CN103886184A - 一种心脏病理识别模型的构建方法 - Google Patents
一种心脏病理识别模型的构建方法 Download PDFInfo
- Publication number
- CN103886184A CN103886184A CN201410073733.8A CN201410073733A CN103886184A CN 103886184 A CN103886184 A CN 103886184A CN 201410073733 A CN201410073733 A CN 201410073733A CN 103886184 A CN103886184 A CN 103886184A
- Authority
- CN
- China
- Prior art keywords
- heartbeat
- proper vector
- support vector
- vector machine
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000007170 pathology Effects 0.000 title claims abstract description 16
- 238000010276 construction Methods 0.000 title claims abstract description 10
- 238000012706 support-vector machine Methods 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 14
- 230000006870 function Effects 0.000 claims abstract description 11
- 239000013598 vector Substances 0.000 claims description 43
- 238000013178 mathematical model Methods 0.000 claims description 16
- 230000019771 cognition Effects 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 6
- 241001269238 Data Species 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 abstract description 3
- 238000012360 testing method Methods 0.000 abstract description 3
- 206010048623 Atrial hypertrophy Diseases 0.000 abstract 2
- 238000003745 diagnosis Methods 0.000 description 5
- 238000000034 method Methods 0.000 description 5
- 238000003909 pattern recognition Methods 0.000 description 4
- 230000000747 cardiac effect Effects 0.000 description 3
- 208000019622 heart disease Diseases 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 206010061216 Infarction Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000002318 cardia Anatomy 0.000 description 1
- 230000005189 cardiac health Effects 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000007574 infarction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
Images
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种心脏病理识别模型的构建方法。该方法的步骤包括首先从数据库中分别获取心房肥大患者的心电数据健康人的心电数据，然后对小样本情况下的机器学习算法进行实验和论证，选择了基于统计理论的支持向量机应用于心房肥大识别，然后对支持向量机进行改进，包括选择了高斯核函数，并且对支持向量机分类器融合了带有拒绝域的分类器，共同构成心脏病理识别模型。在用于训练数学模型的数据匮乏的情况下，现有的分类器无法达到良好的分类准确率，缺乏实用价值，本发明的构建的分类器能够达到较高的分类准确率，满足实际应用的需求。
Description
技术领域
