买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：北京工业大学

摘要：本发明提出了一种融合皮尔逊相关节拍的ECG信号分类方法，由于心电信号的导联间特征不连续，长时序性、准周期特征以及疾病发病间歇性等特点，以原始ECG数据进行疾病检测仍然具有挑战。在发明中我们引入皮尔逊特殊节拍以增强数据发病节拍片段的学习。在该模型中首先获取ECG的皮尔逊特殊节拍作为并行数据以增强疾病差异学习，然后利用并行空洞Unet模块以更好的获取导联间特征，并添加融合局部特征预测的Transformer模块获取长距离特征。本方法在ECG数据上获得了比较高的分类性能。

主权项：1.一种融合皮尔逊相关节拍的ECG分类方法PearsonrUnet，其特征在于：该方法包括以下步骤；步骤一：对12导联心电信号进行预处理；1各条ECG数据的长度不一，将所有数据都裁剪为S长，原始数据超过S的，裁剪掉多余数据，不足长度S的通过复制现有数据进行填充，得到序列数据OriginalData。2为了增强间歇发病特征下的特殊节拍的学习，使用皮尔逊相似性方法计算数据的特殊节拍。使用Pan-Tompkins方法获取R峰值数据，裁剪三个峰值数据作为一个数据段。使用以下公式计算节拍间的皮尔逊相似度，标记最不相关的n个节拍，加强对ECG数据特殊节拍的学习。 3将OriginalData中除了2中的特殊节拍部分的数据外均标记为0，然后进行标准化，得到新的特殊节拍数据SpecialBeat。4将数据按照9∶1划分为训练集和测试集。步骤二：构建面向12导联心电信号的PearsonrUnet模型；针对12导联ECG数据的完整性、多样性和周期性，我们提出的PearsonrUnet模型的主干网络是并行空洞Unet模块和掩码Transformer模块相结合的结构。其中并行空洞Unet模块的输入包括OriginalData和SpecialBeat，该模块对数据进行局部特征提取得到Embed_unet。将Embed_unet数据进行reshape，最低维度数据转化为节拍长度S，以节拍作为最小分割部分对节拍数据进行MASK，遮盖掉80％的数据作为编码器的输入，未MASK之前的数据作为解码器的输入，掩码Transformer的输出为Embed_trans，输入到全连接网络，再通过softmax层得到每类的概率。步骤三：对步骤二中构建的PearsonrUnet模型进行优化训练；采用交叉熵损失函数，计算公式如下。 其中N表示数据总数，Li表示第i条数据的损失，M表示类别数量，yic表示第i条数据在类别c上的标签，pic表示第i条数据在类别c上的预测概率。步骤四：对测试集中的每条12导联心电记录进行预测。具体步骤如下：1对测试集中每个12导联心电信号记录采用步骤一中所述的方法进行预处理；2将预处理的数据输入到训练好的PearsonrUnet模型中，输出步骤二中Embed_trans编码得到的各个类别的概率向量Wn＝{wn1，wn2，...，wnK}，其中n表示第n条ECG数据，wnK表示第n条数据属于类别k的概率；3计算每条ECG数据的最大概率类别向量maxwNk＝[0，0...，wnj,…，0]，最大类别j，就是得到该记录的最终分类结果。

全文数据：

权利要求：

百度查询： 北京工业大学 融合皮尔逊相关节拍的ECG信号分类方法