CN109602415B - 基于机器学习的心电设备导联倒置识别方法 - Google Patents

Abstract

本发明公开基于机器学习的心电设备导联倒置识别方法，包括以下步骤：正常导联数据采集、生成倒置导联数据、数据预处理、特征提取、模型训练、模型预测；能够实现导联倒置的自动识别，该识别过程不依赖与医务人员的参与，而是根据已有的历史数据，建立机器学习模型，使该模型能够自动判断采集的心电信号是正常导联还是倒置导联。

Description

基于机器学习的心电设备导联倒置识别方法

技术领域

本发明涉及基于机器学习的识别方法，具体是基于机器学习的心电设备导联倒置识别方法。

背景技术

心电设备采集的心电信号数据，对正负极的位置有严格的规定。例如，便携式心电信号采集设备所采集的肢体I导联，要求正极接在左上肢，负极接在右上肢，并以此为采用标准的肢体I导联分析方法，进一步用模式识别的方法识别出P波、QRS波群、ST段、T波等特征波，最终给出诊断结论。

如果出现正负极接反了的情况，采集到的是导联倒置的波形，则P波、QRS波群、ST段、T波等特征波的形态都会倒置，这种情况下模式识别方法的识别精度会大幅度降低。该问题尤其会出现在无医务人员看护的场景下，例如便携式心电采集设备，用户若不仔细查看说明书，很容易出现该问题。

发明内容

本发明的目的在于提供基于机器学习的心电设备导联倒置识别方法，能够实现导联倒置的自动识别，该识别过程不依赖与医务人员的参与，而是根据已有的历史数据，建立机器学习模型，使该模型能够自动判断采集的心电信号是正常导联还是倒置导联。

本发明的目的可以通过以下技术方案实现：

基于机器学习的心电设备导联倒置识别方法，其特征在于，该方法由以下组成：步骤一，正常导联数据采集，对于任意一条心电信号数据，记该数据为X_n∈Rⁿ，其中n为该信号的数据长度，X_n[i]表示X_n的第i个电压值，Rⁿ为n维实数空间，正常导联数据的分类标签L_n记为数值0，表示该数据“是倒置导联的概率为0”。

步骤二，生成倒置导联数据，对于任意一条正常导联心电信号数据X_n，生成倒置导联数据X_r，其中X_r[i]＝-X_n[i]，倒置导联数据的分类标签L_r记为数值1，表示该数据“是倒置导联的概率为1”。

步骤三，数据预处理，从正常导联心电信号数据和倒置导联心电信号数据集合中提取心电信号数据的特征值，用X表示任意一条心电信号数据，L表示该心电信号数据的标签，将X中的所有电压值归一化为均值等于0、方差等于1的正态分布，即：

其中

其中u表示均值，σ表示方差，将和X_归一化进行合并，原始的单通道心电信号数据转换为双通道的心电信号数据X_双通道∈R^n×2。

步骤四，特征提取，在双通道的心电信号数据上提取双通道的特征X_双通道∈R^n×2，每个通道的特征值的数量是36个，包括：最值：F_最大值＝max(X)，F_最小值＝min(X)，分位数：F_p分位数＝percentile(X,p)，跨度：F_p,q跨度＝percentile(X,p)-percentile(X,q)，将双通道的特征值组合为单个维度的特征向量D∈R⁷²，每条原始导联数据对应固定维度的特征向量，基于特征向量构建机器学习模型，用H表示分类器模型，输入是心电信号提取的特征向量D，输出是该心电信号的预测结果，0表示为正常导联心电信号数据，1表示为倒置导联心电信号数据。

步骤五，模型训练，分类器的模型训练需要数据和标签两部分，对于导联倒置识别任务，数据是特征向量D，标签是L，模型训练过程与机器学习中分类器训练过程相同，保存训练完毕的分类器模型H，不需要保存原始的训练数据X、特征向量D和标签L。

步骤六，模型预测，在预测阶段，对于任意一条新到来的原始心电信号数据X_new，经过同样的数据预处理、特征提取，得到特征向量D_new∈R⁷²，输入分类器模型H，计算得到预测结果Y。