本发明属于心电识别技术领域，特别涉及一种心脏病理识别模型的构建方法。
背景技术
心脑血管疾病是困扰着许多人的疾病，其中，每年有大量的人因为心肌梗塞导致死亡，医学界对心脏疾病的治疗还需要更多的研究与实践，医学与其他学科的交叉应用能够在这方面发挥一定的作用，将计算机科学与医学相结合，可以提前预防心脏疾病的发生、实时监测心脏状况，这对心脏保健是非常有效的。例如在心脏部位放置便携式的心电传感器，传感器实时采集到心电信号，并把这些数据发送到智能手机上进行计算，手机能够及时响应给用户当前心脏的情况。
心房肥大是各种心脏疾病中重要的一种，在模式识别领域没有相关研究成果。由于心房肥大样本数据很少，这给模式识别的研究造成了巨大的障碍，本发明针对心房肥大进行专门研究，研究了在心房肥大数据样本较少情况下的训练与识别算法，展示了基于统计模型的支持向量机（Support vector machine, SVM）在心房肥大识别方面的应用。另外还对SVM进行改进，将SVM与带有拒绝域的分类器（Rejection，R）进行融合，展示了这种融合分类器在心房肥大识别上的应用，将SVM与拒绝域分类器（Rejection，R）融合的分类器SVM-R对心房肥大模式上具有较高的识别准确率与诊断可信度。
发明内容
本发明的目的是克服现有技术的不足，提供一种心脏病理识别模型的构建方法。
本发明的技术方案如下，
心脏病理识别模型的构建方法包括以下步骤：
1）从数据库中分别获取心房肥大患者的心电数据和健康人的心电数据，将这些心电数据下载到本地；
2）从每个人的心电数据中分别选取五次心跳进行采样，按奈奎斯特定理针对每次心跳选用50个采样点幅值作为该次心跳的特征向量A；
3）针对每个人，计算采样点幅值的平均值，然后让心跳的特征向量A中的每个采样点幅值减掉采样点幅值的平均值，形成心跳的特征向量B；
4）在每个心跳的特征向量B的开头增加一个标志位，标志位用0表示该心跳的特征向量是正常心跳的特征向量，标志位用1表示该心跳的特征向量是患有心房肥大的心跳的特征向量，50个采样点幅值和标志位形成心跳的特征向量C；
5）使用心跳的特征向量C对支持向量机数学模型进行训练得到训练后的支持向量机数学模型，支持向量机数学模型选用的核函数为高斯核函数；
6）定义训练后的支持向量机数学模型的整个分类空间大小为1，训练后的支持向量机数学模型形成超平面，选取超平面周围的空间作为拒绝域，该拒绝域占整个分类空间大小的20%，对拒绝域内的待识别的心跳的特征向量不进行分类；
7）拒绝域和训练后的对支持向量机数学模型即构成心脏病理识别模型。
本发明与现有技术相比的有益效果是：
在用于训练数学模型的数据匮乏的情况下，现有的分类器无法达到良好的分类准确率，缺乏实用价值，本发明的构建的分类器能够达到较高的分类准确率，满足实际应用的需求。
附图说明
图1是心电诊断系统中的心脏病理识别模型的示意图；
图2是应用本发明的心脏病理识别模型进行心房肥大识别的流程图。
具体实施方式
如图1所示，心脏病理识别模型的构建方法包括以下步骤：
1）从数据库中分别获取心房肥大患者的心电数据和健康人的心电数据，将这些心电数据下载到本地；
2）从每个人的心电数据中分别选取五次心跳进行采样，按奈奎斯特定理针对每次心跳选用50个采样点幅值作为该次心跳的特征向量A；
3）针对每个人，计算采样点幅值的平均值，然后让心跳的特征向量A中的每个采样点幅值减掉采样点幅值的平均值，形成心跳的特征向量B；
4）在每个心跳的特征向量B的开头增加一个标志位，标志位用0表示该心跳的特征向量是正常心跳的特征向量，标志位用1表示该心跳的特征向量是患有心房肥大的心跳的特征向量，50个采样点幅值和标志位形成心跳的特征向量C；
5）使用心跳的特征向量C对支持向量机数学模型进行训练得到训练后的支持向量机数学模型，支持向量机数学模型选用的核函数为高斯核函数；
6）定义训练后的支持向量机数学模型的整个分类空间大小为1，训练后的支持向量机数学模型形成超平面，选取超平面周围的空间作为拒绝域，该拒绝域占整个分类空间大小的20%，对拒绝域内的待识别的心跳的特征向量不进行分类；
7）拒绝域和训练后的对支持向量机数学模型即构成心脏病理识别模型。
下面结合实施例对本发明做进一步的详细说明。
实施例1
本发明对心房肥大进行模式识别，具体的实施方式步骤包括：
1.获取原始数据：使用MGH/MF数据库和fantasia数据库中的心电数据，实验对象是MGH/MF数据库中36位患有心房肥大的患者的心电数据和fantasia数据库中40位健康的人的正常心电数据。将这些数据的源文件下载到本地，以供后续处理。
