CN117883089A - 基于pca-bls的多导联心律失常识别方法、装置、设备和介质 - Google Patents
基于pca-bls的多导联心律失常识别方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN117883089A CN117883089A CN202311519179.7A CN202311519179A CN117883089A CN 117883089 A CN117883089 A CN 117883089A CN 202311519179 A CN202311519179 A CN 202311519179A CN 117883089 A CN117883089 A CN 117883089A
- Authority
- CN
- China
- Prior art keywords
- pca
- bls
- electrocardiograph
- lead
- sequences
- 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
- 206010003119 arrhythmia Diseases 0.000 title claims abstract description 53
- 230000006793 arrhythmia Effects 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 42
- 238000012360 testing method Methods 0.000 claims abstract description 30
- 238000012545 processing Methods 0.000 claims abstract description 26
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 230000011218 segmentation Effects 0.000 claims abstract description 6
- 238000005070 sampling Methods 0.000 claims description 48
- 239000011159 matrix material Substances 0.000 claims description 32
- 239000013598 vector Substances 0.000 claims description 22
- 238000002372 labelling Methods 0.000 claims description 15
- 238000004891 communication Methods 0.000 claims description 10
- 230000000694 effects Effects 0.000 claims description 7
- 238000000638 solvent extraction Methods 0.000 claims description 3
- 230000000747 cardiac effect Effects 0.000 claims 2
- 230000002159 abnormal effect Effects 0.000 description 4
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000002759 z-score normalization Methods 0.000 description 2
- 241000212376 Ammi Species 0.000 description 1
- 235000007034 Carum copticum Nutrition 0.000 description 1
- 206010047289 Ventricular extrasystoles Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- 230000002861 ventricular Effects 0.000 description 1
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明提出了一种基于PCA‑BLS的多导联心率失常识别方法、装置、设备和介质,包括通过心电信号采集设备获取十二导联心电数据并进行分割处理,获取多个待处理心电序列、多个心电标签和心拍输入信息;对多个待处理心电序列进行预处理操作,获取多个心电序列,将心电序列和心电标签分割为训练集和测试集;将训练集输入至预设的PCA‑BLS网络模型中进行训练,获取训练好的PCA‑BLS网络模型;将测试集输入至训练好的PCA‑BLS网络模型,获取输出分类结果。通过多导联心拍处理将多个心电序列和多个心电标签分割为训练集和测试集,通过预设的PCA‑BLS网络模型进行训练,将测试集输入训练好的PCA‑BLS网络模型中获取输出分类结果,用轻量级网络提高心律失常心拍序列的分类准确率。
