[发明专利]基于时频二维图像和机器学习的动态心电质量评估方法

权利要求书

1.基于时频二维图像和机器学习的动态心电质量评估方法，其特征在于，包括以下步骤：

S1，获取原始动态心电数据信号；

S2，通过信号质量标记拾取心电数据信号片段并划分类型；

S3，将步骤S2中的每一段心电信号片段处理成时频二维图像；

S4，将处理后的时频二维图像馈送到机器学习模型中以训练分类模型；

S5，将待分类的心电测试信号处理成为时频二维图像；

S6，将步骤S5中得到的时频二维图像输入到S4得到的分类模型中进行分类，即可输出信号质量等级结果。

2.如权利要求1所述的基于时频二维图像和机器学习的动态心电质量评估方法，其特征在于所述步骤S1中，原始动态心电数据信号通过但不限于穿戴式心电设备获取，所述信号在运动状态下获取。

3.如权利要求1所述的基于时频二维图像和机器学习的动态心电质量评估方法，其特征在于所述步骤S2中心电信号的划分类型为：具有良好信号质量的A型，信号质量较差的B型和纯粹的噪声信号C型，所述A型和B型有临床诊断价值，所述C型纯噪声无临床诊断价值。

4.如权利要求1所述的基于时频二维图像和机器学习的动态心电质量评估方法，其特征在于所述步骤S2中拾取的心电数据信号片段数据长度为6-20秒的短时心电片段信号，典型值为10秒，所述信号的采样率为250-1000赫兹，典型值为500赫兹。

5.如权利要求1所述的基于时频二维图像和机器学习的动态心电质量评估方法，其特征在于所述步骤S3中时频二维图像通过联合时间频率分析的二维时频分析方法产生，二维时频分析方法包括但不限于短时傅里叶变换、小波变换、希尔伯特黄变换、切片小波变换、改进切片小波变换典型信号变换方法。

6.如权利要求1所述的基于时频二维图像和机器学习的动态心电质量评估方法，其特征在于所述步骤S4中使用卷积神经网络从信号二维时频空间中提取特征波的有用信息并进行机器学习，进而实现对时频二维图像数据的自动处理和分类。