2.特征提取：MGH/MF数据库中的心电信号的采样频率是333.3Hz，即0.003s采样一次；fantasia数据中的心电信号的采样频率是250Hz，即0.004s采样一次。一个心跳大约需要1s的时间，一次心跳大约有200至400个采样点。如果保留所有采样点，可以保证心电波形不失真，而在模式识别实际应用上，不需要这么多的采样点，故选用50个采样点作为特征向量中的元素个数。由于心电图仪器的不同，或者心电图仪器设置的不同，导致了同一个导联、从不同人身上采集到的电压幅值有较大差别，如MGH/MF数据库中Lead II导联的心电信号，从一个人身上采集到的心电信号的电压大部分是在零点几毫伏附近摆动，而从另一个人身上采集到的心电信号的电压大部分在8毫伏附近摆动。调整电压的目的是为了让所有人的心电信号的幅值具有一致性。取每个人的心电信号电压的平均值，然后让每个采样点减掉该平均值，这样就保证了所有人的心电信号电压在零附近摆动。完整的一次心跳波形是由P波，Q-R-S波，T波组成。由于心电波形中R波的幅值最高，通过R波判断心跳速度是最好的方法。从5个心跳的采样点上再压缩数据，形成5组特征向量。每个心跳的采样点个数大约为100到400个采样点，把这么多个采样点压缩成50个采样点。采用平均取采样点的方法，例如把280个采样点压缩成50个采样点。计算公式如下：
280/50=5.6。
即把5.6个采样点压缩成1个采样点。易知采样点的最小单位是1，不能有0.6个采样点，故采用舍弃小数的方法，即保留第5个采样点，舍弃第1到第4个采样点。然后第二个采样点的计算公式是：
5.6*2=11.2。
即保留第11个采样点，舍弃第6到第10的采样点。第三个采样点的计算公式是：
5.6*3=16.8。
即保留第16个采样点，舍弃第12到第15的采样点。以此类推，直到采样点个数为50，停止数据压缩。
采用MGH/MF数据库中36位患有心房肥大的患者的心电数据，每个人的心电数据都提取了5组特征向量，将其中两位患者的心电数据作为测试样本，其他的都作为训练样本。
采用fantasia数据库中40位健康的人的正常心电数据，每个人的心电数据都提取了5组特征向量，将其中两位健康的人的心电数据作为测试样本，其他的都作为训练样本。将两个R波波峰之间的采样点作为一次心跳。使用C++提取到了每个人的5个心跳的采样点。
这些过程使用了C++和Perl编写的程序，最后形成可以供机器学习算法进行训练与识别的特征向量。
3.小样本情况下使用支持向量机数学模型：由于心房肥大的数据匮乏，在这种小样本情况下，很多的机器学习算法无法达到较好的分类准确率，对比了神经网络、逻辑分支、模糊推理、基于统计理论的支持向量机。发现支持向量机能够在心房肥大识别领域中具有实用价值。
4.支持向量机的核函数选取：对比了Linear、Sigmoid、Gaussian、Polynomial几种核函数，最后选择高斯核函数作为支持向量机的核函数。
5.支持向量机融合：将支持向量机和带有拒绝域的分类器进行融合，对支持向量机超平面附近的特征向量不进行分类，提高心房肥大诊断的可信度。
如图2所示，应用本发明构建的心电诊断系统中的心脏病理识别模型进行识别的过程如下：
（1）获取用户的心电数据，
（2）从用户的心电数据中分别选取五次心跳进行采样，按奈奎斯特定理针对每次心跳选用50个采样点作为该次心跳的特征向量；
（3）计算采样点幅值的平均值，然后让心跳的特征向量中的每个采样点减掉该平均值，得到该用户待识别的心跳的特征向量；
(4）用本发明构建的心电诊断系统中的心脏病理识别模型对步骤(3）得到的该用户待识别的心跳的特征向量进行分类识别。
上述实施例用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明做出的任何修改和改变，都落入本发明的保护范围。
Claims (1)
1.一种心脏病理识别模型的构建方法，其特征在于包括以下步骤：
1）从数据库中分别获取心房肥大患者的心电数据和健康人的心电数据，将这些心电数据下载到本地；
2）从每个人的心电数据中分别选取五次心跳进行采样，按奈奎斯特定理针对每次心跳选用50个采样点幅值作为该次心跳的特征向量A；
3）针对每个人，计算采样点幅值的平均值，然后让心跳的特征向量A中的每个采样点幅值减掉采样点幅值的平均值，形成心跳的特征向量B；
4）在每个心跳的特征向量B的开头增加一个标志位，标志位用0表示该心跳的特征向量是正常心跳的特征向量，标志位用1表示该心跳的特征向量是患有心房肥大的心跳的特征向量，50个采样点幅值和标志位形成心跳的特征向量C；
5）使用心跳的特征向量C对支持向量机数学模型进行训练得到训练后的支持向量机，支持向量机数学模型选用的核函数为高斯核函数；
6）定义训练后的支持向量机的整个分类空间大小为1，训练后的支持向量机形成超平面，选取超平面周围的空间作为拒绝域，该拒绝域占整个分类空间大小的20%，对拒绝域内的待识别的心跳的特征向量不进行分类；
7）拒绝域和训练后的对支持向量机即构成心脏病理识别模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410073733.8A CN103886184A (zh) | 2014-03-03 | 2014-03-03 | 一种心脏病理识别模型的构建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410073733.8A CN103886184A (zh) | 2014-03-03 | 2014-03-03 | 一种心脏病理识别模型的构建方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN103886184A true CN103886184A (zh) | 2014-06-25 |
