双通道混合网络模型的心血管疾病识别方法、装置及介质
阅读说明：本技术 双通道混合网络模型的心血管疾病识别方法、装置及介质 (Cardiovascular disease identification method, device and medium of two-channel hybrid network model ) 是由 司玉娟 杨维熠 张弓 冯文轩 范伟 孙美琪 于 2021-07-07 设计创作，主要内容包括：本发明涉及一种双通道混合网络模型的心血管疾病识别方法、装置及介质的技术方案,包括：对双导联心电图的心电信号进行波段对齐分割处理,得到双导联心拍；通过第一混合卷积网络提取双导联心拍的融合特征；通过第二混合卷积网络提取双导联心拍的两个单导联特异性特征；通过线性支持向量机处理融合特征及单导联特异性特征以得到对应的三组决策值；将三组决策值映射为三组决策概率；使用D-S模型融合三组决策概率得到双导联心电图的分类结果。本发明的有益效果为：解决现有技术中在患者间数据集、不平衡数据集和含噪数据集中分类效果较差的问题,具有较好的分类结果。(The invention relates to a cardiovascular disease identification method, a device and a medium of a dual-channel hybrid network model, which comprises the following steps: performing wave band alignment segmentation processing on the electrocardiosignals of the double-lead electrocardiogram to obtain a double-lead heart beat; extracting fusion characteristics of the dual-lead heart beat through a first hybrid convolution network; extracting two single-lead specific characteristics of the double-lead heart beat through a second hybrid convolution network; processing the fusion characteristics and the single-lead specific characteristics through a linear support vector machine to obtain three corresponding groups of decision values; mapping the three sets of decision values into three sets of decision probabilities; and fusing three groups of decision probabilities by using a D-S model to obtain a classification result of the double-lead electrocardiogram. The invention has the beneficial effects that: the problem of among the prior art between the patient data set, unbalanced data set and contain the relatively poor classification effect in the data set that makes an uproar is solved, better classification result has.)
技术领域