Description
技术领域
本发明涉及医学一维信号处理技术领域,特别涉及一种基于PCA-BLS的多导联心率失常识别方法、装置、电子设备、存储介质。
背景技术
现有技术中,常用12导联心电图对心脏疾病进行检查,从而发现心律失常等失常性疾病,但现有技术多为单导联单心拍处理,对于失常性疾病诊断缺少导联间和相邻心拍相关特征,导致对失常性疾病的分类准确率较低。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此,本发明提出一种基于PCA-BLS的多导联心率失常识别方法、装置、电子设备、存储介质,能够提高失常性疾病分类的准确性。
第一方面,本发明实施例提供了一种基于PCA-BLS的多导联心率失常识别方法,包括:
通过心电信号采集设备获取十二导联心电数据,对所述十二导联心电数据进行分割处理,获取多个待处理心电序列、多个心电标签和心拍输入信息;
对多个所述待处理心电序列进行预处理操作,获取多个心电序列,将多个所述心电序列和多个所述心电标签分割为训练集和测试集,其中,所述预处理操作至少包括标准化处理和矩阵化处理;
将所述训练集输入至预设的PCA-BLS网络模型中进行训练,获取训练好的PCA-BLS网络模型;
将所述测试集输入至训练好的所述PCA-BLS网络模型,获取输出分类结果。
在本发明的一些实施例中,所述通过心电信号采集设备获取十二导联心电数据,包括:
通过多导联心电信号采集设备采集并记录多个样本的心电采样数据;
对所述心电采样数据进行标注,获取标注采样数据,对所述标注采样数据进行心律失常分类,其中,多个所述样本的记录时长至少为十秒。
在本发明的一些实施例中,所述对所述十二导联心电数据进行分割处理,包括:
获取所述心电序列的波峰位置,对所述波峰位置进行标注,获取所述波峰位置的波峰标签;
选取所述波峰位置之前的多个第一采样点和所述波峰位置之后的第二采样点;
将多个所述第一采样点和多个所述第二采样点进行集成处理,获取波峰位置集合,其中,所述波峰位置集合为所述PCA-BLS的心拍输入信息。
在本发明的一些实施例中,所述对所述待处理心电序列进行预处理操作,包括:
对所述心拍输入信息进行转换,获取所述心拍输入信息的均值和标准差;
根据所述心拍输入信息、所述均值和所述标准差计算所述心拍输入信息的标准化结果。
在本发明的一些实施例中,所述将多个所述心电序列和多个所述心电标签分割为训练集和测试集,包括:
获取多个心律失常分类标签,通过与所述心电序列相对应的所述心律失常分类标签对多个所述心电序列进行标注,获取标注心电序列;
对同一类别的所述心电序列和所述标注心电序列进行随机分类,获取第一分类数据和第二分类数据,其中,所述第一分类数据的数量大于所述第二分类数据的数量,所述第一分类数据和所述第二分类数据的应用主体不相同。
在本发明的一些实施例中,所述将所述训练集输入至预设的PCA-BLS网络模型中进行训练,包括:
构建PCA卷积模块,获取所述PCA卷积模块的多个样本矩阵;
对所述样本矩阵中的每个中点进行块采样,获取多个采样块,对每个所述采样块进行取均值操作,将多个所述采样块重构为采样向量;
获取所述采样向量的协方差矩阵和所述协方差矩阵的特征向量,根据所述协方差矩阵和所述特征向量计算所述PCA卷积模块的卷积核;
根据所述卷积核和所述样本矩阵和所述卷积核获取所述采样块的输出值。
在本发明的一些实施例中,所述将所述测试集输入至训练好的所述PCA-BLS网络模型,获取输出分类结果,包括:
根据所述心电标签和所述输出分类结果计算所述的分类结果的准确率;
根据所述准确率获取所述输出分类结果的总体准确度和样本分类准确度;
获取所述输出分类结果的曲线下面积值,通过所述曲线下面积值、所述总体准确度和所述样本分类准确度确定所述输出分类结果的不平衡分类效果。
第二方面,本发明实施例提供了一种基于PCA-BLS的多导联心率失常识别装置,包括少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器;所述存储器存储有可被所述至少一个控制处理器执行的指令,所述指令被所述至少一个控制处理器执行,以使所述至少一个控制处理器能够执行如上述第一方面所述的基于PCA-BLS的多导联心率失常识别方法。
第三方面,本发明实施例提供了一种电子设备,包括有如上述第二方面所述的基于PCA-BLS的多导联心率失常识别装置。
第四方面,本发明实施例提供了一种计算机可读存储介质,存储有计算机可执行指令,所述计算机可执行指令用于执行如上述第一方面所述的基于PCA-BLS的多导联心率失常识别方法。
根据本发明实施例的基于PCA-BLS的多导联心率失常识别方法,至少具有如下有益效果:
