申请/专利权人：山东大学

申请日：2022-09-28

公开（公告）日：2024-06-21

公开（公告）号：CN115813401B

主分类号：A61B5/318

分类号：A61B5/318;A61B5/346;A61B5/00;G06V10/764

优先权：

专利状态码：有效-授权

法律状态：2024.06.21#授权;2023.04.07#实质审查的生效;2023.03.21#公开

摘要：本发明提供一种基于动态学习的心电图分类方法及系统，涉及心电图分类技术领域，该方法包括：获取多个12导联心电图数据和对应的类别标签；对12导联心电图数据进行预处理，从预处理后的12导联心电图数据中提取心电信号的多个心电特征，根据各心电特征与类别标签之间的互信息，选取预设数量的心电特征构建特征子集；根据特征子集和类别标签构建随机森林，将随机森林转化为单棵决策树形成最后的心血管疾病检测模型；利用所构建的心血管疾病检测模型，对接收到的待检测心电图数据进行分类，得到待检测心电图数据所属的类别。通过该方式，可以对待检测心电图数据进行分类，在可解释性和性能上都得到了提升，所得到的分类结果更具参考价值。

主权项：1.一种基于动态学习的心电图分类方法，其特征在于，包括：获取多个12导联心电图数据和对应的类别标签；对所述12导联心电图数据进行预处理，从预处理后的12导联心电图数据中提取心电信号的多个心电特征，根据各心电特征与类别标签之间的互信息，选取预设数量的心电特征构建特征子集；所述心电特征包括形态学特征、时频特征和动力学特征；根据所述特征子集和类别标签构建随机森林，将所述随机森林转化为单棵决策树形成最后的分类模型；将待检测心电图数据输入至所构建的分类模型，输出得到心电图分类结果；所述动力学特征的提取过程包括：提取心电信号的ST-T段，包括J点、T波顶点和T波终点；将ST-T段进行拼接得到ST-T向量环；采用动态学习算法对ST-T向量环进行动力学建模，生成三维的心电动力学图信号；或者，采用动态学习算法对完整的心电信号进行动力学建模，生成三维的改进心电动力学图信号；根据所述心电动力学图信号或改进心电动力学图信号计算全局频域特征，以及利用小波离散变换对心电动力学图信号进行分析，得到小波变换的统计学特征和熵特征；所述全局频域特征结合小波变换的统计学特征和熵特征构成心电信号的动力学特征；具体为：基于CDG信号计算全局频域特征；频域特征：首先利用离散快速傅里叶变换对心电动力学图各维数据分解，计算其频谱；然后，利用最小二乘法获取频谱点的拟合指数： 其中，表示拟合频谱的一组负指数函数，表示频谱的最大值，是频谱的采样点，N表示频谱的长度，计算所有拟合参数的均方根，即光谱拟合指数，作为CDG的时间异质性；利用小波离散变换对3维CDG信号进行分析，基于小波系数提取统计学特征和熵特征；将全局频域特征与小波系数的统计学特征和熵特征构成动力学特征集，具体为：计算心电动力学图的频谱拟合指数，同时，基于心电动力学图各维数据及其各级细节系数D1、D2、D3、D4、D5和近似系数A5提取均值、方差、样本熵、近似熵共85个特征，作为心电动力学特征；根据所述特征子集和类别标签构建随机森林，将所述随机森林转化为单棵决策树形成最后的心血管疾病检测模型，包括：创建一组代表原始决策森林的规则连接；然后对规则连接进行分层组织以形成新的决策树；在创建一组代表原始决策森林的规则连接中，从原始的决策森林中筛选出具有代表性的决策树，提取多棵决策树中根叶点到叶节点的逻辑规则连接并进行合并，以生成代表原始决策森林的连接集；在创建新的决策树过程中，创建代表规则连接的数据集；每次迭代过程都寻找具有最高信息增益的规则并将其作为分裂节点；将可能满足分裂规则的连接路由到左节点，并将所有不满足分裂规则的连接路由到右节点，如果没有明确要求，则可以路由到所有后代；如果一个节点的所有连接都指向相同的预测类，或者当具有最高信息增益的分裂规则未减少后代节点的连接数量时，将该节点定义为叶节点。

全文数据：

权利要求：

百度查询： 山东大学 一种基于动态学习的心电图分类方法及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD