一种基于高斯混合模型的心电信号识别算法
阅读说明：本技术 一种基于高斯混合模型的心电信号识别算法 (Electrocardiosignal recognition algorithm based on Gaussian mixture model ) 是由 陈少杰 于 2020-05-18 设计创作，主要内容包括：本发明涉及一种基于高斯混合模型心电信号识别算法,该方法具体过程是：首先确定读取原始心电图像,应用心电提取算法获取连续周期心电信号,然后根据心电数据点导数(包括一阶和二阶导数),对周期心电信号进行分割,提取单个周期的心电数据。并利用插值法,实现对缺失数据进行平滑。再此基础上,将相应心电数据进行分组,并通过训练集上的心电数据进行训练。训练过程中,根据高斯混合模型的最优解的数字特征,通过先对模型参数进行初始化,而后依据二阶平方差最小,获取隐函数的Q表达,继而根据相应的公式,对原始参数进行相应的调整,重复上述过程,使得模型参数的逐步向最优值靠近。当误差在一定范围后,停止训练,并使用交叉验证集上的数据,对模型参数进行调优。最终获得稳定的模型参数。该算法方法不仅快速、高效,而且能够有效克服局部心电图因扭曲、噪声等因素造成的失真,在心电信号自动分析过程中具有重要的应用价值。(The invention relates to a Gaussian-mixed-model-based electrocardiosignal recognition algorithm, which comprises the following specific steps: firstly, determining to read an original electrocardio image, obtaining continuous periodic electrocardio signals by applying an electrocardio extraction algorithm, then segmenting the periodic electrocardio signals according to electrocardio data point derivatives (including first-order derivatives and second-order derivatives), and extracting single-period electrocardio data. And the missing data is smoothed by an interpolation method. And on the basis, grouping the corresponding electrocardiogram data, and training by the electrocardiogram data on the training set. In the training process, according to the digital characteristics of the optimal solution of the Gaussian mixture model, initializing the model parameters, then obtaining Q expression of the implicit function according to the minimum second-order square difference, then correspondingly adjusting the original parameters according to a corresponding formula, and repeating the process to enable the model parameters to gradually approach to the optimal value. And when the error is within a certain range, stopping training, and using the data on the cross validation set to adjust and optimize the model parameters. Finally, stable model parameters are obtained. The algorithm method is fast and efficient, can effectively overcome distortion of local electrocardiograms caused by factors such as distortion, noise and the like, and has important application value in the automatic analysis process of the electrocardiosignals.)
技术领域
本发明涉及心电信号自动化处理技术领域，特别是一种基于高斯混合模型的心电信号识别算法
背景技术
心电自动化分析是人工智能背景下互联网+时代的研究热点之一。它以互联网为纽带，以智能终端为载体，将用户与中央心电监护链接起来，在实现心电快速采集的同时，借助人工智能技术，实现心电信号自动分析，从而为用户提供及时、准确的心血健康状况的客观评估，能有效避免猝死等悲剧的发生。这无论在理论还是社会实用价值上都具有非常重要的意义。本发明算法属于数字心电信号自动化处理领域。该算法以数字心电信号图像为处理对象，并运用数字图像处理技术，从心电数字图像中提取出数字心电信号。并在此基础上，通过使用高斯混合模型，将提取到的心电信号进行识别，从而能够辅助医生对相应心血管疾病的诊断。
