[发明专利]一种基于谱空间表示学习的ECG波形聚类方法及系统

权利要求书

1.一种基于谱空间表示学习的ECG波形聚类方法，其特征在于，包括：

获取多导联心电图数据，构建由多导联心电图数据及心搏的分导联谱空间相对特征组成的训练数据集；

基于训练数据集，以多导联心电图数据为输入、心搏的分导联绝对特征为输出，对构建的特征提取模型进行训练，学习谱空间表示，其中，基于心搏的分导联谱空间相对特征与分导联绝对特征的欧式距离构建损失函数，对特征提取模型的训练进行约束；

将待聚类的多导联心电图数据输入到训练好的特征提取模型中，得到心搏的分导联绝对特征；

对得到的心搏的分导联绝对特征进行聚类，得到心搏的聚类结果。

2.如权利要求1所述的一种基于谱空间表示学习的ECG波形聚类方法，其特征在于，所述训练数据集的构建步骤为：

对多导联心电图数据中的心搏位置进行人工识别，按照时间顺序排列识别出来的心搏位置，构建心搏位置数据集合；

基于心搏位置数据集合，对每个导联的心搏两两做IOU计算，构建每个导联的邻接矩阵；

根据每个导联的邻接矩阵，计算心搏的分导联谱空间相对特征；

多导联心电图数据与最终计算得到的心搏的分导联谱空间相对特征，组成训练数据集。

3.如权利要求2所述的一种基于谱空间表示学习的ECG波形聚类方法，其特征在于，所述对每个导联的心搏两两做IOU计算，具体为：

对每个导联上的任意两个心搏数据进行补位操作；

通过计算补位后的两个心搏数据之间的IOU值，构建每个导联的连接矩阵，IOU值的具体计算方式为：

其中，pre、pos表示两个心搏数据，pre_beat、pos_beat分别表示补位后的两个心搏数据，pre_up、pos_up分别表示pre_beat、pos_beat小于零的部分置为0的波形，pre_down、pos_down分别表示pre_beat、pos_beat大于零的部分置为0的波形。

4.如权利要求2所述的一种基于谱空间表示学习的ECG波形聚类方法，其特征在于，所述计算心搏的分导联谱空间相对特征，具体为：。

根据每个导联的邻接矩阵，计算度矩阵，由邻接矩阵矩阵和度矩阵，计算得到拉普拉斯矩阵；

对拉普拉斯矩阵进行标准化，并对标准化后的拉普拉斯矩阵特征分解,得到多个特征值及对应的初级特征向量；

将多个特征值进行升序排列，并根据特征值的顺序对特征向量进行排序，利用二阶差分方法寻找升序排列的拐点对应的初级特征值，记拐点对应的初级特征值在特征值升序排列中的序号为K；

取排序后的前K个特征向量，作为心搏的相对特征，即得到当前导联中心搏的分导联谱空间相对特征。

5.如权利要求1所述的一种基于谱空间表示学习的ECG波形聚类方法，其特征在于，所述分导联绝对特征的计算方式为：

通过卷积神经网络提取多导联心电图数据中的初级特征；

依据导联及心搏位置，得到每个导联上每个心搏对应的初级特征；

将每个导联上的心搏特征取平均值，得到每个导联上的心搏绝对特征，构成心搏的分导联绝对特征。

6.如权利要求1所述的一种基于谱空间表示学习的ECG波形聚类方法，其特征在于，所述基于心搏的分导联谱空间相对特征与分导联绝对特征的欧式距离构建损失函数，具体为：

计算分导联谱空间相对特征的欧式距离矩阵和分导联绝对特征的欧式距离矩阵

其中，E_re,表示第g个导联的心搏谱空间相对特征，E_re,(i)为E_re,的第i行数据，[E_re,(i)]₁为E_re,的第i行第l列的数据，E_ab,表示第g个导联的心搏绝对特征，K、E_S分别为心搏谱空间相对特征和心搏绝对特征的维数；

所述损失函数，两个欧式距离矩阵做均方误差mse，具体为：

其中，A1^g、A2^g均为(,N)维矩阵。