本发明涉及计算机机器学习及生物医学信号处理领域，具体涉及了一种双通道混合网络模型的心血管疾病识别方法、装置及介质。
背景技术
每年经历胸痛的患者数量在增加，其主要因素之一是心血管疾病。近年来，心血管疾病已成为一种致命的流行病，占全球死亡人数三分之一与的基于非传染性疾病死亡的48％。根据世界卫生组织报道，心血管疾病将在2030年造成2300万人的死亡。因此，及时发现并早期治疗潜在的心血管疾病患者尤为重要。
当前，大多数医生通过观察患者的心电图波形来诊断冠心病和心衰。然而，由于可能的视觉疲劳和长期心电图的微小变化，人工检测这些疾病是困难、费时且费力的。因此，为解决这些问题，基于心电图的智能识别系统将在冠心病和心衰的自动诊断中发挥重要作用。
当前，大多数相关研究在冠心病和心衰分类中显示出良好的性能。例如，2019年，Acharya等人提出了一种用于卷积神经网络模型以用于心电信号分类与特征提取，并获得了95.98％的心衰识别准确率；2020年Lih等人提出了一种基于卷积神经网络和长短时记忆神经网络的混合网络模型作为心电信号分类方法，在鉴别正常、冠心病、心衰和心梗的过程中获得了98.5％的总体准确率。
然而，这些研究仍存在一些未能解决的问题。首先，大多数研究人员根据患者体内的数据进行了实验，这可能导致所提出方法的过度拟合。具体地，患者内实验可以使训练和测试数据选自同一个人。由于同一个人的心电图之间的心率差异通常很小，因此，如果由于过度拟合而使他们的心率与训练数据中的心率显着不同，则经过训练的算法在识别新个体的心电图时可能会产生明显较差的性能。因此，为了确保所提出方法的最佳性能，必须进行患者间实验。其次，大多数研究人员没有评估所提出方法的噪声鲁棒性。通常，从实际场景中收集的心电图具有一定程度的噪声，从而使心电波形失真且难以区分。但是，心电图中的大多数噪音已从数据库中删除，例如贝斯以色列女执事医疗中心充血性心力衰竭数据库和麻省理工学院-贝斯以色列医院正常窦律数据库。因此，这些数据库中的心电图以清晰的波形特征记录下来，并被大多数研究人员直接使用，从而导致所提出的方法处理噪声数据的能力被忽略。因此，为了有效地评估噪声的鲁棒性，应该基于具有不同信噪比的多级噪声数据对提出的方法进行测试。这些研究缺乏对所提出的方法处理不平衡数据的能力的定量和标准评估。在这些研究中，研究人员随机选择了一定比例的异常心电图作为实验数据。然而，从实际情况中收集到的异常心电图的比例是变化的并且是不可预测的，由此难以确保这些提出的方法的性能和提出的方法处理偏斜数据的能力。此外，在实际环境中，正常的心电图通常远多于异常的心电图。因此，在具有较少异常心电图的多级不平衡数据集中进行实验是极为重要的。
发明内容
本发明的目的在于至少解决现有技术中存在的技术问题之一，提供了一种双通道混合网络模型的心血管疾病识别方法、装置及介质，解决现有技术中在患者间数据集、不平衡数据集和含噪数据集中分类效果较差的问题，具有较好的分类结果。
本发明的技术方案包括一种双通道混合网络模型的心血管疾病识别方法，其特征在于，该方法包括：对双导联心电图的心电信号进行波段对齐分割处理，得到双导联心拍；通过第一混合卷积网络提取所述双导联心拍的融合特征；通过第二混合卷积网络提取所述双导联心拍的两个单导联特异性特征；通过线性支持向量机处理所述融合特征及单导联特异性特征以得到对应的三组决策值；将三组所述决策值映射为三组决策概率；使用D-S模型融合三组所述决策概率得到所述双导联心电图的分类结果。
根据所述的双通道混合网络模型的心血管疾病识别方法，其中对双导联心电图的心电信号进行波段对齐分割处理包括：以双导联心电图的心电信号的R峰为基准，对前一个R峰和后一个R峰分别作为R1峰和R2峰；将在R1峰之后和R2峰之前的0.10s的样本分别表示为A1点和A2点，并将R峰值之前和之后的0.06秒样本分别作为B1点和B2点；将A1和B1之间的采样点、B1和B2之间的采样点以及B2和A2之间的采样点分别称为波段X、波段Y和波段Z，将每个波段进行重新采样，得到对应波段的若干个采样点；将所有重新采样的波段X、波段Y和波段Z连接，得到波段X、波段Y和波段Z采样点总和数量的心拍；采用离差标准化方法将每个心拍的幅值归一化至区间[0，1]。