通过心电信号采集设备获取十二导联心电数据,对十二导联心电数据进行分割处理,获取多个待处理心电序列、多个心电标签和心拍输入信息;对多个待处理心电序列进行预处理操作,获取多个心电序列,将多个心电序列和多个心电标签分割为训练集和测试集,其中,预处理操作至少包括标准化处理和矩阵化处理;将训练集输入至预设的PCA-BLS网络模型中进行训练,获取训练好的PCA-BLS网络模型;将测试集输入至训练好的PCA-BLS网络模型,获取输出分类结果。通过多导联心拍处理将多个心电序列和多个心电标签分割为训练集和测试集,通过预设的PCA-BLS网络模型进行训练,将测试集输入训练好的PCA-BLS网络模型中获取输出分类结果,用轻量级网络提高心律失常心拍序列的分类准确率。
附图说明
图1是本发明一个实施例提供的基于PCA-BLS的多导联心率失常识别方法的流程图;
图2是本发明一个实施例提供的通过心电信号采集设备获取十二导联心电数据的流程图;
图3是本发明一个实施例提供的对十二导联心电数据进行分割处理法的流程图;
图4是本发明一个实施例提供的对待处理心电序列进行预处理操作方法的流程图;
图5是本发明一个实施例提供的将多个心电序列和多个心电标签分割为训练集和测试集的流程图;
图6是本发明一个实施例提供的将训练集输入至预设的PCA-BLS网络模型中进行训练的流程图;
图7是本发明一个实施例提供的将测试集输入至训练好的PCA-BLS网络模型,获取输出分类结果的流程图;
图8是本发明另一个实施例提供的基于PCA-BLS的多导联心率失常识别装置的结构图;
图9是本发明一个实施例提供的心律失常分类模型的示意图;
图10是本发明一个实施例提供的心律失常模型进行转换的流程图;
图11是本发明一个实施例提供的PCA卷积的流程图;
图12是本发明一个实施例提供的对特征节点进行提取和增强的流程图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
在本发明的描述中,需要理解的是,涉及到方位描述,例如上、下、前、后、左、右等指示的方位或位置关系为基于附图所示的方位或位置关系,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装置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。
在本发明的描述中,若干的含义是一个或者多个,多个的含义是两个以上,大于、小于、超过等理解为不包括本数,以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
本发明的描述中,除非另有明确的限定,设置、安装、连接等词语应做广义理解,所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
本发明实施例提供了一种基于PCA-BLS的多导联心率失常识别方法,通过心电信号采集设备获取十二导联心电数据,对十二导联心电数据进行分割处理,获取多个待处理心电序列、多个心电标签和心拍输入信息;对多个待处理心电序列进行预处理操作,获取多个心电序列,将多个心电序列和多个心电标签分割为训练集和测试集,其中,预处理操作至少包括标准化处理和矩阵化处理;将训练集输入至预设的PCA-BLS网络模型中进行训练,获取训练好的PCA-BLS网络模型;将测试集输入至训练好的PCA-BLS网络模型,获取输出分类结果。通过多导联心拍处理将多个心电序列和多个心电标签分割为训练集和测试集,通过预设的PCA-BLS网络模型进行训练,将测试集输入训练好的PCA-BLS网络模型中获取输出分类结果,用轻量级网络提高心律失常心拍序列的分类准确率。
下面基于附图,对本发明实施例的控制方法作进一步阐述。
参照图1,图1为本发明实施例提供的一种方法的流程图,该基于PCA-BLS的多导联心率失常识别方法包括但不限于有以下步骤:
步骤S11,通过心电信号采集设备获取十二导联心电数据,对十二导联心电数据进行分割处理,获取多个待处理心电序列、多个心电标签和心拍输入信息;
需要说明的是,通过心电信号采集设备获取被检测者的心电数据信息,心电数据信息具体包括多个待处理心电序列、多个心电标签和心拍输入信息,从而完成心律失常识别的前期数据获取准备;通过分割处理,将原始的十二导联心电数据切割成多个待处理心电序列、多个心电标签和心拍输入信息,从而减少十二导联心电数据中的噪音和干扰等不良信号,提高后续流程的准确性。
其中,本实施选用的心电信号采集设备可以为十二导联心电图机或十二导联24小时动态心电图记录仪,本实施例不做具体限制。
步骤S12,对多个待处理心电序列进行预处理操作,获取多个心电序列,将多个心电序列和多个心电标签分割为训练集和测试集,其中,预处理操作至少包括标准化处理和矩阵化处理;
需要说明的是,通过标准化处理和矩阵化处理将多个待处理心电序列转化为多个心电序列,将多个心电序列分割为训练集,将多个心电标签分割为测试集,训练集用于训练预设的PCA-BLS网络模型,通过PCA-BLS网络模型对测试集进行测试,从而有效评估PCA-BLS网络模型的性能,验证模型泛化能力。
步骤S13,将训练集输入至预设的PCA-BLS网络模型中进行训练,获取训练好的PCA-BLS网络模型;
需要说明的是,通过将训练集输入至预设的PCA-BLA网络模型中,将预设的PCA-BLS网络模型训练为能够完全反应病人间识别效果的PCA-BLC网络模型。
步骤S14,将测试集输入至训练好的PCA-BLS网络模型,获取输出分类结果。