进一步地，所述p的取值有0.01、0.02、0.05、0.1、0.2、0.5、1、2、5、10、25、50、75、90、95、98、99、99.5、99.8、99.9、99.95、99.98、99.99。

进一步地，所述(p,q)的取值有(0.01,99.99),(0.02,99.98),(0.05,99.95),(0.1,99.9),(0.2,99.8),(0.5,99.5),(1,99),(2,98),(5,95),(10,90),(25,75)。

进一步地，所述预测结果Y：若Y为0，表示X_new是正常导联心电信号数据，若Y为1，表示X_new是倒置导联心电信号数据。

进一步地，所述机器学习模型是一个分类器模型，任意一种分类器模型均可以实现导联倒置识别的目的。

本发明的有益效果：本发明方法能够实现导联倒置的自动识别，该识别过程不依赖与医务人员的参与，而是根据已有的历史数据，建立机器学习模型，使该模型能够自动判断采集的心电信号是正常导联还是倒置导联。

具体实施方式

下面对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

在本发明的描述中，需要理解的是，术语“开孔”、“上”、“下”、“厚度”、“顶”、“中”、“长度”、“内”、“四周”等指示方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的组件或元件必须具有特定的方位，以特定的方位构造和操作，因此不能理解为对本发明的限制。

基于机器学习的心电设备导联倒置识别方法，包括：步骤一，正常导联数据采集；步骤二，生成倒置导联数据；步骤三，数据预处理；步骤四，特征提取；步骤五，模型训练；步骤六，模型预测。

步骤一，正常导联数据采集。不失一般性，这里假定使用便携式设备采集肢体I导联的情况，其他设备及所采集的导联，可以用同样的方式处理。对于任意一条心电信号数据，记该数据为X_n∈Rⁿ，其中n为该信号的数据长度，X_n[i]表示X_n的第i个电压值，Rⁿ为n维实数空间，正常导联数据的分类标签L_n记为数值0，表示该数据“是倒置导联的概率为0”。

步骤二，生成倒置导联数据。对于任意一条正常导联心电信号数据X_n，生成倒置导联数据X_r，其中X_r[i]＝-X_n[i]，倒置导联数据的分类标签L_r记为数值1，表示该数据“是倒置导联的概率为1”。

步骤三，数据预处理。从正常导联心电信号数据和倒置导联心电信号数据集合中提取心电信号数据的特征值，用X表示任意一条心电信号数据，L表示该心电信号数据的标签，将X中的所有电压值归一化为均值等于0、方差等于1的正态分布，即：

其中

其中u表示均值，σ表示方差，将和X_归一化进行合并，原始的单通道心电信号数据转换为双通道的心电信号数据X_双通道∈R^n×2。

步骤四，特征提取。在双通道的心电信号数据上提取双通道的特征X_双通道∈R^n×2；

每个通道的特征值的数量是36个，包括：

最值：F_最大值＝max(X)，F_最小值＝min(X)，分位数：F_p分位数＝percentile(X,p)，p的取值有0.01、0.02、0.05、0.1、0.2、0.5、1、2、5、10、25、50、75、90、95、98、99、99.5、99.8、99.9、99.95、99.98、99.99。

跨度：F_p,q跨度＝percentile(X,p)-percentile(X,q)，(p,q)的取值有(0.01,99.99),(0.02,99.98),(0.05,99.95),(0.1,99.9),(0.2,99.8),(0.5,99.5),(1,99),(2,98),(5,95),(10,90),(25,75)。

将双通道的特征值组合为单个维度的特征向量D∈R⁷²，每条原始导联数据对应固定维度的特征向量，基于特征向量构建机器学习模型，特别地，该机器学习模型是一个分类器模型。任意一种分类器模型均可以实现导联倒置识别的目的，这里不做限制。用H表示分类器模型，输入是心电信号提取的特征向量D，输出是该心电信号的预测结果，0表示为正常导联心电信号数据，1表示为倒置导联心电信号数据。

