【技术实现步骤摘要】
基于多粒度级联混合网络的心电图分类方法及系统
[0001]本专利技术涉及一种基于多粒度级联混合网络的心电图分类方法及系统，属于生物医学信号处理与智能识别领域。
技术介绍
[0002]心血管疾病是全球范围内导致人类死亡的重要因素。根据美国心脏协会，全球每年有超过1700万人患有心血管疾病。2019年，全球健康评估报告称，CVD已导致约900万人死亡，超过了其他常见非传染性疾病(如肺癌、肺结核、阿尔茨海默病和糖尿病)的死亡人数。在各种心血管疾病中，冠状动脉疾病(Coronary Artery Disease，CAD)是死亡的主要原因，占死亡人数的40％以上。作为一种流行率很高的非传染性疾病，CAD是由于冠状动脉中胆固醇和脂肪物质等斑块的积聚导致心脏血液循环受阻而产生的。因此，CAD通常会导致患者出现胸闷和心悸等症状。更严重的是，长期的冠状动脉疾病容易恶化为充血性心力衰竭(Congestive Heart Failure，CHF)，每五年死亡率为50％。因此，及时诊断和治疗CAD和CHF患者是降低死亡率的重要手段。医护人员常通过观...
【技术保护点】
【技术特征摘要】
1.一种基于多粒度级联混合网络的心电图分类方法，其特征在于，所述分类方法包括：获取第一导联心电图和第二导联心电图；分别对第一导联心电图和第二导联心电图进行预处理；通过构建的多粒度级联混合网络进行心电特征提取与分类，多粒度级联混合网络包括多粒度级联任务相关成分分析
‑
主成分分析网络(MGC
‑
TPNet)、多粒度级联独立成分分析
‑
主成分分析网络(MGC
‑
IPNet)、级联加权平均与Dempster
‑
Shafer(CWA
‑
DS)构成；其中MGC
‑
TPNet用于挖掘心电信号中的多尺度导联间相关性特征，而MGC
‑
IPNet用于挖掘多尺度单导联特异性特征，然后线性支持向量机处理以上多尺度特征获取决策概率，最终CWA
‑
DS在决策层融合上述决策概率，获取最终分类标签。2.根据权利要求1所述的基于多粒度级联混合网络的心电图分类方法，第一导联心电图和第二导联心电图进行预处理的方法包括：心拍分割：采用片段对齐分割方法将长期心电图信号划分为短期心跳；归一化：差标准化方法用于将心拍的幅值标准化到0～1之间；矩阵化：将N个样本点心拍重构尺寸为n
×
m的二维心电矩阵。3.根据权利要求1所述的基于多粒度级联混合网络的心电图分类方法，其特征在于，多粒度级联任务相关成分分析
‑
主成分分析网络(MGC
‑
TPNet)由多粒度扫描层、任务相关性分析卷积层、初阶输出层、主成分分析卷积层、级联输出层构成，用于从双导联心电图中提取多尺度导联间相关性特征。4.根据权利要求3所述的基于多粒度级联混合网络的心电图分类方法，其特征在于，其中任务相关性分析卷积层具体为：根据等式(2)，从多粒度扫描层中的一阶待处理矩阵X
c
(t)中获取任分r(t)和任务无关成分u(t)；其中和是将r(t)和u(t)映射为X
c
的混淆系数，其中c代表导联系数，t代表矩阵X
c
中的元素位置；需根据等式(3)提取任务相关成分r(t)；其中y(t)是对X
c
(t)加权后的矩阵，w
c
为权重；为得到y(t)＝r(t)，需实现和采用试次间协方差最大化来解决这个问题；等式(4)描述了第h1和h2试次之间协方差的所有可能组合；
其中x
h
(t)和y
h
(t)分别表示为第h试次的心电数据和任务相关成分，试次区间为t∈[t
h
,t
h
+T]，并且协方差矩阵y(t)的方差Var(y(t))受等式(5)约束；根据等式(6)解决等式(5)的约束优化问题；根据等式(7)计算TRCA卷积核；W
l1
＝mat
k
(q
l
(Q
‑1S)),l＝1,2,
…
,L1ꢀꢀꢀꢀ
(7)其中q
l
()从Q
‑1S中按其对应特征值的降序提取L1个特征向量，并mat
k
()将每个特征向量映射为相应的TRCA卷积核W
l1
；然后，将TRC...
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。