需要说明的是,通过预设的PCA-BLS网络模型根据训练集进行训练,将测试集输入训练好的PCA-BLS网络模型中获取输出分类结果,通过OCA卷积BLS,对信号噪声具有鲁棒性,从而简化十二导联心电数据的去噪流程,用轻量级网络提高心律失常心拍序列的分类准确率。
另外,在一实施例中,参照图2,在图1所示实施例的步骤S11中,还包括但不限于有以下步骤:
S21,通过多导联心电信号采集设备采集并记录多个样本的心电采样数据;
S21,对心电采样数据进行标注,获取标注采样数据,对标注采样数据进行心律失常分类,其中,多个样本的记录时长至少为十秒。
需要说明的是,本实施例采用十二导联心电信号采集设备,记录不同样本的心电采样数据,对心电采样数据标注对应的心律失常分类,其中,每个样本的记录时长应大于10秒,本实施例中,采用基于AMMI标准的心律时长五分类划分方式,分别为正常心拍、室上性异味搏动、心室异味搏动和融合搏动等,从而对心电采样数据进行心律失常分类操作。
另外,在一实施例中,参照图3,在图1步骤所示实施例步骤S11中,还包括但不限于有以下步骤:
S31,获取心电序列的波峰位置,对波峰位置进行标注,获取波峰位置的波峰标签;
S32,取波峰位置之前的多个第一采样点和波峰位置之后的第二采样点;
S33,将多个第一采样点和多个第二采样点进行集成处理,获取波峰位置集合,其中,波峰位置集合为PCA-BLS训练模型的心拍输入信息。
需要说明的是,本实施例获取心拍序列的波峰位置和与波峰位置相对应的标签,选取波峰前149个采样点到波峰后的150个采样点,共300个采样点最为一个心拍输入信息,通过将心拍输入信息输入值训练好的PCA-BLS训练模型中进行转换。
另外,在一实施例中,参照图4,在图1步骤所示实施例步骤S12中,还包括但不限于有以下步骤:
S41,对心拍输入信息进行转换,获取心拍输入信息的均值和标准差;
S42,根据心拍输入信息、均值和标准差计算心拍输入信息的标准化结果。
需要说明的是,本实施例采用Z-score标准化方法,将获取的心拍输入信息转换为均值为零、准差为1的向量。
参照图4和图9,其中,Z-score标准化方法的第一公式为:
其中,X为心拍片段信息,Z为Z-score标准化的结果,μ为心拍片段信息的均值,δ为心拍片段信息的标准差。
本实施例通过将分割好的心拍片段信息转化为矩阵,使得PCA-BLA网络模型中的两个卷积层能够更加充分的挖掘心拍片段信息的特征,有效的提高了PCA-BLA的特征挖掘效率。具体地,通过将心拍信息分割并排列成具有一定行数和列数的心拍矩阵,心拍矩阵是基于波形和灰度图像的变换方程,心拍为一个具有三百个采样点的矢量,这些采样点被重塑成矩阵,其中矩阵的大小为20×15。
另外,在一实施例中,参照图5,在图1步骤所示实施例步骤S12中,还包括但不限于有以下步骤:
S51,获取多个心律失常分类标签,通过与心电序列相对应的心律失常分类标签对多个心电序列进行标注,获取标注心电序列;
S52,对同一类别的心电序列和标注心电序列进行随机分类,获取第一分类数据和第二分类数据,其中,第一分类数据的数量大于第二分类数据的数量,第一分类数据和第二分类数据的应用主体不相同。
需要说明的是,通过获取多个心律失常分类标签,心律失常分类标签对每一心电序列进行标注,获取标注心电序列;将获取的标注心电序列以及对应的心律失常分类标签按照统一分类类别进行分类,从而获取第一分类数据和第二分类数据,可选地,本实施例中一共获取十份分类数据,其中,第一分类数据为九个,第二分类数据为一个,第二分类数据不能与其余九个分类数据为统一被测者。以使测试集能够完全反应测试者间的识别效果,将相同份序的不同类数据拼接成完整的标注心电序列,将前九份第一分类数据作为训练集,将第十份第二分类数据作为测试集。
另外,在一实施例中,参照图6,在图1步骤所示实施例步骤S13中,还包括但不限于有以下步骤:
S61,构建PCA卷积模块,获取PCA卷积模块的多个样本矩阵;
S62,对样本矩阵中的每个中点进行块采样,获取多个采样块,对每个采样块进行取均值操作,将多个采样块重构为采样向量;
S63,获取采样向量的协方差矩阵和协方差矩阵的特征向量,根据协方差矩阵和特征向量计算PCA卷积模块的卷积核;
S64,根据卷积核和样本矩阵和卷积核获取采样块的输出值。
需要说明的是,本实施例通过构建基于PCA算法的卷积模块,PCA卷积模块根据主成分分析去学习卷积的多层滤波器和,由于PCA算法本身运行效率高,因此PCA卷积模块的运行速度较快,所需运算资源较少;
构建可以体态普通卷积核的PCA卷积核,PCA卷积模块可以通过线性组合的方法将多个特征综合为少数特征,且中和后的特征不仅相互独立,而且可以表示十二导联心电数据的大部分信息。
参照图10、图11和图12,具体地,PCA卷积模块的构建方式为:
以样本矩阵的每个像素为中心进行块采样,采样块的面积为k1×k2,获取N(a-k1/2)(b-k2/2)个采样块,对每个采样块进行取均值处理,将多个采样块重构为向量:
其中,是从第i个心电矩阵获得的均值为0的第λ个向量。对所有样本数据进行处理之后可以获得/>
根据第二公式计算PCA卷积核,第二公式为:
