数据点导数(包括一阶和二阶导数)，对周期心电信号进行分割，提取单个周期的心电数据。并利用插值法，实现对缺失数据进行平滑。再此基础上，将相应心电数据进行分组，并通过训练集上的心电数据进行训练。训练过程中，根据高斯混合模型的最优解的数字特征，通过先对模型参数进行初始化，而后依据二阶平方差最小，获取隐函数的Q表达，继而根据相应的公式，对原始参数进行相应的调整，重复上述过程，使得模型参数的逐步向最优值靠近。当误差在一定范围后，停止训练，并使用交叉验证集上的数据，对模型参数进行调优。最终获得稳定的模型参数。该算法方法不仅快速、高效，而且能够有效克服局部心电图因扭曲、噪声等因素造成的失真，在心电信号自动分析过程中具有重要的应用价值。

技术领域

本发明涉及心电信号自动化处理技术领域，特别是一种基于高斯混合模型的心电信号识别算法

背景技术

心电自动化分析是人工智能背景下互联网+时代的研究热点之一。它以互联网为纽带，以智能终端为载体，将用户与中央心电监护链接起来，在实现心电快速采集的同时，借助人工智能技术，实现心电信号自动分析，从而为用户提供及时、准确的心血健康状况的客观评估，能有效避免猝死等悲剧的发生。这无论在理论还是社会实用价值上都具有非常重要的意义。本发明算法属于数字心电信号自动化处理领域。该算法以数字心电信号图像为处理对象，并运用数字图像处理技术，从心电数字图像中提取出数字心电信号。并在此基础上，通过使用高斯混合模型，将提取到的心电信号进行识别，从而能够辅助医生对相应心血管疾病的诊断。

随着人工智能技术不断发展与完善，人工智能技术应用范围也在不断扩展。自动化心电识别就是将人工智能技术与心电分析应用相结合，它利用多层神经网络模型(如限制性玻尔兹曼机模型RBM，自动编码器模型AE，变分自动编码器模型VAE等)。首先用一组心电信号作为输入，对多层神经网络模型进行训练。然后再通过该多层神经网络模型中的隐层实现对未知心电信号进行特征抽取。在获取到心电特征之后，就可以通过对心电特征进行相应的分析，从而判断心血管疾病的发生与否，在此基础上还可以进一步推断心血管疾病的类型，在临床上为后续的诊断和治疗提供依据。

自动化心电分析技术有着广泛的应用前景。当前，随着家庭宽带、WIFI、3G、4G等网络已经广泛存在于普通家庭和众多公众场所。人们通过手机等智能终端设备即可随时随地获取相关最新咨询信息。然而，对于心电采集来说，目前仍然以通过专业心电采集设备进行线下采集为主，临床医生主要还是以通过打印的心电图像对患者进行心电分析。这种现状主要存在以下几个不足：

人的心脏具有较强的代偿机制，对于某些心血管疾病患者而言，疾病初期心电图上的表现往往持续时间较短。这给心电图“捕捉”这些疾病带来一定困难。一旦错过发病的短暂时刻，心脏的代偿机制就会使得心血管系统功能表现正常，心电图相应也变得正常。因此短暂的心电信号检测，很难准确检测到某些心血管疾病。

心电图是心脏功能的外在表现，也是临床医生诊断心血管疾病的重要依据。临床医生根据心电图形的分布可以推断出心血管功能状况。然而，一方面我国是心血管疾病发病率较高的国家，临床上大量患者需要得到专业医生及时救治；另一方面，我国临床专业医生人数相对较少，这就造成了越来越多的心血管疾病的患者无法得到及时救治的困境。普通民众普遍对心血管疾病认识不足，他们可能会被其它信息误导，从而造成误诊或错过最佳救治时间。