[发明专利]一种单导联心电信号辅助诊断方法及诊断终端

权利要求书

1.一种基于多特征融合的单导联心电信号辅助诊断方法，其特征在于，方法包括：

步骤一、构建单导联心电信号辅助系统的功能架构，提取单导联心电信号辅助系统中的心电信号；

步骤二、对心电信号进行预处理；

预处理方式包括：按照预设时长对心电信号进行划分；

对划分后的心电信号进行滤波处理；

对滤波后的心电信号进行数据归一化处理；

对数据归一化后的心电信号进行傅里叶变换得到频域数据；

步骤三、提取心电信号数据的特征；

步骤四、采用拼接的方式将步骤三中提取的所有特征进行融合；

步骤五、将步骤四融合后的特征输入至Adaboost迭代算法，得出诊断结果；

步骤二中按照预设时长对心拍数据进行划分方式包括：

配置心电信号表示为X=(x₁，...,x_n) ，n为数据的点位数；

n=F_f*F_t,其中F_f表示信号的采样频率，F_f表示信号的采样时间；

其中，一个完整的心拍为0.6s至0.8s,将心电信号分割为0.8s的片段，即288个采样点；

将10个完整的心拍作为一组心电信号的数据集，表示为：

;

n表示心电数据的片段数，m表示每个片段的点位数；

步骤二中对划分后的心拍数据进行滤波处理方式包括：

配置截止频率为51Hz的低通滤波器，使用全通滤波器减去51Hz的低通滤波器，得到一个截止频率为51Hz的高通滤波器，再与截止频率为49Hz的低通滤波器进行组合，得到一个50Hz的陷波器；

;

其中是最终得到的50Hz陷波器，表示的是一个全通滤波器，表示的是截至频率为51Hz的低通滤波器，表示的是截至频率为49Hz的低通滤波器；

将划分后的心电信号通过50Hz陷波器输入至数据集X进行处理，得到去除工频干扰后的心电数据集Z：

;

步骤二中的对滤波后的心电信号进行数据归一化处理方式包括：通过下述公式对每个心电信号片段 d 进行归一化：

;

公式中表示ECG心电样本幅值的最小值，表示ECG心电样本幅值的最大值；

再对滤波后的数据集D通过下述公式进行归一化处理，并输出处理后数据集；

；

步骤三还包括：

（1）从时域离散信号及频域数据提取特征；

提取方式包括：定义LSTM网络进行特征提取；

定义模型的输入分别为处理后数据集和频域数据F；

LSTM网络中每个节点的输入和输出关系如下：

;

其中W和b表示为相应网络的权重和偏置项，表示当前LSTM节点的输入，表示上一个LSTM节点的输出值，表示上一个LSTM节点的状态，表示当前LSTM节点的状态，表示的是输入门，表示的是遗忘门，表示的是输入单元的状态，表示输出门，表示当前节点的输出值，表示的是sigmoid的激活函数，tanh表示的是反正切函数；

第一层LSTM单元节点的输出作为第二层LSTM单元节点的输入；

第二层LSTM单元节点的输出作为第三层LSTM单元节点的输入；

定义LSTM网络的LSTM单元节点为20；

向LSTM网络输入归一化后的数据集以及频域数据F，基于下述公式分别得到时域上的特征T和频域上的特征E：

;

（2）基于HRV统计分析；

HRV统计分析包括如下方式：配置RR间期的最大值：;

配置RR间期的最小值：;

配置RR间期中位数：;

其中，是RR间期之间的差分值；

;

配置RR间期的平均值：

;

配置RR间期差分值的均值:

;

配置RR间期标准差：

;

配置RR间期差分值的标准差：

;

配置RR间期差分值的均方根：

;

将处理后数据集输入至公式，输出HRV特征H；

（3）基于1d-LBP公式提取LBP局部特征；

将预处理后的心电图数据中一个心拍设置为一个区域的中心采样点，将中心采样点邻域内的采样点与当前采样点进行比较，若大于中心点中心采样点的值，则定义为1，否则定义为0；

1d-LBP公式表示为：

;

其中表示中心点，p表示邻域大小，是邻域采样点的值，表示中心采样点的值，s表示符号函数；

;

将处理后数据集作为输入，输出的LBP局部特征为;

步骤四还包括：拼接方式的公式表示如下：

;

其中，表示融合特征，表示时域特征，表示频域特征，表示HRV的特征，表示LBP的特征；的最终向量长度是,,,的向量长度之和；

融合后的特征表示为：

；

步骤五还包括：

（1）对Adaboost迭代算法进行初始化；

定义模型的输入数据，其中表示特征向量，表示标签的类别；

；

初始化样本的权重为，所有样本的权重全部初始化为

；

（2）对弱分类器进行训练；

循环计算J次，每一次弱分类器的编号为j，并且；

循环内容为：

①在样本权重初始化为的基础上，在数据集G上训练弱分类器；

②计算对样本x属于各个类别k的概率；

;

;

其中，E表示期望，C表示分类的类别， y表示标签值，表示当前分类器，

表示当前分类器对每个类别的预测概率；

继续计算：

;

根据计算出的权重对处理后数据集的样本权重进行更新，对于每个样本，更新其权重：

;

其中为归一化因子，向量，且：

;

向量，由对样本数据x的预测概率组成；迭代完成后最终得到强分类器：

;

每个不同的弱分类器(x)对于每一个类别k都会输出一个值，若在所有的弱分类器中，类别k的值的和最大，那么该类别k值为强分类器的输出结果，即得出的心电图分类标签。