根据所述的双通道混合网络模型的心血管疾病识别方法，其中第一双通道混合卷积网络和所述第二双通道混合卷积网络分别为所述为CCA-PCA卷积网络和ICA-PCA卷积网络，其中CCA为典型相关分析算法，PCA为主成分分析算法，ICA独立成分分析算法。
根据所述的双通道混合网络模型的心血管疾病识别方法，其中通过第一混合卷积网络提取所述双导联心拍的融合特征包括心拍预处理、CCA-PCA卷积网络构建及CCA-PCA卷积网络预测；
所述心拍预处理包括：将所述双导联心拍的尺寸进行重塑，得到心电矩阵；将所述心电矩阵以设定尺寸的窗口进行采样，得到若干采样块，并对所述采样块进行向量化处理；对每个向量的均值进行移除，得到中心化向量，将所述中心化向量组合为初阶待处理矩阵；
所述CCA-PCA卷积网络构建包括：通过第一特征向量及第二特征向量构建CCA-PCA卷积网络卷积层的典型相关卷积核；对所述典型相关卷积核与所有心电图进行二维卷积处理，得到初阶特征块集合；
所述CCA-PCA卷积网络预测包括：根据所述第一特征向量及所述第二特征向量从所述初阶特征块集合提取主成分卷积核；根据所述主成分卷积核计算对应的次阶特征矩阵；对所述次阶特征矩阵进行二值化处理，得到处理结果，并将处理结果映射为0或1；根据所述次阶特征矩阵及经过映射的所述处理结果计算得到对应的十进制矩阵；对每个所述十进制矩阵按照设定尺寸和设定重叠率划分为若干样本块，并使用直方图统计方式得到所有样本块的数值，进一步将样本块的数值转换为对应单个心电矩阵的特征向量。
根据所述的双通道混合网络模型的心血管疾病识别方法，其中心拍预处理包括：
将每一个心拍重塑为尺寸为m×n的心电矩阵；
从双导联心电信号获得的心电矩阵分别表示为与
以中每个元素为中心，使用尺寸为k1×k2的窗口在上提取一系列采样块，并将采样块重构为向量
移除每个向量的均值以获取中心化向量
将所有源自于单导联心电的组合为初阶待处理矩阵
根据所述的双通道混合网络模型的心血管疾病识别方法，其中CCA-PCA卷积网络构建包括：
根据公式(1)计算向量a1和b1以构建典型相关卷积核，
其中S12为X1与X2的协方差矩阵，S11和S22分别为X1和X2的自协方差矩阵；
根据公式(2)，采用拉格朗日乘子法优化公式(1)，
其中a1和b1通过最大化J(a1,b1)获得，λ和ν表示拉格朗日乘子；
根据公式(3)计算J(a1,b1)的偏导数，
其中a1和b1分别为和的特征向量；
根据公式(4)计算第l个向量集，向量集为a1，b1；
在获取L1个向量集后，该卷积层的典型相关卷积核根据公式(5)得到，
其中将ai和bi分别转换为矩阵Wl 1和Wl 2，以作为X1和X2的第l个卷积核；
根据公式计算2×L1个初阶特征块，其中*代表二维卷积过程；
针对第c导联的每个计算所有的中心化样本块其中是的第j个样本块；
向量化所有的样本块并组合为
和
通过以上过程处理所有的初阶特征块以得到
根据所述的双通道混合网络模型的心血管疾病识别方法，其中CCA-PCA卷积网络预测包括：
通过公式(6)提取L2个主成分卷积核，
其中将协方差矩阵(Yc)(Yc)T的特征向量映射为主成分卷积核根据
计算次阶特征块
根据
计算以得到2×L1×L2个次阶特征块，连接源自于双心电导联的次阶特征块以得到
采用函数H(·)二值化所有的次阶特征矩阵Oi,l，其中H(·)将大于0的值和其他值分别映射为1和0；
根据公式以得到L1个十进制矩阵，其中元素的数值范围是
将每个十进制矩阵分割为尺寸为u1×u2、重叠率为R的B个样本块；
根据以采用直方图统计处理样本块中的所有数值；
根据
以获得单个心电矩阵的特征向量fi,1。
根据所述的双通道混合网络模型的心血管疾病识别方法，其中通过第二混合卷积网络提取所述双导联心拍的两个单导联特异性特征包括：
将每个心拍重塑为尺寸为n×m的心电矩阵
针对N源自于第c个心电导联的心电矩阵
通过典型相关分析-主成分分析卷积网络中第一卷积层的初始阶段处理所有心电矩阵并获得初阶待处理矩阵
根据公式S＝BVX对X进行解盲源分离；
