分类器的生成方法、房颤检测装置及存储介质制造方法及图纸

本发明专利技术提供一种分类器的生成方法、房颤检测装置及存储介质，所述房颤检测装置和所述存储介质通过所述分类器对被检测信号进行房颤/非房颤分类检测。分类器的生成方法包括：提取预先标记类型的心搏信号片段的心搏间期；计算心搏间期的变异值；对若干心搏间期变异值进行分组，提取各组数据的频数作为特征向量；对所述的标记类型和特征向量进行机器学习训练，生成所述分类器。本发明专利技术的分类器的生成方法，能够降低原始特征的维度，提高样本的鉴别性和对噪声的鲁棒性，能够通过采用简单的机器学习模型较快地训练得到所述分类器。

Classifier Generation Method, Atrial Fibrillation Detection Device and Storage Medium

【技术实现步骤摘要】
分类器的生成方法、房颤检测装置及存储介质
本申请涉及有监督机器学习
，特别涉及房颤/非房颤分类器的生成方法、包括该分类器的房颤检测装置以及计算机存储介质。
技术介绍
心房颤动(简称房颤，AtrialFibrillation，AF)是最常见的持续性心律失常，且日益呈现低龄化。房颤时心跳频率往往快而且不规则，有时候可达100～160次/分，不仅比正常人心跳快得多，而且绝对不整齐。现行房颤的检测算法可分为基于心房活动的分析和基于RR间期的分析。通过心房活动分析(心电图分析)来检测房颤的原理，主要是依靠心房波(P波)的检测来判定是否发生房颤。由于体表的心电测试点未必都靠近心房，故在体表测试中P波的幅度远远小于QRS波的幅度且位置不固定，因此P波极易被淹没在QRS波、T波或者干扰信号中无法识别，因此造成诊断上的困难，因此传统心电分析技术对房颤的检测准确性一直有待提高。基于RR间期的分析，是根据房颤发生时，RR间期绝对不规则的心电图特征，主要对房颤时RR间期的不规则程度进行分析评价。然而，现有的基于RR间期的机器学习生成房颤/非房颤分类器的方法，其提取的特征向量的维度较大，所采用的训练模型主要为非线性深度学习模型，非线性模型所涉及的硬件配置较高，学习速度较低，生成的分类器结构庞大，不适于移植到便携式检测设备中进行在线应用。
技术实现思路
本申请公开一种分类器的生成方法、包含所述分类器的房颤检测装置及存储介质。所述分类器的生成方法通过提取低维度的特征向量进行机器学习训练，提高样本的鉴别性，降低学习模型的复杂性。为实现上述目的，本申请公开技术方案如下：一方面，本公开提出了一种分类器的生成方法，包括：基于预先标记类型的心搏信号片段，提取心搏间期，得到心搏间期序列，其中，所述预先标记类型包括房颤和非房颤；基于所述心搏间期序列，计算心搏间期变异值，得到心搏间期变异值序列；对所述心搏间期变异值序列进行分组，提取各组数据的频数作为特征向量；对所述的标记类型和特征向量进行机器学习训练，生成所述分类器。优选地，所述各组的组距不相等。优选地，所述各组的组距的右端值等比递增。在一种实施方式中，通过设置映射表或者求直方图的方式对所述心搏间期变异值序列进行分组。优选地，所述机器学习基于线性回归模型，采用粒子群优化算法、遗传算法或者蚁群算法求解最优化模型参数；其中，机器学习模型的目标函数定义为i表示训练样本序数，ci表示第i个训练样本的特征向量，Yi表示第i个训练样本的标记类型，x表示待求解的所述最优化模型参数，Dif表示预设的区分值。其中，所述机器学习训练采用判式对所述分类器进行测试验证，其中，j表示测试样本序数，cj表示第j个测试样本的特征向量，Nj表示第j个测试样本包括的心搏间期的数量。其中，各测试样本包括的心搏间期的数量非必须相等。在一种实施方式中，采用公式dINT(n)＝Max(INT(n)，INT(n-1))/Min(INT(n)，INT(n-1))-1计算所述心搏间期变异值，其中，Max(INT(n)，INT(n-1))表示取INT(n)和INT(n-1)中的最大值，Min(INT(n)，INT(n-1))表示取INT(n)和INT(n-1)中的最小值，INT(n)表示第n个心搏间期的长度，INT(n-1)表示紧邻INT(n)的前一个心搏间期的长度，n≥2。另一方面，本公开提出了一种房颤检测装置，包括：心搏间期提取模块，用于从被检测信号中提取系列心搏间期；间期变异值计算模块，用于基于所述系列心搏间期计算得到系列间期变异值；变异值分组统计模块，用于对所述系列间期变异值进行分组，统计各组数据的变异值频数，得到由若干组变异值频数构成的频数序列；以及分类判断模块，用于基于如前述方法生成的分类器对所述频数序列分类，以判断所述被检测信号是否类属于房颤。再一方面，本公开提出一种计算机存储介质，所述计算机存储介质存储有计算机程序，其特征在于，所述计算机程序被执行时实现前述房颤检测装置的模块功能。通过对一段心搏信号的心搏间期变异值序列分组，提取各组数据的频数作为机器学习的特征向量，将特征向量的维度由序列的长度降低为分组的组数，将特征值的取值范围由无数数量级缩减为序列长度数量级，降低了特征向量的维度，缩小了特征值的取值范围，提高了样本的鉴别性，有利于更快得完成机器学习训练。附图说明图1A示出了一示例的ECG心搏信号片段的示意图；图1B示出了一示例的PPG心搏信号片段的示意图；图2示出了一示例性实施例的分类器的生成方法的步骤示意图；图3示出了一示例性实施例的房颤检测装置的模块组成的示意图。具体实施方式为使本公开的目的、技术方案和优点更加清楚，下面将结合附图对本公开实施方式作进一步地详细描述。本公开提供一种分类器的生成方法，通过机器学习预先标记为房颤和非房颤类型的心搏数据片段，使生成的分类器可用于分类检测房颤信号和非房颤信号。根据本公开的示例，采用MIT-AFIB数据库作为学习库。首先对学习库中的心搏信号进行预处理，比如去除基线漂移，滤除工频干扰，识别R波波峰，计算相邻R波峰之间的时间间隔得到若干连续的心搏间期序列INT(n)，其中n＝1,2,3……。将全部的INT(n)分为训练集(训练集样本、训练样本集)和测试集(测试集样本、测试样本集)两个部分。其中，训练集中的每个样本包括的心搏间期INT相等，例如每个样本包括60个连续的心搏间期INT，共设计4000个房颤型训练样本和4000个非房颤型训练样本；测试集中的各样本可包括不等数量的心搏间期INT，例如每个样本可包括30～120个连续的心搏间期INT，共设计4000个房颤型测试样本和4000个非房颤型测试样本；测试集和训练集没有交集。通过设计相等间期数量的训练集样本，便于定义机器学习模型的目标函数；设计不等间期数量的测试集样本，可提高测试验证的灵活性，以扩展所述分类器的较佳适用范围，进而提高后续检测应用的灵活性。本领域技术人员可以理解的，由于PPG(Photoplethysmography，光电体积描记图)的脉峰间期与ECG(Electrocardiograph，心电图)的RR间期大都具有对应性，都能反映心搏间期的规律性，如图1A和图1B所示，因此，学习库亦可以选择权威机构或者医疗机构提供的标记类型的PPG数据库。图2示出了一种基于心搏间期变异性分析的房颤/非房颤分类器的生成方法的流程示意图。以下结合附图对所述分类器的生成过程进行详细阐述。参考图2，所述的分类器的生成方法包括：S202：提取具有预先标记类型的心搏间期序列。根据本公开的示例，所述心搏间期序列INT(n)的获取过程如前面所述，在此不再赘述。示例的，每个训练样本序列INT(n)包括60个心搏间期，即n＝1～60。S204：计算心搏间期变异值，得到心搏间期变异值序列。基于心搏间期序列INT(n)，计算每个心搏间期的变异率，得到心搏间期变异值序列dINT(n)，n＝1～60。根据本公共开的示例，心搏间期变异值计算公式为：dINT(n)＝Max(INT(n)，INT(n-1))/Min(INT(n)，INT(n-1))-1(公式1)其中，n≥2，n＝1时取dINT(n)＝0。由于不同个体的心搏间期的差异很大，而心拍的变异性体现在前本文档来自技高网...

【技术保护点】
1.一种分类器的生成方法，其特征在于，包括：基于预先标记类型的心搏信号片段，提取心搏间期，得到心搏间期序列，其中，所述预先标记类型包括房颤和非房颤；基于所述心搏间期序列，计算心搏间期变异值，得到心搏间期变异值序列；对所述心搏间期变异值序列进行分组，提取各组数据的频数作为特征向量；对所述的标记类型和特征向量进行机器学习，生成所述分类器。

【技术特征摘要】
1.一种分类器的生成方法，其特征在于，包括：基于预先标记类型的心搏信号片段，提取心搏间期，得到心搏间期序列，其中，所述预先标记类型包括房颤和非房颤；基于所述心搏间期序列，计算心搏间期变异值，得到心搏间期变异值序列；对所述心搏间期变异值序列进行分组，提取各组数据的频数作为特征向量；对所述的标记类型和特征向量进行机器学习，生成所述分类器。2.根据权利要求1所述的方法，其特征在于，所述各组的组距不完全相等。3.根据权利要求1所述的方法，其特征在于，所述各组的组距的右端值等比递增。4.根据权利要求1～3任一项所述的方法，其特征在于，通过设置映射表或者求直方图的方式对所述心搏间期变异值序列进行分组。5.根据权利要求4所述的方法，其特征在于，所述机器学习基于线性回归模型，采用粒子群优化算法、遗传算法或者蚁群算法求解最优化模型参数；其中，机器学习模型的目标函数定义为i表示训练样本序数，ci表示第i个训练样本的特征向量，Yi表示第i个训练样本的标记类型，x表示待求解的所述最优化模型参数，Dif表示预设的区分值。6.根据权利要求5所述的方法，其特征在于，所述机器学习采用判式对所述分类器进行测试验证，其中，j表示测试样本序数，cj表示第j个测试样本的特征向量，Nj表示第j个测试样本包括的心搏间期的数...

【专利技术属性】
技术研发人员：代超，卓远，董喜艳，薛奋，梁菊兰，
申请(专利权)人：成都心吉康科技有限公司，
类型：发明
国别省市：四川,51