基于融合心室规则特征与XGBoost的心肌梗死分类方法技术

本发明专利技术提供一种一种基于融合心室规则特征与XGBoost的心肌梗死分类方法，将采集的12导联心电信号采用小波变换去噪，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；将处理后的心电信号进行特征提取，提取Q波、ST

【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， 可以省去传统机器学习手工提取的步骤进行大量数据的自动学习，已被广泛应用于ECG 分类研究；随着深度学习(Deep learning，DL)理论的提出，很多研究人员将深度学习算 法引入心电图，通过深度学习方法实现心血管疾病的自动检测，结果表明将计算机应用于 心搏识别领域可以大大提高心律失常的诊断效率。
[0005]基于深度学习的多标签心电图分类，心电信号在一段时间范围内不只出现一个信号分 类结果，许多研究人员也注意到了这点；在2018年中国生理信号数据挑战赛中，竞赛的 数据为12导联的心电数据，对应的数据标签为9种疾病类型中的一个或多个；还有2019 年“合肥高新杯心电人机智能大赛
‑‑
心电异常事件预测”中的数据给出了8导联的定长数 据对应疾病类型为55种心电异常事件类型中的一种或多种；因此开展多标签的心电图分 类是有意义的；随着多标签的心电图分类研究工作的开展，提出了多种心电数据的多标签 分类提供了可行的分析方法，但这些方法都是在单一数据库或私有数据库上进行的，不能 反映模型在实际临床数据库中的应用效果。

技术实现思路

[0006]针对现有技术的不足，本专利技术提供了一种基于融合心室规则特征与XGBoost的心肌梗 死分类方法，解决了上述
技术介绍
中提出的问题。
[0007]一种一种基于融合心室规则特征与XGBoost的心肌梗死分类方法，包括以下过程：
[0008]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；
[0009]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；
[0010]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；
[0011]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。
[0012]进一步，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。
[0013]进一步，所述XGBoost模型是由多棵决策树组成的集成算法，设定步骤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为输入样本，记为x，利 用XGBoost模型对输入样本进行分类的过程如下：
[0014]S31、建立输出的预测模型如下：
[0015][0016]其中，k为树的总个数，f
k
表示第k颗树，表示对样本x
i
的预测结果；
[0017]S32、建立所述式1的损失函数表示如下：
[0018][0019]其中为样本的训练误差，而Ω(f
k
)表示第k颗树的正则项，公式如下：
[0020][0021]其中T为树的叶子节点个数，w为每棵树的叶子节点的输出分数，γ可以控制叶子节 点的分数；
[0022]S33、训练损失函数，通过贪心算法寻找局部最优解，对式1进行优化，优化后的预 测模型如下式：
[0023][0024]并通过泰勒展开式对损失函数进行优化，得到下式：
[0025][0026]定义并将G
j
和H
j
带入式5，对式5进一步压缩，得到以下公 式：
[0027][0028]对式6中的w
j
求偏导，得到下式：
[0029][0030]则最终损失函数为下式：
[0031][0032]其中，最终函数制定了叶子节点的分数，来评估树的结构；对于树结构的划分表示为 如下公式：
[0033][0034]与现有技术相比，本专利技术的有益效果如下：
[0035]本专利技术采集12导联心电信号，并采用小波变换和墨西哥冒基函数对采集的12导联心 电信号进行预处理，然后提取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，在对心室活动特征进行压缩变换得到压缩样本，然后将规则特 征组、压缩样本中的任一种或两者的融合输入到XGBoost模型中进行心电分类，采用本申 请提供的心电分类方法，准确率达99.6％以上；尤其是，以规则特征组合压缩样本的融合 特征输入到XGBoost模型中时，对心肌梗死的心电信号分类准确率达99.86％，有效的提高 了心肌梗死的心电信号分类的准确率。
[0036]具体实施方式
[0037]下面将结合本专利技术实施例中的，对本专利技术实施例中的技术方案进行清楚、完整地描述， 显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。
[0038]一种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：
[0039]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；
[0040]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；
[0041]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；
[0042]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。
[0043]进一步，所述QT段波形特征的样本采集数量为1000，所述步骤S3中，1000本文档来自技高网...

【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：