[发明专利]基于局部模式变换的心电图分类方法

权利要求书

1.一种基于局部模式变换的心电图分类方法，其特征在于，包括：

(1)取得原始心电数据和心电图附加信息，并对原始心电数据进行预处理；

(2)对预处理后的心电数据进行增广变换处理获得心电增广数据；所述的增广变换处理包括：子段随机截取、叠加随机噪声、沿着时间轴拉伸或收缩、小区域数据随机污染和/或按一定比例添加错误标签；

(3)利用心电增广数据和心电图附加信息对深度学习模型进行训练；

基于损失函数并利用误差反向传播算法对深度学习模型进行训练；所述的损失函数为：

其中，1{.}为指示函数，当条件为真时返回1，否则返回0；c为类别数；是一个训练样本，y_true是该样本的真实类别，y_true取值范围为(0,1,2,…,c-1)，y^j是该样本属于类别j的预测概率；

在深度学习模型中包含自适应池化结构；所述的深度学习模型隐性获取每个子段的局部概率值，然后根据与应用场景相关的汇总策略汇总局部概率值获得全局概率值，再汇总全局概率值获得最终概率值，即得最终分类结果；所述的深度学习模型的分类器为卷积神经网络；所述的卷积神经网络为LCNN、VGGNet、ResNet或DenseNet；

(4)对待分类的心电图数据中的原始心电数据进行子段随机截取，将子段随机截取后的心电数据和心电图附加信息输入训练好的深度学习模型中，获得每个子段的局部概率值，再对局部概率值进行汇总获得全局概率值，再汇总全局概率值获得最终概率值，即得最终分类结果；

子段随机截取为对心电数据直接进行截取或对深度学习模型提取的心电数据的变换特征进行截取；子段随机截取策略包括不重叠子段、重叠子段、固定数量子段、变长度子段或应用场景自适应子段；

对所有局部概率值进行汇总的策略包括：选择性平均法、概率阈值法、多数投票法、注意力机制法、跳跃连加法、Noisy-or法、Int-seg-rec法、Generalized-mean法、Log-sum-exp法、Noisy-and法、Linear Softmax法或Exp.Softmax法，并通过优先类和竞争类扩展原始的计算方法。

2.根据权利要求1所述的基于局部模式变换的心电图分类方法，其特征在于，所述的预处理包括信号滤波、重采样、基本导联截取和幅值归一化。

3.根据权利要求1所述的基于局部模式变换的心电图分类方法，其特征在于，基于局部模式变换的心电图分类方法还包括：对预处理后的心电数据进行复制填充操作，之后再进行增广变换处理。

4.根据权利要求1所述的基于局部模式变换的心电图分类方法，其特征在于，所述的增广变换处理包括：

(2-1)设某一样本的心电数据和起始点范围分别为d_ij和[1,offset]；其中，1≤i≤leadC,1≤j≤frameC，leadC和frameC分别是原始心电图的导联数和帧数；

(2-2)确定一个起始点b，接着以此为基准点截取后续全部数据，即获得d_ik；其中，1≤b≤offset，1≤i≤leadC,b≤k≤frameC；

(2-3)有选择地对d_ik叠加噪声、沿着时间轴拉伸或收缩、小区域数据随机污染、按一定比例添加错误标签。