[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

说明书

本发明提出了一种基于谱空间表示学习的ECG波形聚类方法及系统，涉及心电波形聚类技术领域，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，对构建的特征提取模型进行训练，学习谱空间表示；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；对心搏的分导联绝对特征进行聚类，得到心搏的聚类结果；本发明利用神经网络学习谱空间中心搏的相对特征，对波形进行聚类，注重特征表达质量方面的提升，避免传统波形聚类方法直接提取特征后续特征处理的繁琐问题，解决动态心电实际应用分析过程中的数据量庞大、计算复杂度高的问题。

技术领域

本发明属于心电波形聚类技术领域，尤其涉及一种基于谱空间表示学习的ECG波形聚类方法及系统。

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。

心电图(Electrocardiogram,ECG)作为能够直观展现心脏兴奋活动过程的技术，自诞生以来，被广泛应用于心血管等领域的临床健康检查；而为了能够更直观、实时观察监测患者一个生理周期24小时的心脏工作情况，动态心电图技术诞生，经过几十年的发展，其在无创心电辅助诊断技术领域应用非常广泛，成为临床上最为常用的心脏检查和医疗监护工具之一。

动态心电图通常采集时间为24小时，这使得心电图数据一般会包括8万左右数量的心搏，对于如此大规模的心电数据，医生必须依赖可靠的心电分析软件对患者心电图进行分析诊断。

在动态心电分析中，波形数据的叠加处理分析是必不可缺的，多家心电方面的厂商将心电分析的叠加处理分析部分称为模板分析，即将叠加相似度高的心搏归为一个模板(类别)。叠加相似度使用交并比(IOU)衡量更为准确，而在通过对两两相似度进行聚类的方法中，谱聚类是一个较直观有效的方法；若使用谱聚类方法，动态心电图通常包括8万左右的心搏，需要处理维度约为(8万×8万)的矩阵，因此，现有动态心电实际应用分析过程存在数据量庞大、计算复杂度高的问题。

还存在一种基于深度学习的波形聚类方法，采用深度学习提取特征，同样因为数据量庞大，存在特征丢失及重复问题，而且提取特征后，还需要大量的初级特征处理操作，所以特征后续处理繁琐，因此整体效率不高。

发明内容

为克服上述现有技术的不足，本发明提供了一种基于谱空间表示学习的ECG波形聚类方法及系统，利用神经网络学习谱空间中心搏的相对特征，对波形进行聚类，注重特征表达质量方面的提升，避免传统波形聚类方法直接提取特征后续特征处理的繁琐问题，解决动态心电实际应用分析过程中的数据量庞大、计算复杂度高的问题。

为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：

本发明第一方面提供了一种基于谱空间表示学习的ECG波形聚类方法；

一种基于谱空间表示学习的ECG波形聚类方法，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。

进一步的，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；