B、V及独立成分卷积核根据以下步骤获取：
采用主成分分析算法处理Xc以获取白化矩阵
白化矩阵包括对应于协方差矩阵(Xc)(Xc)T的L1个最大特征值的特征向量
根据公式(7)获取矩阵Zc，
Zc＝VcXc (7)
采用具有高斯非线性函数的处理矩阵Zc以获取正交矩阵Bc；
根据Dc＝BcVc以获得包括L1个列向量的解混淆矩阵
根据公式(8)计算独立成分卷积核，
其中，将向量d1映射为矩阵Wl c；
根据计算初阶特征矩阵
处理初阶特征矩阵的过程与典型相关分析-主成分分析卷积网络中的主成分分析卷积层一致，以获取主成分卷积核
根据
计算次阶特征矩阵
根据公式
和
计算第i个心电矩阵的特征向量fi，其中函数H(·)和具有重叠率R的函数Bhist(·)与典型相关分析-主成分分析网络中输出层一致，通过以上操作分别处理两个心电导联的数据后，得到两组特征，即fi,2,i＝1,2,…,N与fi,3,i＝1,2,…,N。
根据所述的双通道混合网络模型的心血管疾病识别方法，其中通过线性支持向量机处理所述融合特征及单导联特异性特征以得到对应的三组决策值，将三组所述决策值映射为三组决策概率包括：
对于每一对的特征向量fi,q和标签hi，根据公式(9)采用具有L2正则化L2损失函数的线性支持向量机进行计算
其中hi是第i个心电矩阵的原始标签，并且C表示惩罚系数，C被设置为1；
收集对应于标签hi和特征向量fi,q的所有决策值
根据等式(10)，将softmax函数的前向传播部分所有决策值和转换为决策概率和
其中表示对应于决策值的决策概率。
根据所述的双通道混合网络模型的心血管疾病识别方法，其中使用D-S模型融合三组所述决策概率得到所述双导联心电图的分类结果包括：
根据公式(11)执行D-S组合规则以获取最终分类结果，
其中Ii是第i个心电矩阵，得到具有最大ma(Ii)的标签h为最终的预测标签。
本发明的技术方案还包括一种双通道混合网络模型的心血管疾病识别装置，该装置包括存储器、处理器以及存储在所述存储器中并可在所述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计算机程序时实现任一项所述的方法步骤。
本发明的技术方案还包括一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现任一项的方法。
本发明的有益效果为：本发明的有益效果为：解决现有技术中在患者间数据集、不平衡数据集和含噪数据集中分类效果较差的问题，具有较好的分类结果。
附图说明
下面结合附图和实施例对本发明进一步地说明；
图1所示为根据本发明实施方式的总体流程图。
图2所示为根据本发明实施方式的总体结构框图。
图3所示为根据本发明实施方式的心拍分割方法的流程示意图。
图4为本发明系统中的CCA-PCA卷积网络进行深度导联相关性特征提取流程图
图5为本发明系统中的ICA-PCA卷积网络进行深度导联特异性特征提取流程图。
图6所示为根据本发明实施方式的实验结果分析图。
图7所示为根据本发明实施方式的在含噪数据集上的实验结果图。
图8所示为根据本发明实施方式的不平衡数据集上的实验结果图。
图9所示为根据本发明实施方式的装置图。
具体实施方式
本部分将详细描述本发明的具体实施例，本发明之较佳实施例在附图中示出，附图的作用在于用图形补充说明书文字部分的描述，使人能够直观地、形象地理解本发明的每个技术特征和整体技术方案，但其不能理解为对本发明保护范围的限制。
在本发明的描述中，若干的含义是一个或者多个，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。
在本发明的描述中，对方法步骤的连续标号是为了方便审查和理解，结合本发明的整体技术方案以及各个步骤之间的逻辑关系，调整步骤之间的实施顺序并不会影响本发明技术方案所达到的技术效果。
本发明的描述中，除非另有明确的限定，设置等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
