基于TSK模糊语义的心律失常分类方法及系统技术方案

本发明专利技术公开的一种基于TSK模糊语义的心律失常分类方法及系统，包括：获取心电信号数据，并对其进行预处理；进行QRS波群的定位、TP波群的定位，并进行特征选择以及特征提取；将所得到的数据样本集随机划分为训练集和测试集，训练集输入到TSK模糊分类器当中训练该模型，设置模糊规则数目，通过前件参数的识别和后件参数的优化，对网络进行调整，获得优化后的TSK模糊分类器模型；将测试集数据输入到训练好的TSK模糊分类器模型当中，通过网络结构内部训练好的模糊规则对测试集数据进行推理，最后，网络输出值的大小比较来进行类别的判决。本发明专利技术所提出的模型空间复杂度低，可解释性强，并且对于心率失常的识别率效果好。且对于心率失常的识别率效果好。且对于心率失常的识别率效果好。

【技术实现步骤摘要】
基于TSK模糊语义的心律失常分类方法及系统


[0001]本专利技术涉及智慧医疗
，更具体的，涉及一种基于TSK模糊语义的心律失常分类方法及系统。

技术介绍

[0002]根据世界卫生组织的统计数据，每年因心血管疾病而死亡的人数在逐年的递增，心血管疾病因有隐蔽性高，致死率高，疾病种类繁多等特点。近年来，对于心电信号的诊断主要是心脏病专家根据自己已有的经验进行人工诊断，增加了误诊，漏诊的风险。 随着人工智能领域的发展，智慧医疗也逐渐地应运而生得到了极大的促进，与此同时，研究人员将心律失常的诊断与人工智能技术相结合，研究出了心电信号自动分析系统来辅助心脏病医生诊断。而目前的智慧医疗诊断系统依然存在正确率低，可解释性差的问题。如何解决诊断系统的正确率低，可解释性差的问题，是当前医疗诊断领域亟待解决的一大难题，同时也给我们带来了挑战与机遇。
[0003]目前，实现心律失常分类的方法主要包括神经网络与机器学习的方法。神经网络的方式主要是通过向模型投喂大量的训练数据，训练出相应的模型，存在着空间复杂度高，训练缓慢的问题；机器学习的方式在遇到大数据量，高维数据时训练变得十分缓慢，实现的正确率比较不理想，这两种方式在实际的应用当中都存在着不同的缺点。可解释性差在医生的医疗诊断中显得十分不友好，通过模型的可靠性，可解释性可以增加诊断的效率。因此，急需专利技术一种能够解决模型可靠性，可解释性的心律失常分类技术，以更好地应用于智慧医疗诊断系统。