Family
ID=50955074
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410073733.8A Pending CN103886184A (zh) | 2014-03-03 | 2014-03-03 | 一种心脏病理识别模型的构建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103886184A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104382582A (zh) * | 2014-11-10 | 2015-03-04 | 哈尔滨医科大学 | 一种对动态心电数据进行分类的装置 |
| CN104398254A (zh) * | 2014-11-14 | 2015-03-11 | 中国科学院深圳先进技术研究院 | 一种心电图分析系统、分析设备及预测模型采集设备 |
| CN107397547A (zh) * | 2017-08-01 | 2017-11-28 | 深圳大学 | 一种ecg典型心拍模板生成方法及系统 |
| CN107657318A (zh) * | 2017-11-13 | 2018-02-02 | 成都蓝景信息技术有限公司 | 一种基于深度学习模型的心电图分类方法 |
| CN108024730A (zh) * | 2015-06-25 | 2018-05-11 | 生命解析公司 | 使用数学分析和机器学习来诊断疾病的方法和系统 |
| CN109919317A (zh) * | 2018-01-11 | 2019-06-21 | 华为技术有限公司 | 一种机器学习模型训练方法和装置 |
| CN111643073A (zh) * | 2020-04-30 | 2020-09-11 | 京东方科技集团股份有限公司 | 心电数据识别装置及方法、设备、计算机可读存储介质 |
| CN112336310A (zh) * | 2020-11-04 | 2021-02-09 | 吾征智能技术(北京)有限公司 | 一种基于fcbf和svm融合的心脏疾病诊断系统 |
-
2014
- 2014-03-03 CN CN201410073733.8A patent/CN103886184A/zh active Pending
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104382582B (zh) * | 2014-11-10 | 2016-08-31 | 哈尔滨医科大学 | 一种对动态心电数据进行分类的装置 |
| CN104382582A (zh) * | 2014-11-10 | 2015-03-04 | 哈尔滨医科大学 | 一种对动态心电数据进行分类的装置 |
| CN104398254A (zh) * | 2014-11-14 | 2015-03-11 | 中国科学院深圳先进技术研究院 | 一种心电图分析系统、分析设备及预测模型采集设备 |
| US11476000B2 (en) | 2015-06-25 | 2022-10-18 | Analytics For Life Inc. | Methods and systems using mathematical analysis and machine learning to diagnose disease |
| CN108024730A (zh) * | 2015-06-25 | 2018-05-11 | 生命解析公司 | 使用数学分析和机器学习来诊断疾病的方法和系统 |
| CN107397547A (zh) * | 2017-08-01 | 2017-11-28 | 深圳大学 | 一种ecg典型心拍模板生成方法及系统 |
| CN107657318A (zh) * | 2017-11-13 | 2018-02-02 | 成都蓝景信息技术有限公司 | 一种基于深度学习模型的心电图分类方法 |
| CN109919317A (zh) * | 2018-01-11 | 2019-06-21 | 华为技术有限公司 | 一种机器学习模型训练方法和装置 |
| WO2019137021A1 (zh) * | 2018-01-11 | 2019-07-18 | 华为技术有限公司 | 一种机器学习模型训练方法和装置 |
| CN109919317B (zh) * | 2018-01-11 | 2024-06-04 | 华为技术有限公司 | 一种机器学习模型训练方法和装置 |
| US12067483B2 (en) | 2018-01-11 | 2024-08-20 | Huawei Technologies Co., Ltd. | Machine learning model training method and apparatus |