步骤五，模型训练，分类器的模型训练需要数据和标签两部分，对于导联倒置识别任务，数据是特征向量D，标签是L，模型训练过程与机器学习中分类器训练过程相同，保存训练完毕的分类器模型H，不需要保存原始的训练数据X、特征向量D和标签L。

步骤六，模型预测，在预测阶段，在预测阶段，对于任意一条新到来的原始心电信号数据X_new，经过同样的数据预处理、特征提取，得到特征向量D_new∈R⁷²，输入分类器模型H，计算得到预测结果Y：若Y为0，表示X_new是正常导联心电信号数据，若Y为1，表示X_new是倒置导联心电信号数据。

在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。

Claims (5)

1.基于机器学习的心电设备导联倒置识别方法，其特征在于，该方法由以下组成：步骤一，正常导联数据采集，对于任意一条心电信号数据，记该数据为X_n∈Rⁿ，其中n为该信号的数据长度，X_n[i]表示X_n的第i个电压值，Rⁿ为n维实数空间，正常导联数据的分类标签L_n记为数值0，表示该数据“是倒置导联的概率为0”；

步骤二，生成倒置导联数据，对于任意一条正常导联心电信号数据X_n，生成倒置导联数据X_r，其中X_r[i]＝-X_n[i]，倒置导联数据的分类标签L_r记为数值1，表示该数据“是倒置导联的概率为1”；

步骤三，数据预处理，从正常导联心电信号数据和倒置导联心电信号数据集合中提取心电信号数据的特征值，用X表示任意一条心电信号数据，L表示该心电信号数据的标签，将X中的所有电压值归一化为均值等于0、方差等于1的正态分布，即：

其中

其中u表示均值，σ表示方差，将和X_归-化进行合并，原始的单通道心电信号数据转换为双通道的心电信号数据X_双通道∈R^n×2；

步骤四，特征提取，在双通道的心电信号数据上提取双通道的特征X_双通道∈R^n×2，每个通道的特征值的数量是36个，包括：最值：F_最大值＝max(X)，F_最小值＝min(X)，分位数：F_p分位数＝percentile(X,p)，跨度：F_p,q跨度＝percentile(X,p)-percentile(X,q)，将双通道的特征值组合为单个维度的特征向量D∈R⁷²，每条原始导联数据对应固定维度的特征向量，基于特征向量构建机器学习模型，用H表示分类器模型，输入是心电信号提取的特征向量D，输出是该心电信号的预测结果，0表示为正常导联心电信号数据，1表示为倒置导联心电信号数据；

步骤五，模型训练，分类器的模型训练需要数据和标签两部分，对于导联倒置识别任务，数据是特征向量D，标签是L，模型训练过程与机器学习中分类器训练过程相同，保存训练完毕的分类器模型H，不需要保存原始的训练数据X、特征向量D和标签L；

步骤六，模型预测，在预测阶段，对于任意一条新到来的原始心电信号数据X_new，经过同样的数据预处理、特征提取，得到特征向量D_new∈R⁷²，输入分类器模型H，计算得到预测结果Y。

2.根据权利要求1所述的基于机器学习的心电设备导联倒置识别方法,其特征在于，所述p的取值有0.01、0.02、0.05、0.1、0.2、0.5、1、2、5、10、25、50、75、90、95、98、99、99.5、99.8、99.9、99.95、99.98、99.99。

3.根据权利要求1所述的基于机器学习的心电设备导联倒置识别方法,其特征在于，所述(p,q)的取值有(0.01,99.99),(0.02,99.98),(0.05,99.95),(0.1,99.9),(0.2,99.8),(0.5,99.5),(1,99),(2,98),(5,95),(10,90),(25,75)。

4.根据权利要求1所述的基于机器学习的心电设备导联倒置识别方法,其特征在于，所述预测结果Y：若Y为0，表示X_new是正常导联心电信号数据，若Y为1，表示X_new是倒置导联心电信号数据。

5.根据权利要求1所述的基于机器学习的心电设备导联倒置识别方法,其特征在于，所述机器学习模型是一个分类器模型，任意一种分类器模型均可以实现导联倒置识别的目的。