[发明专利]加权多尺度有限穿越可视图辨识房颤心电信号方法及系统

权利要求书

1.加权多尺度有限穿越可视图辨识房颤心电信号方法，其特征在于，包括：

获取设定长度的心电信号；

提取所述心电信号的原始特征，得到对应的原始特征向量；

将所述心电信号转换成网络形式，提取对应网络特征，得到对应的网络特征向量；

将原始特征向量与网络特征向量融合后输入至机器学习模型中，得到心电信号的类别辨识结果，其中，所述心电信号的类别包括房颤心电信号、正常电信号、噪声信号和其他心电信号；

所述网络特征包括网络中度的最大值、网络中度的平均值、网络的平均聚集系数、网络的平均最短路径长度、网络的平均局部效率、网络的平均全局效率以及局部效率熵；

局部效率熵记为Ent_loc，即：

其中，N是网络中节点的总数；E_loc(i)为任意节点i的局部效率；

任意节点i的局部效率为：

其中，G_i指节点i的邻居所构成的子图，指节点i的邻居个数，l_jk表示节点j,k之间的最短路径长度；

局部效率熵越小表示网络中小集团结构分布越均匀，网络的全局传输效率越高；局部效率熵越大表示网络中小集团结构分布越不均匀，网络的局部传输效率高，但全局传输效率低。

2.如权利要求1所述的房颤心电信号辨识方法，其特征在于，采用WMS-LPVG方法将所述心电信号转换成网络形式，其具体过程为：

将所述心电信号按照给定的尺度因子粗粒化；

从粗粒化后的时间序列中构建有限穿越可视图。

3.如权利要求1所述的房颤心电信号辨识方法，其特征在于，原始特征向量与网络特征向量融合的过程为：

将网络特征向量拼接至原始特征向量的后面，组合成融合向量。

4.如权利要求1所述的房颤心电信号辨识方法，其特征在于，所述心电信号的原始特征包括振幅特征、R峰位置索引特征、瞬时心率特征、心搏模板特征以及所提取心跳对应的R峰位置索引特征。

5.如权利要求1所述的房颤心电信号辨识方法，其特征在于，所述机器学习模型为XGBoost模型。

6.加权多尺度有限穿越可视图辨识房颤心电信号系统，其特征在于，包括：

心电信号获取模块，其用于获取设定长度的心电信号；

原始特征提取模块，其用于提取所述心电信号的原始特征，得到对应的原始特征向量；

网络特征提取模块，其用于将所述心电信号转换成网络形式，提取对应网络特征，得到对应的网络特征向量；

心电信号辨识模块，其用于将原始特征向量与网络特征向量融合后输入至机器学习模型中，得到心电信号的类别辨识结果，其中，所述心电信号的类别包括房颤心电信号、正常电信号、噪声信号和其他心电信号；

所述网络特征包括网络中度的最大值、网络中度的平均值、网络的平均聚集系数、网络的平均最短路径长度、网络的平均局部效率、网络的平均全局效率以及局部效率熵；

局部效率熵记为Ent_loc，即：

其中，N是网络中节点的总数；E_loc(i)为任意节点i的局部效率；

任意节点i的局部效率为：

其中，G_i指节点i的邻居所构成的子图，指节点i的邻居个数，l_jk表示节点j，k之间的最短路径长度；

局部效率熵越小表示网络中小集团结构分布越均匀，网络的全局传输效率越高；局部效率熵越大表示网络中小集团结构分布越不均匀，网络的局部传输效率高，但全局传输效率低。

7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-5中任一项所述的房颤心电信号辨识方法中的步骤。

8.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-5中任一项所述的房颤心电信号辨识方法中的步骤。