图1所示为本发明系统的总体流程图。其包括：A.对心电信号进行波段对齐分割处理；B.采用CCA-PCA卷积网络提取双导联心电信号的融合特征做为特征1；C.采用ICA-PCA卷积网络提取单导联特异性特征做为特征2和特征3；D.采用线性支持向量机处理以上三组特征以得到三组决策值；采用softmax函数将三组决策值映射为三组决策概率；D.使用D-S模型融合三组决策概率以获取最终分类结果，实现冠心病和心衰的诊断。其中图3、4、5分别对步骤A、B及C进行进一步描述。
图2所示为本发明系统的简化结构图。其包括：分割模块、特征提取模块和分类模块。其中，分割模块将长时心电信号分割为单周期心拍，以用于后续处理。特征提取模块，采用CCA-PCA卷积网络和ICA-PCA卷积网络从心拍中挖掘深度导联相关性特征和深度导联特异性特征；分类模块，采用线性支持向量机、softmax函数和D-S模型进行决策层信息融合，以实现心电信号的正常、冠心病和心衰的自动识别。
图3为本发明系统中的心拍分割方法流程图。其用于对波段对齐分割方法进一步进行解释，主要包括以下步骤：
以心电信号的R峰为基准，将其前一个R峰和后一个R峰分别称为R1峰和R2峰。
将在R1峰之后和R2峰之前0.10s的样本分别表示为A1点和A2点并将R峰值之前和之后的0.06秒样本分别称为B1点和B2点。
将A1和B1之间的采样点、B1和B2之间的采样点以及B2和A2之间的采样点分别称为波段X、Y和Z，将每个波段重新采样到100个采样点。
将所有重新采样的波段X、Y和Z连接为具有300个采样点的心拍。
采用离差标准化方法将每个心拍的幅值归一化到区间[0,1]。
图4为本发明系统中的CCA-PCA卷积网络进行深度导联相关性特征提取流程图。其用于对CCA-PCA卷积网络进一步进行解释，主要包括以下步骤：
将每一个心拍重塑为尺寸为n×m的心电矩阵。
从双导联心电信号获得的心电矩阵分别表示为与
以中每个元素为中心，使用尺寸为k1×k2的窗口在上提取一系列采样块，并将这些采样块重构为向量
移除每个向量的均值以获取中心化向量
将所有源自于单导联心电的组合为初阶待处理矩阵
根据公式(1)计算向量a1和b1以构建典型相关卷积核。
其中S12为X1与X2的协方差矩阵，S11和S22分别为X1和X2的自协方差矩阵。
根据公式(2)，采用拉格朗日乘子法优化公式(1)。
其中a1和b1通过最大化J(a1,b1)获得，λ和ν表示拉格朗日乘子。
根据公式(3)计算J(a1,b1)的偏导数。
其中a1和b1分别为和的特征向量。
根据公式(4)计算第l个向量(al和bl)集。
在获取L1个向量集后，该卷积层的典型相关卷积核根据公式(5)得到。
其中将al和bl分别转换为矩阵和以做为X1和X2的第l个卷积核。我根据公式计算2×L1个初阶特征块，其中*代表二维卷积过程。
针对第c导联的每个计算所有的中心化样本块其中是的第j个样本块。
向量化所有的样本块并组合为和
通过以上过程处理所有的初阶特征块以得到
首先，根据公式(6)提取L2个主成分卷积核。
其中将协方差矩阵(Yc)(Yc)T的特征向量映射为主成分卷积核然后，根据计算次阶特征块
根据计算以得到2×L1×L2个次阶特征块。
连接源自于双心电导联的次阶特征块以得到
采用函数H(·)二值化所有的次阶特征矩阵Oi,l，其中H(·)将大于0的值和其他值分别映射为1和0。
然后，根据公式以得到L1个十进制矩阵，其中元素的数值范围是
将每个十进制矩阵分割为尺寸为u1×u2、重叠率为R的B个样本块。
根据以采用直方图统计过程处理样本块中的所有数值。
根据以获得单个心电矩阵的特征向量fi，1。
图5为本发明系统中的ICA-PCA卷积网络进行深度导联特异性特征提取流程图。其用于对ICA-PCA卷积网络进一步进行解释，主要包括以下步骤：
将每个心拍重塑为尺寸为n×m的心电矩阵
针对N源自于第c个心电导联的心电矩阵类似于典型相关分析-主成分分析卷积网络中第一卷积层的初始阶段用于处理所有心电矩阵并获得初阶待处理矩阵
独立成分分析的目的是根据公式S＝BVX对X进行解盲源分离。在这里，B、V和独立成分卷积核根据以下步骤获取：