其中,qζ为协方差矩阵XXT的L2个最大特征向量对应的特征向量,然后将通过将特征向量转换成L2个矩阵,将L2个矩阵作为PCA滤波器/>
根据第三公式,对X和进行卷积计算,得到二次特征块的输出值,其中,第三公式为:
通过上述卷积计算,提取十二导联心电数据的特征块。
通过Heaviside函数将提取到的特征块编码为一个二进制矩阵,其中,矩阵的正值等于1其他值为0根据第四公式将二进制矩阵转换为灰度图像,其中,每个像素的取值范围为第四公式为:
其中,Ti为十进制图像。
在十进制矩阵中表示具有重叠的样本块,是通统计直方图方案表示每个样本块矩阵。
将所有直方图特征向量表示为连接为向量其中,Ti j是第i个样本的第j个特征块,p是所有特征块的总和。
通过第五公式对输出的二次特征块进行增强,求得PCA-BLS网络模型的特征节点和增强节点,其中,第五公式为:
其中,k是Zi中的节点数,和/>分别为随机权重和偏差。
获取所有特征节点后,得到第j组增强节点Hj∈RN*P,,和/>分别为随机权值和偏置,ξ(·)为激活函数,常被用作tansig函数。
获取所有的增强节点后,将所有的特征节点和增强节点连接成一个展开矩阵,表示为:
其中,最后,将展开后的矩阵/>与输出Y连接表示如下:
其中,为网络的连接权值,通过对/>求解可得:
其中,第一项是正则化项,第二项是最小二乘误差项,设对的导数为0,计算的最优解为:
其中I是单位矩阵。值得注意的是,的MP广义逆为:
由于BLS避免了梯度下降,因此本实施例中的网络模型比深度神经网络的计算速度更快,当使用训练良好的BLS进行预测时,测试样本的输出为:
其中,为x与/>生成的展开式矩阵,为输出向量。
最后,X的预测类标号可以表示为:
另外,在一实施例中,参照图7,在图1步骤所示实施例步骤S14中,还包括但不限于有以下步骤:
S71,根据心电标签和输出分类结果计算的分类结果的准确率;
S72,根据准确率获取输出分类结果的总体准确度和样本分类准确度;
S73,获取输出分类结果的曲线下面积值,通过曲线下面积值、总体准确度和样本分类准确度确定输出分类结果的不平衡分类效果。
需要说明的是,本实施例采用准确率和宏观ROC曲线下面积值对PCA-BLS网络模型输出的分类结果进行评价,其中,准确率可以反映网络模型最终分类的总体准确度和各样本分类准确的,宏观ROC下面积值反应不平衡类别的识别效果,具体地,宏观ROC下面积值越大,不平衡分类效果越好。
如图8所示,图8是本发明一个实施例提供的基于PCA-BLS的多导联心率失常识别装置的结构图。本发明还提供了一种基于PCA-BLS的多导联心率失常识别装置,包括:
处理器801,可以采用通用的中央处理器(Central Processing Unit,CPU)、微处理器、应用专用集成电路(Application Specific Integrated Circuit,ASIC)、或者一个或多个集成电路等方式实现,用于执行相关程序,以实现本申请实施例所提供的技术方案;
存储器802,可以采用只读存储器(Read Only Memory,ROM)、静态存储设备、动态存储设备或者随机存取存储器(Random Access Memory,RAM)等形式实现。存储器802可以存储操作系统和其他应用程序,在通过软件或者固件来实现本说明书实施例所提供的技术方案时,相关的程序代码保存在存储器802中,并由处理器801来调用执行本申请实施例的基于PCA-BLS的多导联心率失常识别方法;
输入/输出接口803,用于实现信息输入及输出;
通信接口804,用于实现本装置与其他设备的通信交互,可以通过有线方式(例如USB、网线等)实现通信,也可以通过无线方式(例如移动网络、WI FI、蓝牙等)实现通信;
总线805,在设备的各个组件(例如处理器801、存储器802、输入/输出接口803和通信接口804)之间传输信息;
其中处理器801、存储器802、输入/输出接口803和通信接口804通过总线805实现彼此之间在设备内部的通信连接。
本申请实施例还提供了一种电子设备,包括如上所述的基于PCA-BLS的多导联心率失常识别装置。
本申请实施例还提供了一种存储介质,存储介质为计算机可读存储介质,该存储介质存储有计算机程序,该计算机程序被处理器执行时实现上述基于PCA-BLS的多导联心率失常识别方法。
存储器作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中,存储器可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。以上所描述的装置实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,实现了以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器,如中央处理器、数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。这样的软件可以分布在计算机可读介质上,计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的,术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外,本领域普通技术人员公知的是,通信介质通常包括计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。