| CN111643073A (zh) * | 2020-04-30 | 2020-09-11 | 京东方科技集团股份有限公司 | 心电数据识别装置及方法、设备、计算机可读存储介质 |
| CN112336310A (zh) * | 2020-11-04 | 2021-02-09 | 吾征智能技术(北京)有限公司 | 一种基于fcbf和svm融合的心脏疾病诊断系统 |
| CN112336310B (zh) * | 2020-11-04 | 2024-03-08 | 吾征智能技术(北京)有限公司 | 一种基于fcbf和svm融合的心脏疾病诊断系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103886184A (zh) | 一种心脏病理识别模型的构建方法 | |
| CN111184508B (zh) | 一种基于联合神经网络的心电信号检测装置及分析方法 | |
| Potes et al. | Ensemble of feature-based and deep learning-based classifiers for detection of abnormal heart sounds | |
| WO2019100560A1 (zh) | 基于人工智能自学习的心电图自动分析方法和装置 | |
| CN107714023A (zh) | 基于人工智能自学习的静态心电图分析方法和装置 | |
| CN111759345B (zh) | 基于卷积神经网络的心脏瓣膜异常分析方法、系统和装置 | |
| Lin et al. | Artificial intelligence of things wearable system for cardiac disease detection | |
| CN113095302B (zh) | 用于心律失常分类的深度模型、利用该模型的方法及装置 | |
| WO2020118797A1 (zh) | 假肢控制方法、装置、系统、设备和存储介质 | |
| Fang et al. | Dual-channel neural network for atrial fibrillation detection from a single lead ECG wave | |
| El Boujnouni et al. | A wavelet-based capsule neural network for ECG biometric identification | |
| Zeng et al. | Ensemble learning on heartbeat type classification | |
| CN111053552B (zh) | 一种基于深度学习的qrs波检测方法 | |
| Zhang et al. | Deep learning-based signal quality assessment for wearable ECGs | |
| CN116864140A (zh) | 一种心内科术后护理监测数据处理方法及其系统 | |
| Shukri et al. | Investigation on Elman neural network for detection of cardiomyopathy | |
| Al-Masri | Detecting ECG heartbeat abnormalities using artificial neural networks | |
| Irfan et al. | Deep learning based classification for healthcare data analysis system | |
| CN116211315B (zh) | 一种单导联心电信号辅助诊断方法及诊断终端 | |
| CN108338777A (zh) | 一种脉搏信号检测分析方法及装置 | |
| Sultana et al. | MSVM-based classifier for cardiac arrhythmia detection | |
| Bengherbia et al. | Real-time smart system for ecg monitoring using a one-dimensional convolutional neural network | |
| CN114098768B (zh) | 基于动态阈值和EasyTL的跨个体表面肌电信号手势识别方法 | |
| CN115607167A (zh) | 一种轻量化的模型训练方法、房颤检测方法、装置及系统 | |
| CN205814348U (zh) | 心脏瓣膜心音信号机械振动智能分析系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20140625 |
|
| RJ01 | Rejection of invention patent application after publication |