[发明专利]加权多尺度有限穿越可视图辨识房颤心电信号方法及系统

说明书

本发明属于的房颤心电信号处理领域，提供了加权多尺度有限穿越可视图辨识房颤心电信号方法及系统。其中，该方法包括获取设定长度的心电信号；提取所述心电信号的原始特征，得到对应的原始特征向量；将所述心电信号转换成网络形式，提取对应网络特征，得到对应的网络特征向量，其中，网络特征包括新加入的局部效率熵；将原始特征向量与网络特征向量融合后输入至机器学习模型中，得到心电信号的类别辨识结果，其中，所述心电信号的类别包括房颤心电信号、正常电信号、噪声信号和其他心电信号。

技术领域

本发明属于的房颤心电信号处理领域，尤其涉及加权多尺度有限穿越可视图辨识房颤心电信号方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

时间序列分析是物理学的中心主题，也是表征生物学，医学和经济学数据以及了解其潜在动力起源的有力方法。而生理信号分析是时间序列分析的一个重要分支。心电信号作为常见的生理信号，包含着很多关于心脏状态的信息及与不同的生理状态对应的有关信息。心房颤动(AF)被美国心脏病学会(ACC)、美国心脏协会(AHA)和欧洲心脏病学会(ESC)定义为“快速性心律失常的特征主要是房室激活不协调，导致房室机械功能下降”。

由于心律失常的类型非常复杂，心房颤动的辨识仍然很棘手。发明人发现，目前大多数辨识方法都有局限性，不能广泛应用于临床工作。例如，它们只有在评估精心挑选的无噪声数据时才表现良好。然而，由于许多非房颤节律与房颤节律相似，RR间隔不规则，因此很难获得干净的数据。

发明内容

为了解决上述背景技术中存在的技术问题，本发明提供加权多尺度有限穿越可视图辨识房颤心电信号方法及系统，其先提取待检测患者心电的原始特征，再用加权多尺度有限穿越可视图方法构成网络，提取心电信号的网络特征以及我们提出局部效率熵指标，结合心电信号的原始特征用XGBoost机器学习模型得出最终的识别结果。本方法由于从网络指标的新角度提取了心电信号的特征，因此显著提高了识别结果。

为了实现上述目的，本发明采用如下技术方案：

本发明的第一个方面提供加权多尺度有限穿越可视图辨识房颤心电信号方法。

加权多尺度有限穿越可视图辨识房颤心电信号方法，其包括：

获取设定长度的心电信号；

提取所述心电信号的原始特征，得到对应的原始特征向量；

将所述心电信号转换成网络形式，提取对应网络特征，得到对应的网络特征向量；

将原始特征向量与网络特征向量融合后输入至机器学习模型中，得到心电信号的类别辨识结果，其中，所述心电信号的类别包括房颤心电信号、正常电信号、噪声信号和其他心电信号。

本发明的第二个方面提供加权多尺度有限穿越可视图辨识房颤心电信号系统。

加权多尺度有限穿越可视图辨识房颤心电信号系统，其包括：

心电信号获取模块，其用于获取设定长度的心电信号；

原始特征提取模块，其用于提取所述心电信号的原始特征，得到对应的原始特征向量；

网络特征提取模块，其用于将所述心电信号转换成网络形式，提取对应网络特征，得到对应的网络特征向量；

心电信号辨识模块，其用于将原始特征向量与网络特征向量融合后输入至机器学习模型中，得到心电信号的类别辨识结果，其中，所述心电信号的类别包括房颤心电信号、正常电信号、噪声信号和其他心电信号。

本发明的第三个方面提供一种计算机可读存储介质。

一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的房颤心电信号辨识方法中的步骤。