首先，采用主成分分析算法处理Xc以获取白化矩阵该白化矩阵包含对应于协方差矩阵(Xc)(Xc)T的L1个最大特征值的特征向量
根据公式(7)获取矩阵Zc。
Zc＝VcXc (7)
采用具有高斯非线性函数的FastICA工具包处理矩阵Zc以获取正交矩阵Bc。
根据Dc＝BcVc以获得包括L1个列向量的解混淆矩阵
根据公式(8)计算独立成分卷积核。
其中，将向量dl映射为矩阵
根据计算初阶特征矩阵
处理初阶特征块的过程与典型相关分析-主成分分析卷积网络中的主成分分析卷积层一致，以获取主成分卷积核
根据计算次阶特征矩阵
根据公式和计算第i个心电矩阵的特征向量fi，其中函数H(·)和具有重叠率R的函数Bhist(·)与典型相关分析-主成分分析网络中输出层一致，通过以上操作分别处理两个心电导联的数据后，我们获得两组特征，即fi,2,i＝1,2,…,N与fi,3,i＝1,2,…,N。
线性支持向量机主要流程如下：
对于每一对的特征向量fi,q和标签hi，根据公式(9)采用具有L2正则化L2损失函数的线性支持向量机以解决优化问题。
其中hi是第i个心电矩阵的原始标签，并且C表示惩罚系数，被设置为1。
收集对应于标签hi和特征向量fi,q的所有决策值
Softmax函数主要流程如下：
根据等式(10)，将softmax函数的前向传播部分所有决策值和转换为决策概率和
其中表示对应于决策值的决策概率。
D-S模型主要流程如下：
根据公式(11)执行D-S组合规则以获取最终分类结果。
其中Ii是第i个心电矩阵。最终，具有最大ma(Ii)的标签h被视为最终的预测标签。
在具体实施中，采用国际通行的正常窦性心律数据库(Normal Sinus RhythmDatabase，Nsrdb)、圣彼得堡12导联心律失常数据库(St PetersburgINCART 12-lead Arrhythmia Database，Incardb)与充血性心里衰竭数据库(BIDMC Congestive Heart Failure Database，Chfdb)做为正常、冠心病和心衰数据源。本发明采用MTLAB2018软件进行性能验证。使用的数据集包括Nsrdb数据库、Incartdb数据库、和Chfdb数据库中的18个正常个体、7位冠心病患者和15位心衰患者。首先设置6个实验数据组，其中A包括患者内正常和心衰心拍，B组包括患者内正常和冠心病心拍，C组包括患者内正常、冠心病和心衰心拍，D组包括患者间正常和心衰心拍，E组包括患者间正常和冠心病心拍，F组包括患者间正常、心衰和冠心病心拍。然后采用心拍对齐分割方法处理对他们的双导联心电信号，以得到单周期心拍，然后使用CCA-PCA卷积网络模型从双导联心拍中提取深度导联相关性特征，以实现特征层信息融合与提取，并采用ICA-PCA卷积网络模型从单导联心拍中提取两组单导联特异性特征，然后将以上三组特征送入线性支持向量机以获取决策值，并使用softmax函数将三组决策值转化为三组决策概率，最终使用D-S模型对三组决策概率实现决策层信息融合，以获取最终分类结果。
图6为本发明系统在患者间实验中的结果图。在区分正常、CHF和CAD心跳方面，该方法获得了95.54％的总体准确率与4.46％误分率。在识别CHF心拍方面，所有指标均超过91％。在识别CAD心拍方面，该方法获得了超过96％的查准率和特异性以及87.02％的F1评分。综上，该方法可以在患者间实验中很好地区分正常、CHF和CAD心拍。
图7为本发明系统在含噪数据集上的实验结果图。在这些心拍中，所有的噪声都是通过MATLAB 2018添加的，而∞dB信噪比表示相应的心拍并未混入噪声。总体而言，随着信噪比的降低，通过识别每个类别所获得的总体准确率也会降低。然而，D组和E组的信噪比为18dB时，该方法获得的总体准确率仅比基于无噪声数据实验所获得的总体准确率低了1.16％和2.63％。另外，尽管具有多级噪声的F组的实验结果明显差于其他F组的实验结果，但当信噪比为18dB时，该方法仍可获得约92％的总体准确率。更重要的是，当信噪比为6dB时，肉眼几乎无法分辨出D组和E组中相应心拍的类别，但是该方法的总体准确率分别达到92.2％和86.76％。因此，以上结果表明，该方法在患者间CAD和CHF识别实验中具有优秀的噪声鲁棒性。