以上是对本发明的较佳实施进行了具体说明,但本发明并不局限于上述实施方式,熟悉本领域的技术人员在不违背本发明精神的共享条件下还可作出种种等同的变形或替换,这些等同的变形或替换均包括在本发明权利要求所限定的范围内。
Claims (10)
1.一种基于PCA-BLS的多导联心率失常识别方法,其特征在于,包括:
通过心电信号采集设备获取十二导联心电数据,对所述十二导联心电数据进行分割处理,获取多个待处理心电序列、多个心电标签和心拍输入信息;
对多个所述待处理心电序列进行预处理操作,获取多个心电序列,将多个所述心电序列和多个所述心电标签分割为训练集和测试集,其中,所述预处理操作至少包括标准化处理和矩阵化处理;
将所述训练集输入至预设的PCA-BLS网络模型中进行训练,获取训练好的PCA-BLS网络模型;
将所述测试集输入至训练好的所述PCA-BLS网络模型,获取输出分类结果。
2.根据权利要求1所述的基于PCA-BLS的多导联心率失常识别方法,其特征在于,所述通过心电信号采集设备获取十二导联心电数据,包括:
通过多导联心电信号采集设备采集并记录多个样本的心电采样数据;
对所述心电采样数据进行标注,获取标注采样数据,对所述标注采样数据进行心律失常分类,其中,多个所述样本的记录时长至少为十秒。
3.根据权利要求1所述的基于PCA-BLS的多导联心率失常识别方法,其特征在于,所述对所述十二导联心电数据进行分割处理,包括:
获取所述心电序列的波峰位置,对所述波峰位置进行标注,获取所述波峰位置的波峰标签;
选取所述波峰位置之前的多个第一采样点和所述波峰位置之后的第二采样点;
将多个所述第一采样点和多个所述第二采样点进行集成处理,获取波峰位置集合,其中,所述波峰位置集合为所述PCA-BLS的心拍输入信息。
4.根据权利要求1所述的基于PCA-BLS的多导联心率失常识别方法,其特征在于,所述对所述待处理心电序列进行预处理操作,包括:
对所述心拍输入信息进行转换,获取所述心拍输入信息的均值和标准差;
根据所述心拍输入信息、所述均值和所述标准差计算所述心拍输入信息的标准化结果。
5.根据权利要求1所述的基于PCA-BLS的多导联心律失常识别方法,其特征在于,所述将多个所述心电序列和多个所述心电标签分割为训练集和测试集,包括:
获取多个心律失常分类标签,通过与所述心电序列相对应的所述心律失常分类标签对多个所述心电序列进行标注,获取标注心电序列;
对同一类别的所述心电序列和所述标注心电序列进行随机分类,获取第一分类数据和第二分类数据,其中,所述第一分类数据的数量大于所述第二分类数据的数量,所述第一分类数据和所述第二分类数据的应用主体不相同。
6.根据权利要求1所述的基于PCA-BLS的多导联心率失常识别方法,其特征在于,所述将所述训练集输入至预设的PCA-BLS网络模型中进行训练,包括:
构建PCA卷积模块,获取所述PCA卷积模块的多个样本矩阵;
对所述样本矩阵中的每个中点进行块采样,获取多个采样块,对每个所述采样块进行取均值操作,将多个所述采样块重构为采样向量;
获取所述采样向量的协方差矩阵和所述协方差矩阵的特征向量,根据所述协方差矩阵和所述特征向量计算所述PCA卷积模块的卷积核;
根据所述卷积核和所述样本矩阵和所述卷积核获取所述采样块的输出值。
7.根据权利要求1所述的基于PCA-BLS的多导联心率失常识别方法,其特征在于,所述将所述测试集输入至训练好的所述PCA-BLS网络模型,获取输出分类结果,包括:
根据所述心电标签和所述输出分类结果计算所述的分类结果的准确率;
根据所述准确率获取所述输出分类结果的总体准确度和样本分类准确度;
获取所述输出分类结果的曲线下面积值,通过所述曲线下面积值、所述总体准确度和所述样本分类准确度确定所述输出分类结果的不平衡分类效果。
8.一种基于PCA-BLS的多导联心率失常识别装置,其特征在于,包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器;所述存储器存储有可被所述至少一个控制处理器执行的指令,所述指令被所述至少一个控制处理器执行,以使所述至少一个控制处理器能够执行如权利要求1至7任一项所述的基于PCA-BLS的多导联心率失常识别方法。
9.一种电子设备,其特征在于,包括权利要求8所述的基于PCA-BLS的多导联心率失常识别装置。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行如权利要求1至7任一项所述的基于PCA-BLS的多导联心率失常识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311519179.7A CN117883089A (zh) | 2023-11-14 | 2023-11-14 | 基于pca-bls的多导联心律失常识别方法、装置、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311519179.7A CN117883089A (zh) | 2023-11-14 | 2023-11-14 | 基于pca-bls的多导联心律失常识别方法、装置、设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117883089A true CN117883089A (zh) | 2024-04-16 |