随着人工智能技术不断发展与完善，人工智能技术应用范围也在不断扩展。自动化心电识别就是将人工智能技术与心电分析应用相结合，它利用多层神经网络模型(如限制性玻尔兹曼机模型RBM，自动编码器模型AE，变分自动编码器模型VAE等)。首先用一组心电信号作为输入，对多层神经网络模型进行训练。然后再通过该多层神经网络模型中的隐层实现对未知心电信号进行特征抽取。在获取到心电特征之后，就可以通过对心电特征进行相应的分析，从而判断心血管疾病的发生与否，在此基础上还可以进一步推断心血管疾病的类型，在临床上为后续的诊断和治疗提供依据。
自动化心电分析技术有着广泛的应用前景。当前，随着家庭宽带、WIFI、3G、4G等网络已经广泛存在于普通家庭和众多公众场所。人们通过手机等智能终端设备即可随时随地获取相关最新咨询信息。然而，对于心电采集来说，目前仍然以通过专业心电采集设备进行线下采集为主，临床医生主要还是以通过打印的心电图像对患者进行心电分析。这种现状主要存在以下几个不足：
人的心脏具有较强的代偿机制，对于某些心血管疾病患者而言，疾病初期心电图上的表现往往持续时间较短。这给心电图“捕捉”这些疾病带来一定困难。一旦错过发病的短暂时刻，心脏的代偿机制就会使得心血管系统功能表现正常，心电图相应也变得正常。因此短暂的心电信号检测，很难准确检测到某些心血管疾病。
心电图是心脏功能的外在表现，也是临床医生诊断心血管疾病的重要依据。临床医生根据心电图形的分布可以推断出心血管功能状况。然而，一方面我国是心血管疾病发病率较高的国家，临床上大量患者需要得到专业医生及时救治；另一方面，我国临床专业医生人数相对较少，这就造成了越来越多的心血管疾病的患者无法得到及时救治的困境。普通民众普遍对心血管疾病认识不足，他们可能会被其它信息误导，从而造成误诊或错过最佳救治时间。
基于上述背景，当务之急是开发一套心电自动化采集和分析系统，该系统综合运用人工智能技术、互联网技术、云计算技术和大数据技术，实现对心电信号采集、处理、传输、存储、识别和分析。，一方面加强心血管疾病知识的宣传，用科学知识提高普通民众对伪科学的免疫力。另一方面，借助智能终端实现对心电信号时时采集，并通过互联网将采集到的心电信号传输至云端心电处理单元。心电信号经过云端处理后，最后将处理结果发布到用户手机终端。除此以外，系统还能够结合用户历史记录和所在区域疾病发病相关大数据信息，为用户提供更准确疾病诊断和预测服务。本算法是以深度学习为背景，通过引入隐含变量，有效解决了高斯混合模型理论上无法求解的难题。通过使用一定数量的训练数据，能够快速、有效地稳定模型，在此基础上实现对心电信号自动化识别，从而为心血管疾病的自动化诊断提供可能，有效地解决了猝死等突发心血管疾病的发生。
发明内容
本发明的目的在提供一种基于高斯混合模型的心电信号识别算法，该方法有利于克服传统心电识别过程不足，通过引入隐含参数的分布，有效地解决了传统心电信号模型训练过程不易收敛点难题。提高了心电信号自动化识别的准确性和稳定性能。
为实现上述目的，本发明的技术方案是：一种基于高斯混合模型的心电信号识别算法，包括以下步骤：
步骤A：读取原始心电图像，应用心电提取算法获取连续周期心电信号。
步骤B：根据心电数据点导数(包括一阶和二阶导数)，对周期心电信号进行分割，提取单个周期的心电数据。
步骤C：针对相邻数据点出现遗漏情况，结合对相同周期上相邻位置上的心电数据，采用插值方式补充遗漏心电数据，确保心电周期完整。
步骤D：将多个完整心电周期数据进行随机分组，分别获得训练组、交叉验证组和测试组数据。
步骤E：初始化高斯混合模型，然后使用训练组心电信号进行训练。直到误差满足相应要求。
步骤F：然后再使用交叉验证组数据对训练结果进行修正，如此反复，直到误差在指定范围之内。
步骤G：用训练之后的高斯混合模型，对测试组数据进行测试，以验证本算法的有效性。公式 (1)表示一个服从高斯分布的概率密度函数，公式(2)表示一个由K个高斯混合分布组成的高斯混合模型。公式(3，4)表示给定一组N个数据X＝{x1，x2，...，xN}且满足i.i.d.条件下出现的概率。其中公式(4)中使用隐变量(Z)代替公式(3)中高斯系数。公式(5)表示在不同的参数θ下，该函数对应的似然函数。公式(6，7)表示在给定一组训练数据下的使用优化算法后所得到的高斯分布参数的最优解。公式(8，9)表示隐变量z的后验分布Q，以及目标函数的解--P分布对应正态分布的参数表示。；
附图说明
图1本发明算法的流程图。
具体实施方式
结合实际心电图像和算法流程，进一步说明本方法实施过程。
图1是本发明的一种基于高斯混合模型心电信号识别算法的实现流程图。如图1所示，所述方法包括以下步骤：
步骤A：选择合适算法，从心电图像中提取心电信号。
步骤B：对提取到的心电信号进行插值、平滑等操作，以便使得心电信号连续，在此基础上实现对心电信号按心动周期进行分割。
步骤C：对单个心动周期心电信号进行分组：训练组、交叉验证组和测试组。
步骤D：初始化高斯混合模型，包括高斯分布参数。根据公式(8)获取隐含变量z的后验分布Q。
步骤E：根据公式(9)计算分布P及高斯分布参数，然后重复上述训练过程，直到误差落入许可范围之内。
步骤F：根据步骤E的结果，使用交叉验证集上的心电信号，对高斯混合模型进行相应的修正，消除训练过程所可能引起的过拟合。需要强调的是，本发明所述的实例是说明性的，而不是限定性的，因此本发明包括但并不限于具体实施方式中所述的实例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，同样属于本发明保护的范围。
以上所述仅为本发明的较佳实施例，凡在发明权限要求所限定的范围内进行的改变、修改，均属于本发明的保护范围。