本發(fā)明屬于模式識別，具體涉及一種基于心電時空特征學(xué)習(xí)的心電信號分類方法。

背景技術(shù)：

1、心電信號(ecg)檢測是醫(yī)療診斷中的一項關(guān)鍵技術(shù)，用于監(jiān)測和分析心電活動。雖然智能心電檢測已經(jīng)取得了很多進展，但這些工作大多集中在提取心電信號的靜態(tài)或統(tǒng)計特征上，將心電模式的分類問題轉(zhuǎn)化為靜態(tài)模式的分類問題。由于靜態(tài)特征有限，不足以全面描述心電信號的時間性質(zhì)。而如果想要全面描述心電信號的時間性質(zhì)，一種可能的方法是提取心電信號的非線性動態(tài)特征，并建立一個有效的、動態(tài)的心電模式框架。然而，如何提取和表示心電過程中的非線性動力學(xué)特征仍然是一個具有挑戰(zhàn)性的問題，如何將提取的非線性動力學(xué)特征重用于心電分類識別也是一個關(guān)鍵問題。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的是克服現(xiàn)有技術(shù)存在的問題，通過提取心電信號的非線性動態(tài)特征，提供一種更為簡潔準確的，基于非線性心電動力學(xué)指標的心電信號分類方法。

2、為解決上述問題，本發(fā)明的具體技術(shù)方案通過如下步驟實現(xiàn)：

3、步驟1：采集人體體表12導(dǎo)聯(lián)的心電信號，將心電信號劃分為訓(xùn)練集和測試集，重構(gòu)信號相空間，并計算相空間中信號軌跡點到空間原點的歐氏距離作為非線性心電動態(tài)參數(shù)。

4、步驟2：提取信號相空間歐氏距離參數(shù)的深層次非線性心電動力學(xué)特征，并計算非線性心電動力學(xué)特征的時間復(fù)雜度和空間復(fù)雜度。

5、步驟3：基于時間復(fù)雜度和空間復(fù)雜度選擇相應(yīng)的分類器，將訓(xùn)練集的非線性心電動力學(xué)特征輸入至選擇的分類器訓(xùn)練，測試集的非線性心電動力學(xué)特征輸入至訓(xùn)練好的網(wǎng)絡(luò)進行識別，完成心電信號的分類。

6、優(yōu)選地，所述步驟1，具體包括以下過程：

7、(1)對心電信號去除噪聲和偽影，劃分出訓(xùn)練集和測試集。

8、(2)重構(gòu)12導(dǎo)聯(lián)心電信號的相空間：

9、

10、其中，是相空間中第i導(dǎo)聯(lián)第j個坐標點的信息，它由若干個信息點組成，而τ為時延，d表示相空間的嵌入維數(shù)。

11、(3)計算相空間中信號軌跡點到空間原點的歐氏距離作為非線性心電動態(tài)參數(shù)：

12、

13、其中，是相空間中第i導(dǎo)聯(lián)第j個坐標向量距離空間原點的歐式距離。

14、優(yōu)選地，所述步驟2，主要包括以下過程：

15、(1)建立非線性心電動力學(xué)模型的徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)，將訓(xùn)練集和測試集的非線性心電動態(tài)參數(shù)輸入到非線性心電動力學(xué)模型的徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)中，提取以常值神經(jīng)網(wǎng)絡(luò)權(quán)值矩陣存儲的非線性心電動力學(xué)特征；

16、(2)計算非線性心電動力學(xué)特征每一維度的時間復(fù)雜度和空間復(fù)雜度，得到非線性心電動力學(xué)總的時間復(fù)雜度和空間復(fù)雜度。

17、優(yōu)選地，非線性心電動力學(xué)特征，具體計算方式為下式：

18、

19、其中，表示第i導(dǎo)聯(lián)的非線性心電動力學(xué)模型，x表示輸入信號的狀態(tài)變量，p表示系統(tǒng)參數(shù)。是高斯徑向基函數(shù)rbf神經(jīng)網(wǎng)絡(luò)根據(jù)輸入軌跡在網(wǎng)絡(luò)神經(jīng)元不同距離程度下學(xué)習(xí)到的收斂權(quán)值均值，a是對角矩陣，對角矩陣內(nèi)部ai是增益參數(shù)，表示高斯徑向基函數(shù)rbf神經(jīng)網(wǎng)絡(luò)自動學(xué)習(xí)到的權(quán)值，最后會趨于收斂；s(x)代表高斯徑向基函數(shù)，里面包含了神經(jīng)元數(shù)量以及位置分布情況等信息；εi代表學(xué)習(xí)誤差；構(gòu)成了通過rbf神經(jīng)網(wǎng)絡(luò)不斷對局部非線性心電動態(tài)參數(shù)軌跡的內(nèi)在非線性動力學(xué)辨識得到的非線性心電動力學(xué)特征。

20、優(yōu)選地，對于非線性心電動力學(xué)特征每一維度的時間復(fù)雜度和空間復(fù)雜度，具體計算方式如下：

21、

22、其中，tck表示第k個非線性心電動態(tài)參數(shù)ed序列的時間復(fù)雜度，其計算公式為下式：

23、

24、其中，lk是第k個新序列中不同子串的數(shù)量，ok(n)表示復(fù)雜度計數(shù)，n表示新序列的長度；其計算流程為：

25、(1)取非線性心電動力學(xué)特征x的極值點進行升序排序，并轉(zhuǎn)化為新的長度為l的序列f(j′)；

26、(2)創(chuàng)建符號集合γ＝{1,…,t}，對非線性心電動力學(xué)特征的極值點進行轉(zhuǎn)換，得到新的符號序列y(i')：

27、

28、(3)將符號序列y(i')分解為一系列子串，前子串記錄為a＝{yk(1),yk(2),…,yk(m'-1)},后子串記錄為b＝{yk(m')}，則ab＝{yk(1),yk(2),…,,yk(m'-1),yk(m')}，表示剔除ab最后一個元素的子串，即如果b是的子串，更新b＝{yk(m'),yk(m'+1)}，否則更新a＝{yk(1),yk(2),…,yk(m')}，更新b＝{yk(m'+1)}，同時復(fù)雜度計數(shù)ok(n)加1；

29、sk表示第k個非線性心電動態(tài)參數(shù)ed序列的空間復(fù)雜度，其計算公式為下式：

30、

31、其中，l'k是第k個新序列中不同子串的數(shù)量，ok(m)表示復(fù)雜度計數(shù)，m表示新序列的長度；其計算流程為：

32、(1)計算非線性心電動力學(xué)特征x每個點的方向?qū)?shù)，得到反映非線性心電動力學(xué)特征x每個點的空間變化速率序列r(i)。

33、(2)將r(i)分解為一系列子串，其復(fù)雜度計算ok(m)同時間復(fù)雜度計數(shù)ok(n)的規(guī)則一致。

34、優(yōu)選地，所述步驟3中，選擇的方法是：

35、當時間復(fù)雜度tc遠遠大于空間復(fù)雜度sc時，即tc＞＞sc，選擇空間占優(yōu)分類模型進行分類識別；

36、當時間復(fù)雜度tc遠遠小于空間復(fù)雜度sc時，即tc＜＜sc，選擇時間占優(yōu)分類模型進行分類識別；

37、當時間復(fù)雜度tc和空間復(fù)雜度sc滿足tc>sc且時，選擇時間-空間級聯(lián)模型進行分類識別。

38、當時間復(fù)雜度tc和空間復(fù)雜度sc滿足sc>tc且時，選擇空間-時間級聯(lián)模型進行分類識別。

39、優(yōu)選地，所述空間占優(yōu)分類模型，具體結(jié)構(gòu)如下：

40、空間占優(yōu)分類模型包括輸入處理層、網(wǎng)絡(luò)初始化層、密集連接層、全局平均池化層、全連接層，共計五層結(jié)構(gòu)。

41、(1)第一層是輸入處理層，針對12維度的非線性心電動力學(xué)特征，具體輸入方式為下式：

42、i1＝c[r(x1),r(x2),...,r(x12)]

43、其中x1,x2,...,x12是非線性心電動力學(xué)特征，r表示將特征執(zhí)行維度重構(gòu)操作，c表示對重構(gòu)后的特征矩陣進行堆疊，堆疊后的三維特征i1作為空間占優(yōu)分類模型的輸入。

44、(2)第二層是網(wǎng)絡(luò)初始化層，包括64個3×3×3卷積核組成的三維卷積層；

45、(3)第三層為密集連接層，主要由3個密集模塊和2個轉(zhuǎn)化層交替組成。其中3個密集模塊分別由3、4、6個密集層組成，密集層由核大小為3×3×3的三維卷積層、非線性激活層、隨機失活層依次堆疊而成，密集層之間采用密集連接方式；轉(zhuǎn)化層主要由核大小為1×1×1的三維卷積層以及核大小為1×2×2最大池化層組成；

46、(4)第四層為全局平均池化層，由核大小為12×8×16的平均池化層構(gòu)成；

47、(5)第五層為全連接層，完成對心電信號的分類。

48、優(yōu)選地，所述時間占優(yōu)分類模型，具體結(jié)構(gòu)如下：

49、時間占優(yōu)分類模型包括網(wǎng)絡(luò)初始層、殘差連接層、全局平均池化層、特征融合層、全連接層，共計五層結(jié)構(gòu)。

50、(1)第一層為網(wǎng)絡(luò)初始層，由64個核大小為7的卷積核組成的一維卷積層、核大小為3的一維最大池化層組成；

51、(2)第二層為殘差連接層，包括四個殘差模塊，四個殘差模塊分別由3、4、6、3個殘差層組成，共計16層殘差層，每個殘差層主要由一維卷積層，歸一化層，非線性激活層依次組成，層與層之間采用殘差連接；

52、(3)第三層為全局平均池化層，由核大小為64的平均池化層組成；

53、(4)第四層為特征融合層，具體融合方式為下式：

54、i2＝a[y1,y2,...,y12]

55、其中，y1,y2,...,y12表示每個維度的非線性心電特征經(jīng)過時間占優(yōu)分類模型前三層后全局平均池化層輸出的特征，a表示采用逐元素相加方式，12維度的時間特征通過特征融合后，變成一維時間特征；

56、(5)第五層為全連接層，完成對心電信號的分類。

57、優(yōu)選地，所述時間-空間級聯(lián)模型，具體結(jié)構(gòu)如下：

58、時間-空間級聯(lián)模型包括網(wǎng)絡(luò)初始層、殘差連接層、全局平均池化層、特征融合層、空間初始化層、密集連接層、全局平均池化層、全連接層，共計八層結(jié)構(gòu)。

59、(1)第一層為初始層，由64個核大小為7的卷積核組成的一維卷積層和核大小為3的一維最大池化層組成；

60、(2)第二層為殘差連接層，包括四個殘差模塊，四個殘差模塊分別由3、4、6、3個殘差層組成，共計16層殘差層，每個殘差層主要由一維卷積層，歸一化層，非線性激活層依次組成，層與層之間采用殘差連接；

61、(3)第三層為全局平均池化層，由核大小為64的平均池化層組成；

62、(4)第四層為特征處理層，該層主要負責對輸出的12個一維時間特征進行重構(gòu)堆疊，具體計算方式為下式：

63、i3＝c[r(y1),r(y2),...,r(y12)]

64、其中，y1,y2,...,y12是非線性心電動力學(xué)特征經(jīng)過前三層提取到的一維時間特征向量，r表示將一維時間特征向量執(zhí)行維度重構(gòu)操作，c表示對重構(gòu)后的特征矩陣的深度進行堆疊，堆疊后的三維特征i3作為后續(xù)層的輸入；

65、(5)第五層是空間初始化層，包括64個3×3×3卷積核組成的三維卷積層；

66、(6)第六層為密集連接層，主要由3個密集模塊和2個轉(zhuǎn)化層交替組成。其中3個密集模塊分別由3、4、6個密集層組成，密集層由核大小為3×3×3的三維卷積層、非線性激活層、隨機失活層依次堆疊而成，密集層之間采用密集連接方式；轉(zhuǎn)化層主要由核大小為1×1×1的三維卷積層以及核大小為1×2×2最大池化層組成；

67、(7)第七層為全局平均池化層，由核大小為12×8×16的平均池化層構(gòu)成；

68、(8)第八層為全連接層，完成對心電信號的分類；

69、優(yōu)選地，所述空間-時間級聯(lián)模型，具體結(jié)構(gòu)如下：

70、空間-時間級聯(lián)模型包括網(wǎng)絡(luò)初始層、殘差連接層、全局平均池化層、特征融合層、空間初始化層、密集連接層、全局平均池化層、全連接層，共計八層結(jié)構(gòu)。

71、(1)第一層為輸入處理層，針對12維度的非線性心電動力學(xué)特征，具體處理方式為下式：

72、i4＝c[r(x1),r(x2),...,r(x12)]

73、其中k1,x2,...,x12是非線性心電動力學(xué)特征，r表示將特征執(zhí)行維度重構(gòu)操作，c表示對特征矩陣進行堆疊，堆疊后的三維特征i4作空間-時間級聯(lián)模型的輸入；

74、(2)第二層是空間初始化層，包括64個3×3×3卷積核組成的三維卷積層；

75、(3)第三層為密集連接層，主要由3個密集模塊和2個轉(zhuǎn)化層交替組成。其中3個密集模塊分別由3、4、6個密集層組成，密集層由核大小為3×3×3的三維卷積層、非線性激活層、隨機失活層依次堆疊而成，密集層之間采用密集連接方式；轉(zhuǎn)化層主要由核大小為1×1×1的三維卷積層以及核大小為1×2×2最大池化層組成；

76、(4)第四層為全局平均池化層，由核大小為12×8×16的平均池化層構(gòu)成；

77、(5)第五層為時間初始層，由64個核大小為7的卷積核組成的一維卷積層和核大小為3的一維最大池化層組成；

78、(6)第六層為殘差連接層，包括四個殘差模塊，四個殘差模塊分別由3、4、6、3個殘差層組成，共計16層殘差層，每個殘差層主要由一維卷積層，歸一化層，非線性激活層依次組成，層與層之間采用殘差連接；

79、(7)第七層為全局平均池化層，由核大小為18的平均池化層組成；

80、(8)第八層為全連接層，完成對心電信號的分類。

81、本發(fā)明與現(xiàn)有技術(shù)相比，具有如下優(yōu)點和有益效果：

82、1、對體表12導(dǎo)聯(lián)心電信號的相空間進行重構(gòu)，所獲得非線性心電動態(tài)參數(shù)ed更能反映出心電信號的內(nèi)在信息，同時進一步進行非線性特征提取，這種非線性動態(tài)表征對心電識別具有較高的判別能力。

83、2、與常用的單導(dǎo)聯(lián)心電分類不同，該方法充分利用了12導(dǎo)聯(lián)心電信號，并根據(jù)時間復(fù)雜度和空間復(fù)雜度結(jié)合提取每條導(dǎo)聯(lián)的時空特征，形成了綜合的心電特征方法，對心電信號具有較好的識別能力。