【技术实现步骤摘要】
基于融合心室规则特征与XGBoost的心肌梗死分类方法
[0001]本专利技术属于心电监测分类
，具体为一种基于融合心室规则特征与XGBoost的 心肌梗死分类方法。
技术介绍
[0002]最近几年国内外使用心电自动分析技术来辅助医生诊断心电图研究成为了比较热门 的研究方向。心电图类型识别的工作大致可以分为两个方面：分别是单标签心电图分类问 题和多标签心电图分类问题。根据不同时期所使用的技术方法不同又可以分为：传统的机 器学习分类器和深度神经网络心电图分类，例如基于机器学习的单标签心电图分类、基于 深度学习的单标签心电图分类、基于深度学习的多标签心电图分类。
[0003]基于机器学习的单标签心电图分类，是先从心电信号中提取特征参数，再将特征参数 送往不同的分类器中进行分类；虽然该方法达到较好效果，但是特征的选择对于最终的结 果影响占比很大，并且需要手工进行特征提取工作，对于ECG数据庞大的数据库浪费时 间和精力。
[0004]基于深度学习的单标签心电图分类，深度学习因为其能够自动提取数据特征的特性， 可...
【技术保护点】
【技术特征摘要】
1.一种基于融合心室规则特征与XGBoost的心肌梗死分类方法，其特征在于，包括以下过程：S1、将采集的12导联心电信号采用小波变换去除0.5Hz的低频噪声和60Hz以上的高频噪声，然后通过墨西哥冒基函数对去噪后的心电信号进行小波分解，以分离QRS波；S2、将经过步骤S1处理后的心电信号进行特征提取，提取Q波、ST
‑
T段形态特征作为规则特征组，同时提取QT段形态特征作为心室活动特征；S3、将步骤S2中提取到的QT段形态特征采用离散小波变化、主成分分析、局部保留投影三种方式进行压缩变换；S4、将步骤S2中提取的规则特征组、步骤S3中的压缩样本中的任一种或两者的融合特征输入到XGBoost模型中进行心电分类。2.根据权利要求1所述的基于融合心室规则特征与XGBoost的心肌梗死分类方法，其特征在于：所述QT段波形特征的样本采集数量为1000，所述步骤S3中，1000个QT段形态特征经过压缩变换后得到32个压缩样本。3.根据权利要求1所述的基于融合心室规则特征与XGBoost的心肌梗死分类方法，其特征在于：所述XGBoost模型是由多棵决策树组...
【专利技术属性】
技术研发人员：张文志，李润川，于婕，宋鲲鹏，宋洪军，周兵，王宗敏，
申请(专利权)人：云心电网络科技上海有限公司河南云心电网络科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。