图8为本发明系统在不平衡数据集上的实验结果图。在这项工作中，代表不平衡级别的N值在2到25之间变化，即正常心拍数量是异常心拍数量的N倍。其中所有的查准率、查全率、特异性和F1分数超过97.5％，当采用不同的不平衡级别时，这些指标的浮动小于2.44％。我们采用综合考虑了查全率和查准率F1分数做为关键指标。在A组中，识别CHF所获得的最高和最低F1分数分别为99.93％(N＝2)和99.75％(N＝25)。在B组中，识别CAD所获得的最高和最低F1分数分别为99.97％(N＝6)和98.86％(N＝10)。此外，在C组中，识别CHF所获得的最高和最低F1分数的值分别为99.85％(N＝2、15)和99.75％(用于对CHF进行分类的N＝25)，而识别CAD所获得的最高和最低F1分数分别为99.97％(N＝6)和98.73％(N＝25)。更重要的是，即使CAD或CHF心拍数量是正常心拍数量的1/25，识别CAD和CHF心拍所获得的各项指标也均超过了97.5％。以上结果表明，在从混合心拍中鉴别CAD和CHF心跳时，该系统能够在处理多级不平衡心拍数据过程中产生优异的表现。
图9所示为根据本发明实施方式的装置图。装置包括存储器100及处理器200，其中处理器200存储有计算机程序，计算机程序用于执行：对双导联心电图的心电信号进行波段对齐分割处理，得到双导联心拍；通过第一混合卷积网络提取双导联心拍的融合特征；通过第二混合卷积网络提取双导联心拍的两个单导联特异性特征；通过线性支持向量机处理融合特征及单导联特异性特征以得到对应的三组决策值；将三组决策值映射为三组决策概率；使用D-S模型融合三组决策概率得到双导联心电图的分类结果。其中，存储器100用于存储数据。
应当认识到，本发明实施例中的方法步骤可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而，若需要，该程序可以以汇编或机器语言实现。在任何情况下，该语言可以是编译或解释的语言。此外，为此目的该程序能够在编程的专用集成电路上运行。
此外，可按任何合适的顺序来执行本文描述的过程的操作，除非本文另外指示或以其他方式明显地与上下文矛盾。本文描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行，并且可作为共同地在一个或多个处理器上执行的代码(例如，可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。
进一步，所述方法可以在可操作地连接至合适的任何类型的计算平台中实现，包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现，无论是可移动的还是集成至计算平台，如硬盘、光学读取和/或写入存储介质、RAM、ROM等，使得其可由可编程计算机读取，当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外，机器可读代码，或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时，本文所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时，本发明还包括计算机本身。
计算机程序能够应用于输入数据以执行本文所述的功能，从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中，转换的数据表示物理和有形的对象，包括显示器上产生的物理和有形对象的特定视觉描绘。
上面结合附图对本发明实施例作了详细说明，但是本发明不限于上述实施例，在技术领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。
- 上一篇：一种医用注射器针头装配设备
- 下一篇：可采集心电数据的方向盘、生命体征监测系统及方法