[发明专利]一种基于统计学习的心电图数据处理方法

说明书

本发明公开了一种基于统计学习的心电图数据处理方法，包括：对输入的数据进行异常检测，检查文件转化是否成功；根据统计学习，进行最小二乘法对样本库数据计算特征矩阵；对录入待分类的样本数据，计算其与特定样本库中样本数据的距离，根据分类算法进行数据分析，获得不同特定人群的心电图数据特征的分析数据比对结果。根据本发明方法，最大程度减小了以往近似算法的失真度，能够快速和准确的识别出心电图数据统计特征。同时，还具备强化学习的能力，随着样本库的丰富与扩充，其分析精度会越来越高，具有广泛的应用前景。

技术领域

本发明涉及图像处理、信号特征提取和机器学习的技术领域，特别涉及一种基于统计学习的心电图数据处理方法。

背景技术

心电图(electrocardiogram，ECG)以其无创无损，操作简便，经验成熟等优势成为一种重要的心电信号分析手段，自发明以来，已延续发展百年。

然而，传统的心电图方法是一种图形分析技术，主要依赖人工判断，效率和准确度都较低，且因人而异，稳定性不佳。虽然近年来由于计算机技术的发展，实现了一部分的智能化分析技术，效率有所提高，但是能够表征的信息仍局限于图形本身，没有突破基础技术。

发明内容

针对现有技术中存在的不足之处，本发明的目的是提供一种基于统计学习的心电图数据处理方法，对心电图数据以统计学视角进行定量描述，实现超越传统心电图方法的可解释性精细分类。根据本发明方法，采用了统计特征提取、特征矩阵计算、特征距离分类等一系列分析方法，最大程度减小了以往近似算法的失真度，能够快速和准确的识别出心电图数据统计特征。同时，还具备强化学习的能力，随着样本库的丰富与扩充，分类精度和稳定性会越来越高，作为一种心电图数据分析的基础技术，具有广泛应用前途。

本发明提供了一种基于统计学习的心电图数据处理方法，包括：

S1、将心电图xml数据文件进行读取，转化成csv或txt格式数据；

S2、对所述步骤S1中的数据进行异常检测，检查文件转化是否成功；

S3、当所述步骤S2中判断转化成功时，对心电图数据进行特征提取，计算正交规范傅里叶基；

S4、当所述步骤S2中判断转化失败时，则是输入数据格式错误；

S5、根据统计学习，进行最小二乘法对样本库数据计算特征矩阵；

S6、对录入待分类的样本数据，计算其与特定样本库中样本数据的距离分类并分析获得不同人群心电信号特征的分析数据比对结果的数据量化指标值或指标值函数变化曲线。

优选的，所述步骤S1包括以下步骤：

S11、将特定人群1样本数据文件以xml格式读入；

S12、将特定人群2样本数据文件以xml格式读入；

S13、将步骤S11与步骤S12的每个xml数据文件转化为csv或txt格式，方法为提取xml，文件中每两个digits特征点中的数据，整理成12维数据后重新储存为csv或txt格式；

S14、判断csv或txt格式心电图数据中是否存在奇异点。

优选的，所述步骤S1还包括以下步骤：

S15、读取特定人群1样本的csv或txt数据，为20000*12的12维导联时间序列或20000*1的单导联时间序列；

S16、对于步骤S15所得的一维时间序列进行规范化处理，步骤如下：

S161、对序号2000至18000的数据求二阶差分，确定其最小值，定义阈值，取出所有二阶差分小于最小值乘以阈值的片段；

S162、针对S161中所得片段，求出对应心电信号的中位数，返回中位数对应单元，即具有代表意义的最大值单元；

S163、切割该具有代表意义的最大值单元后2000个单元作为规范化时间序列2000*1的向量；

S17、对规范化时间序列进行函数型数据转化，步骤如下：

S171、设置固定时间区间[0,1000]，确定该区间上的300个正交规范傅里叶基；