[发明专利]一种一维序列升维聚类方法及系统

说明书

本发明属于人工智能图像处理技术领域，具体涉及一种一维序列升维聚类方法及系统，包括心电信号收集模块、预处理模块、去噪模块、格罗姆变换模块、无监督K‑means聚类模块、输出结果模块，所述心电信号收集模块导入一维心电信号，并储存于数据库中，并对所述一维心电信号依照导入数据库先后时间顺序从X₀到X_n进行脚注；所述预处理模块用于对一维心电信号的时间序列X＝x₁,x₂,...,x_n进行缩放；所述去噪模块用于所述一维心电信号进行筛选去噪；所述格罗姆变换模块用于实现所述一维心电信号转变为二维心电图像；本发明将心电信号的识别从时域问题转换图像分类问题，通过对时间序列进行內积来衡量数据内部的相似性，将其转换为格罗姆矩阵，完成从一维到二维的升维过程。

技术领域

本发明属于人工智能图像处理技术领域，具体涉及一种一维序列升维聚类方法及系统。

背景技术

心电信号(Electrocardiogram,ECG)是对心脏活动的直观记录，通过心电图展现的心率、S-T段、P波、QRS波群的形态及出现位置等特征能够对于窦性心动过速、窦性心律不齐、室性早搏和心房颤动等心律失常进行诊断，是进行心脏疾病判别的主要依据之一。过去，心电信号的判别主要靠医生人为判断，随着医疗标准的不断提高，人工判别的速度与准确度已不足以满足医疗需求。本技术能够极大程度的展现数据隐性特征，提高心电信号识别速度与识别准确率，解决由于数据不足而导致的模型识别能力差的问题，同时由于使用无监督学习，极大地减少了标注成本。同时拥有较强的泛化能力，可以适应不同病人的病理分类。

现有技术存在的问题或缺陷：1、提取特征单一，无法准确描述信号所反映的信息，导致信号分类准确率较低；2、样本较少导致准确率较低，深度学习模型已被证明在数据分类方面具有良好的效果，但深度学习模型的训练对数据规模要求较高，而大多序列信号标注数据较少，会导致模型训练不完全，模型欠拟合，识别准确率较低。目前的一维序列分类方法存在序列分类准确率低、分类模泛化能力差、算力要求过高等问题。

发明内容

针对上述传统心电信号的处理提取特征单一、识别准确率较低的技术问题，本发明提供了一种分类准确率高、特征提取容易、成本低、自动化程度高的一维序列升维聚类方法及系统。

为了解决上述技术问题，本发明采用的技术方案为：

一种一维序列升维聚类方法，包括下列步骤：

S1、一维心电信号收集；

S2、一维心电信号去噪；

S3、对去噪后的一维心电信号进行格罗姆变换；

S4、导入无监督K-means聚类算法；

S5、输出结果，并储存。

所述S1中一维心电信号收集的方法为：导入一维心电信号，将其分割为长度为n的心电信号段，并储存为NPY文件供模型读取。

所述S2中一维心电信号去噪的方法为：首先对一维心电信号按照一维时间序列排序X＝x₁,x₂,...,x_n，同时按照进行缩放。

所述S2中一维心电信号去噪采用滤波器，所述滤波器的截止频率为0.08，所述滤波器采用阶数为4的低通滤波器。

所述S3中对去噪后的一维心电信号进行格罗姆变换的方法为：将去噪后的一维心电信号导入格罗姆变换模块，格罗姆变换模块的格罗姆角场通过对时间序列进行内积来衡量数据内部的相似性，将一维心电信号转换为格罗姆矩阵，实现一维心电信号转变为二维心电图像。

所述格罗姆变换转换过程为：一维心电信号进行缩放和去噪后，计算每一对的点积并放入格罗姆矩阵G中，根据矩阵的值完成二维心电图像的构建。