技术实现思路

[0004]为了解决上述技术问题，本专利技术提出了一种基于整体动态特征的心电信号分类方法及系统。
[0005]本专利技术第一方面提供了一种基于整体动态特征的心电信号分类方法，包括：获取心电信号数据，并对所述心电信号数据进行预处理；根据预处理后的心电信号数据进行QRS波群的定位、TP波群的定位，同时进行特征选择以及特征提取；将所得到的数据样本集分为训练集和测试集，训练集输入到TSK模糊分类器模型当中训练该模型，同时设置模糊规则的数目，通过前件参数的识别和后件参数的优化，对网络进行调整，获得优化后的TSK模糊分类器模型；将测试集数据输入到训练好的TSK模糊分类器模型当中，通过网络结构内部训练好的模糊规则对测试集的数据进行推理，最后，网络输出值的大小比较来进行类别的判决。
[0006]本方案中，根据预处理后的心电信号数据进行QRS波群的定位、TP波群的定位，同时进行特征选择以及特征提取，具体为：通过小波方式，预处理将原始心电信号数据中包含的高频噪声和基线漂移滤除
掉；基于二进样条4层的小波变换方法对R波进行检测，通过与预设阈值进行对比，提取出R波；获取R波后进行R波点的补偿，根据R波的位置在1层细节系数下的前三个极点获取Q波，根据R波的位置在1层细节系数下的后三个极点获取S波；通过极大值与极小值根据4层细节系数的特征分别检测出T波与P波；选取各个波形之间的距离特征及幅值特征进行特征提取，并对提取的特征设置类别标签，所述距离特征包括：R
‑
R表示下一个波形的R波与上一个波形的R波之间的时间间隔；Q
‑
R表示当前波形的Q波与R波之间的时间间隔；R
‑
S表示当前波形的R波与S波之间的时间间隔；Q
‑
S表示当前波形的Q波与S波之间的时间间隔；R
‑
P表示当前波形的R波与P波之间的时间间隔；R
‑
T表示当前波形的R波与T波之间的时间间隔；Q
‑
P表示当前波形的Q波与P波之间的时间间隔；S
‑
T表示当前波形的S波与T波之间的时间间隔；Q
‑
T表示当前波形的Q波与T波之间的时间间隔；P
‑
T表示当前波形的P波与T波之间的时间间隔；所述幅值特征包括：ampQR表示当前波形Q波与R波之间的幅值差；ampSR表示当前波形S波与R波之间的幅值差；ampTS表示当前波形T波与S波之间的幅值差。
[0007]本方案中，所述TSK模糊分类器模型中的IF
‑
THEN的规则具体为：THEN的规则具体为：THEN的规则具体为：其中，表示输入变量，表示输入变量项数，表示输入变量总数，和表示第条模糊规则中输入变量的模糊子集，表示后件参数，表示类别项数，表示类别总数，表示第条模糊规则中输入变量在第类别的模糊规则输出，。
[0008]本方案中，所述TSK模糊分类器中所使用的隶属函数为高斯隶属度函数，隶属函数的公式具体为：其中，表示第个输入变量在第条模糊规则中对应模糊子集相关联的模糊隶属度，和分别是高斯隶属度函数的中心和标准偏差。
[0009]本方案中，规则触发级别的计算公式具体为：
其中，表示第条模糊规则的模糊规则输出，表示第个输入变量在第条模糊规则中对应模糊子集相关联的模糊隶属度，表示输入变量总数，和分别是高斯隶属度函数的中心和标准偏差。
[0010]本方案中，具有BN层的第r条规则的输出最终结果计算公式如下：其中, 表示BN层的第r条规则的输出最终结果，表示输入变量项数，表示输入变量总数，、均为后件参数，和分别是高斯隶属度函数的中心和标准偏差，和表示训练期间学习好的参数，表示对规则的批量标准化，表示避免分母为0的初始参数。
[0011]本专利技术第二方面还提供了一种基于TSK模糊语义的心律失常分类系统，该系统包括：存储器、处理器，所述存储器中包括一种基于TSK模糊语义的心律失常分类方法程序，所述一种基于TSK模糊语义的心律失常分类方法程序被所述处理器执行时实现如下步骤：获取心电信号数据，并对所述心电信号数据进行预处理；根据预处理后的心电信号数据进行QRS波群的定位、TP波群的定位，同时进行特征选择以及特征提取；将所得到的数据样本集分为训练集和测试集，训练集输入到TSK模糊分类器模型当中训练该模型，同时设置模糊规则的数目，通过前件参数的识别和后件参数的优化，对网络进行调整，获得优化后的TSK模糊分类器模型；将测试集数据输入到训练好的TSK模糊分类器模型当中，通过网络结构内部训练好的模糊规则对测试集的数据进行推理，最后，网络输出值的大小比较来进行类别的判决。
[0012]本专利技术具有如下优点及有益效果：1、目前实现心律失常分类的方式，主要是神经网络或者传统的机器学习，分类的效果并不理想，并且模型的可解释性比较低，而模糊TSK分类器增加了模型的透明性与可解释性。
[0013]2、本专利技术提出的方法可提高心律失常分类的准确度，模型的复杂度相比于神经网络等方式较低。
附图说明
[0014]图1示出了本专利技术一种基于TSK模糊语义的心律失常分类方法的流程图；图2示出了本专利技术TSK模糊分类器中模型参数计算的方法流程图；图3示出了本专利技术TSK模糊分类器的网络模型结构图；图4示出了本专利技术一种基于TSK模糊语义的心律失常分类系统的框图。
具体实施方式
[0015]为了能够更清楚地理解本专利技术的上述目的、特征和优点，下面结合附图和具体实施方式对本专利技术进行进一步的详细描述本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于TSK模糊语义的心律失常分类方法，其特征在于，包括以下步骤：获取心电信号数据，并对所述心电信号数据进行预处理；根据预处理后的心电信号数据进行QRS波群的定位、TP波群的定位，同时进行特征选择以及特征提取；将所得到的数据样本集随机划分为训练集和测试集，训练集输入到TSK模糊分类器模型当中训练该模型，同时设置模糊规则数目，通过前件参数的识别和后件参数的优化，对网络进行调整，获得优化后的TSK模糊分类器模型；将测试集数据输入到训练好的TSK模糊分类器模型当中，通过网络结构内部训练好的模糊规则对测试集的数据进行推理，最后，网络输出值的大小比较来进行类别的判决。2.根据权利要求1所述的一种基于TSK模糊语义的心律失常分类方法，其特征在于，根据预处理后的心电信号数据进行QRS波群的定位、TP波群的定位，同时进行特征选择以及特征提取，具体为：通过小波方式，预处理将原始心电信号数据中包含的高频噪声和基线漂移滤除掉；基于二进样条4层的小波变换方法对R波进行检测，通过与预设阈值进行对比，提取出R波；获取R波后进行R波点的补偿，根据R波的位置在1层细节系数下的前三个极点获取Q波，根据R波的位置在1层细节系数下的后三个极点获取S波；通过极大值与极小值根据4层细节系数的特征分别检测出T波与P波；选取各个波形之间的距离特征及幅值特征进行特征提取，并对提取的特征设置类别标签。3.根据权利要求1所述的一种基于TSK模糊语义的心律失常分类方法，其特征在于，所述TSK模糊分类器模型中的IF
‑
THEN的规则具体为：THEN的规则具体为：THEN的规则具体为：其中，表示输入变量，表示输入变量项数，表示输入变量总数，表示第条模糊规则中输入变量的模糊子集，表示后件参数，表示类别项数，表示类别总数，表示第条模糊规则中输入变量在第类别的模糊规则输出，。4.根据权利要求1所述的一种基于TSK模糊语义的心律失常分类方法，其特征在于，所述TSK模糊分类器中所使用的隶属函数为高斯隶属度函数，隶属函数的公式具体为：
其中，表示第个输入变量在第条模糊规则中对应模糊子集相关联的模糊隶属度，和分别是高斯隶属度函数的中心和标准偏差。5.根据权利要求1所述的一种基于TSK模糊语义的心律失常分类方法，其特征在于，规则触发级别的计算公式具体为：其中，表示第条模糊规则的模糊规则输出，表示第个输入变量在第条模糊规则中对应模糊子集相关联的模糊隶属度，表示输入变量总数，和分别是高斯隶属度函数的中心和标准偏差。6.根据权利要求1所述的一种基于TSK模糊语义的心律失常分类方法，其特征在于，具有BN层的第r条规则的输出最终结果计算公式如下：其中, 表示BN层的第r条规则的输...

【专利技术属性】
技术研发人员：李亚，马亚坤，戴青云，王小梨，
申请(专利权)人：广东技术师范大学，
类型：发明
国别省市：