Family
ID=90644847
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311519179.7A Pending CN117883089A (zh) | 2023-11-14 | 2023-11-14 | 基于pca-bls的多导联心律失常识别方法、装置、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117883089A (zh) |
-
2023
- 2023-11-14 CN CN202311519179.7A patent/CN117883089A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10869610B2 (en) | System and method for identifying cardiac arrhythmias with deep neural networks | |
US11564612B2 (en) | Automatic recognition and classification method for electrocardiogram heartbeat based on artificial intelligence | |
KR102451795B1 (ko) | 심전도 신호의 검출 방법 | |
Murugesan et al. | Ecgnet: Deep network for arrhythmia classification | |
EP3801238B1 (en) | Detecting abnormalities in ecg signals | |
CN108596142B (zh) | 一种基于PCANet的心电特征提取方法 | |
US7174205B2 (en) | Cardiac diagnostic system and method | |
CN109480824B (zh) | 心电波形数据的处理方法、装置和服务器 | |
CN109394205B (zh) | 一种基于深度神经网络的心电信号分析方法 | |
CN110664395B (zh) | 图像处理方法、图像处理装置以及存储介质 | |
CN111956208B (zh) | 一种基于超轻量级卷积神经网络的ecg信号分类方法 | |
WO2022193312A1 (zh) | 基于多导联的心电信号识别方法和心电信号识别装置 | |
CN112690802B (zh) | 一种检测心电信号的方法、装置、终端及存储介质 | |
CN111657925A (zh) | 基于机器学习的心电信号分类方法、系统、终端以及存储介质 | |
CN110638430A (zh) | 多任务级联神经网络ecg信号心律失常疾病分类模型和方法 | |
CN111920405A (zh) | 一种房颤信号识别系统及方法 | |
CN111956214A (zh) | 基于U-net端对端神经网络模型的QRS波自动检测方法 | |
CN115530788A (zh) | 基于自注意力机制的心律失常分类方法 | |
CN117352164A (zh) | 基于人工智能的多模态肿瘤检测诊断平台及其处理方法 | |
US20230100365A1 (en) | Automatic classification of healthy and disease conditions from images or digital standard 12-lead ECGs | |
CN117883089A (zh) | 基于pca-bls的多导联心律失常识别方法、装置、设备和介质 | |
CN114366116A (zh) | 一种基于Mask R-CNN网络及心电图的参数获取方法 | |
CN114469126B (zh) | 心电数据的分类处理方法、装置、存储介质及计算机设备 | |
CN117133449B (zh) | 心电图分析系统、心电图分析模型构造、训练方法和介质 | |
Liu et al. | An Improved VIT Neural Network for Arrhythmia Classification Based on Wavelet Spectral Feature Extraction |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |