一种基于误分类和监督学习的伪差心拍与异常心拍的识别方法技术

一种基于误分类和监督学习的伪差心拍与多种异常心拍的识别算法，包括以下步骤：1)采用已有心拍类型标注的心电信号数据库的心电数据，识别R峰并提取心拍特征；2)与数据库标注的R峰进行对比，将误识别的R峰和数据库标注的噪声心拍归类为伪差心拍；3)提取数据库中所有伪差心拍、正常心拍、室性早搏心拍、室性逸搏心拍、室上性早搏心拍、室上性逸搏心拍、室性融合心拍和起搏心拍等八类心拍的心拍特征，作为训练数据；4)用监督学习的方法将训练数据训练出一个八分类模型；5)提取实时动态心电数据中的测试数据，输入分类模型得到心拍分类结果。本发明专利技术适用于动态心电图长时间心电数据伪差心拍和其他多种异常心拍的识别。

A Recognition Method of Pseudo-aberrant and Abnormal Heart beat Based on Misclassification and Supervisory Learning

A recognition algorithm based on misclassification and supervised learning for pseudo-aberrant heartbeat and abnormal heartbeat is proposed, which includes the following steps: 1) Recognizing R-peak and extracting characteristics of heartbeat using ECG data in ECG database labeled with existing types of heartbeat; 2) Comparing R-peak labeled with R-peak labeled in database, classifying R-peak misidentified and noisy heartbeat labeled in database as pseudo-aberrant heartbeat; 3) Extracting number; According to the database, the characteristics of eight kinds of beats, such as pseudo-aberrant beats, normal beats, ventricular premature beats, ventricular escape beats, supraventricular premature beats, supraventricular escape beats, ventricular fusion beats and pacemaker beats, are used as training data; 4) an eight-class model is trained with supervised learning method; 5) test data of real-time dynamic ECG data are extracted. Input the classification model to get the classification results. The invention is applicable to the identification of long-time ECG data pseudo-aberration beats of dynamic electrocardiogram and other abnormal beats.

【技术实现步骤摘要】
一种基于误分类和监督学习的伪差心拍与异常心拍的识别方法
本专利技术涉及动态心电图的自动辅助检测
，具体涉及一种动态心电图中伪差心拍和其他异常心拍的识别方法。
技术介绍
动态心电图是一种长时间连续记录的体表心电图，比常规心电图包含更丰富的人体生理信息，可以更客观地反映和监测患者的身体状况。但同时由于其长程性，动态心电图包含大量的心拍和繁杂的类型，导致医生的工作量大大增加，这就使得动态心电图的自动辅助检测技术日益重要。心电图中凡不是由心脏电活动造成的波形改变的现象称为伪差，多为各种干扰所致，如导联脱落、电极接触不良、皮肤高电阻、患者肌颤等，而依靠滤波去噪算法并不能完全去除干扰影响。伪差可以造成伪差性心律失常，使医生误诊，导致采取错误的治疗。因此，能够准确识别出伪差心拍在动态心电图的自动检测中十分必要。目前识别伪差的方法基本都是针对某种单一的伪差，如基于高阶统计量的运动伪差识别方法、基于形态学模板聚类的运动伪差识别等。由于实际的心电信号可能包含多种类型的伪差，如基线漂移伪差心拍、运动伪差心拍和肌电伪差心拍等多种伪差心拍，仅利用一种算法无法完全涉及所有的伪差心拍的训练和分类从而进行准确地检测。
技术实现思路
为了克服现有技术的无法适用于动态心电图长时间心电数据伪差心拍和其他多种异常心拍的识别的不足，本专利技术的目的在于提供一种动态心电图中伪差心拍和其他多种异常心拍的识别方法，本首先基于误分类，将已标注心电数据库多检出的心拍归类为伪差心拍，然后采用监督学习方法将伪差心拍与其他多种异常心拍进行分类，适用于动态心电图长时间心电数据伪差心拍和其他多种异常心拍的识别，有效辅助医生快速进行相关诊断。本专利技术解决其技术问题所采用的技术方案是：一种基于误分类和监督学习的伪差心拍与异常心拍的识别方法，包括以下步骤：1)采用已有心拍类型标注的心电信号数据库的心电数据，经过心电数据预处理之后，利用R峰识别算法RpeakDetect识别每条数据的QRS复合波，并以每个QRS复合波为一个心拍提取每个心拍的13种特征记为beatFeature；2)将通过算法RpeakDetect识别出的R峰与数据库标注的R峰进行对比，将算法误识别的R峰归类为伪差心拍，同时将数据库标注的孤立的类QRS伪迹也归类为伪差心拍；3)提取数据库中所有伪差心拍、正常心拍、室性早搏心拍、室性逸搏心拍、室上性早搏心拍、室上性逸搏心拍、室性融合心拍和起搏心拍等八类心拍的beatFeature，作为训练数据trainData；4)用监督学习方法训练对训练数据trainData进行训练，得到一个八分类模型，记为multiclassificationModel；5)对需进行心拍分类识别的实时动态心电数据进行预处理，并采用RpeakDetect算法识别每个心拍，提取每个心拍的beatFeature特征构成测试数据testData，最终将testData输入multiclassificationModel得到心拍分类结果。进一步，所述步骤1)中，已有心拍类型标注的心电信号数据库可为开源心电数据库，可为自建心电数据库，也可为包含多来源心电数据的数据库，对于多分类模型，数据库中需至少包含室性早搏心拍、室性逸搏心拍、室上性早搏心拍、室上性逸搏心拍、室性融合心拍和起搏心拍等多种异常心拍。再进一步，所述步骤1)beatFeature包含的13种特征具体为：当前心拍的QRS复合波时长；当前心拍的RR间期RR0；上一心拍的RR间期RR1；下一心拍的RR间期RR2；Ratio1＝RR0/RR1；Ratio2＝RR0/RR2；Ratio3＝RR0/MeanRR，MeanRR是所有RR间期的均值；Ratio1、Ratio2和Ratio3的均值MRatio；R峰前后各100ms数据的Lempel-Ziv复杂度；R峰前后各100ms数据的熵；R峰前后各100ms数据的Hjorth复杂度；归一化后当前心拍与上一心拍的QRS复合波互相关函数的最大值Corr1；归一化后当前心拍与下一心拍的QRS复合波互相关函数的最大值Corr2。再进一步，所述步骤4)中的监督学习方法为各种不同类型的分类模型算法，模型训练之前需采用重采样的方法使每种类型心拍的数量达成一致，且采用不同的监督学习方法需对应不同的数据预处理方式：如采用与决策树相关的分类和回归树、随机森林、梯度提升决策树等方法时，不需要进行特征的归一化；如采用K-近邻法、神经网络、支持向量机等方法时，则需要进行特征的归一化。本专利技术的有益效果主要表现在：基于误分类和监督学习的伪差心拍和其他多种异常心拍分类方法在动态心电图中可以有效识别多种干扰造成的伪差，保证异常心律形成的心拍的准确识别。附图说明图1是一种基于误分类和监督学习的伪差心拍和其他多种异常心拍分类方法的流程图。具体实施方式下面结合附图对本专利技术作进一步描述。参照图1，一种动态心电图中伪差心拍和其他异常心拍的识别方法，首先利用已有心拍类型标注的心电信号数据库提取包含13种特征八类心拍的训练数据，其中的伪差心拍包括R峰识别算法中误识别的心拍以及心拍类型标记为类QRS的伪迹，然后将待检测动态心电数据采用同样的R峰识别算法提取QRS复合波，并提取出同样的13种心拍特征形成测试数据，最终采用监督学习分类算法将参与测试的每个心拍分为伪差心拍、正常心拍、室上性早搏心拍、室性早搏心拍、室性逸搏心拍、室上性逸搏心拍、室性融合心拍和起搏心拍等八类心拍中的一类。本实施方案中，主要针对动态心电图中伪差心拍和其他类型异常心拍的自动检测和识别问题，提供了一种基于误分类和监督学习的识别方法，包括以下步骤：1)采用已有心拍类型标注的心电信号数据库的心电数据，经过心电数据预处理之后，利用R峰识别算法RpeakDetect识别每条数据的QRS复合波，并以每个QRS复合波为一个心拍提取每个心拍的13种特征记为beatFeature；2)将通过算法RpeakDetect识别出的R峰与数据库标注的R峰进行对比，将算法误识别的R峰归类为伪差心拍，同时将数据库标注的孤立的类QRS伪迹也归类为伪差心拍；3)提取数据库中所有伪差心拍、正常心拍、室性早搏心拍、室性逸搏心拍、室上性早搏心拍、室上性逸搏心拍、室性融合心拍和起搏心拍等八类心拍的beatFeature，作为训练数据trainData；4)用监督学习方法训练对训练数据trainData进行训练，得到一个八分类模型，记为multiclassificationModel；5)对需进行心拍分类识别的实时动态心电数据进行预处理，并采用RpeakDetect算法识别每个心拍，提取每个心拍的beatFeature特征构成测试数据testData，最终将testData输入multiclassificationModel得到心拍分类结果。进一步，所述步骤1)中，已有心拍类型标注的心电信号数据库可为开源心电数据库，可为自建心电数据库，也可为包含多来源心电数据的数据库，对于多分类模型，数据库中需至少包含室性早搏心拍、室性逸搏心拍、室上性早搏心拍、室上性逸搏心拍、室性融合心拍和起搏心拍等多种异常心拍。本实施例中选用的数据库是开源心电数据库MIT-BIHArrythmiaDatabase中的所有数据。再进一步，所述步骤1本文档来自技高网...

【技术保护点】
1.一种基于误分类和监督学习的伪差心拍与异常心拍的识别方法，其特征在于，所述方法包括以下步骤：1)采用已有心拍类型标注的心电信号数据库的心电数据，经过心电数据预处理之后，利用R峰识别算法RpeakDetect识别每条数据的QRS复合波，并以每个QRS复合波为一个心拍提取每个心拍的13种特征记为beatFeature；2)将通过算法RpeakDetect识别出的R峰与数据库标注的R峰进行对比，将算法误识别的R峰归类为伪差心拍，同时将数据库标注的孤立的类QRS伪迹也归类为伪差心拍；3)提取数据库中所有伪差心拍、正常心拍、室性早搏心拍、室性逸搏心拍、室上性早搏心拍、室上性逸搏心拍、室性融合心拍和起搏心拍等八类心拍的beatFeature，作为训练数据trainData；4)用监督学习方法训练对训练数据trainData进行训练，得到一个八分类模型，记为multiclassificationModel；5)对需进行心拍分类识别的实时动态心电数据进行预处理，并采用RpeakDetect算法识别每个心拍，提取每个心拍的beatFeature特征构成测试数据testData，最终将testData输入multiclassificationModel得到心拍分类结果。...

【技术特征摘要】
1.一种基于误分类和监督学习的伪差心拍与异常心拍的识别方法，其特征在于，所述方法包括以下步骤：1)采用已有心拍类型标注的心电信号数据库的心电数据，经过心电数据预处理之后，利用R峰识别算法RpeakDetect识别每条数据的QRS复合波，并以每个QRS复合波为一个心拍提取每个心拍的13种特征记为beatFeature；2)将通过算法RpeakDetect识别出的R峰与数据库标注的R峰进行对比，将算法误识别的R峰归类为伪差心拍，同时将数据库标注的孤立的类QRS伪迹也归类为伪差心拍；3)提取数据库中所有伪差心拍、正常心拍、室性早搏心拍、室性逸搏心拍、室上性早搏心拍、室上性逸搏心拍、室性融合心拍和起搏心拍等八类心拍的beatFeature，作为训练数据trainData；4)用监督学习方法训练对训练数据trainData进行训练，得到一个八分类模型，记为multiclassificationModel；5)对需进行心拍分类识别的实时动态心电数据进行预处理，并采用RpeakDetect算法识别每个心拍，提取每个心拍的beatFeature特征构成测试数据testData，最终将testData输入multiclassificationModel得到心拍分类结果。2.如权利要求1所述的一种基于误分类和监督学习的伪差心拍与异常心拍的识别方法，其特征在于，所述步骤1)中，已有心拍类型标注的心电信号数据库可为开源心电数据库，可为自建心电数据库，也可为包含多来源心电数据的数据库...

【专利技术属性】
技术研发人员：陈蒙，谢寒霜，钟一舟，
申请(专利权)人：杭州质子科技有限公司，
类型：发明
国别省市：浙江,33