申请/专利权人：中国矿业大学

申请日：2022-11-16

公开（公告）日：2023-02-28

公开（公告）号：CN115718867A

主分类号：G06F18/213

分类号：G06F18/213;A61B5/346;G06F16/2458;G06F18/2415;G06F18/214;G16H50/20;G06F18/10

优先权：

专利状态码：在审-实质审查的生效

法律状态：2023.03.17#实质审查的生效;2023.02.28#公开

摘要：本发明公开了一种基于shapelet将心电信号转换成图结构的分类方法，属于心跳信息分析技术领域。获取心电信号数据集，用小波变换去噪算法对心电信号降噪处理，采用小波模极大值结合可变阈值法对降噪处理的信号处理,利用获得的心电信号R波峰位置信息，采用shapelet算法提取每个信号周期的P‑QRS‑T波段的shapelet特征序列,将提取的心电信号shaplet特征构建做为图结构的每一个节点，并利用每个特征之间的权重来构造图的每一个边，从而构建有向加权图，设置图卷积神经网络参数，将构造的图数据输入到模型中进行训练学习，利用Softmax函数获得各个特征序列的概率分布，从而达到识别的效果，将心电信号提取shapelet特征序列转换成图结构明显提升了分类的准确度。

主权项：1.一种基于shapelet将心电信号转换成图结构的分类方法，其特征在于：通过时间序列shapelet算法将不同的心电图数据信号转化为shapelet特征序列，利用shapelet特征序列构建shapelet转换矩阵，利用shapelet转换矩阵捕捉shapelet随时间演化过程，以体现心电信号特征随时间的变化；具体步骤如下：S1：从诊断心电数据库中获取代表不同心脏特征的多组心电图数据信号，将多组心电图数据信号组成心电图数据集T＝{t1,····,t|T|}；S2：对获取的心电图数据集进行预处理，利用小波变换去噪算法对心电图数据集中的各组心电图数据信号进行降噪处理；S3：采用小波模极大值结合可变阈值法对降噪后的每组心电图数据集进行处理：先使用Mallat算法对降噪后的心电图数据集进行变换，再通过对心电图数据集零点进行定位，从而对心电图数据集在时域空间上的R波峰值定位；S4：利用R波峰值的定位信息以及心电图的周期信息，将对应该组心电图数据集划分为多个子序列，通过时间序列shapelet算法提取每个划分出来的心电信号子序列的特征序列，并将提取出来的特征序列定义为shapelet特征序列；S5：将提取的shapelet特征序列构建图结构的shapelet转换矩阵，即有向加权图G，并根据多种不同心脏状态的心电图信号对应生成多个shapelet转换矩阵：使用shapelet转换矩阵学习心电信号序列的表示，shapelet特征序列作为图结构的每一个节点，并根据每个shapelet特征序列之间的权重关系来确定每个节点之间的权重进而构造有向加权图G＝V,E，其中V代表有向加权图G中的每条顶点，V由K个顶点组成，每个顶点表示一个shapelet特征序列，通过这个序列构造的节点，有向加权图G的每个有向边eij∈E都与一个权重wij相关联；S6：设定图卷积神经网络GCN的常规模型参数，将shapelet转换矩阵对应的有向加权图G数据集划分为70％的训练集和30％的测试集输入图卷积神经网络模型GCN中，设置GCN模型各参数后进行训练，通过图卷积神经网络模型GCN的卷积操作后再经过Softmax函数得到每个不同特征心电信号样本的概率，利用GCN模型处理心电信号转换成的有向加权图G，有向加权图G中每个节点对应一个shapelet特征序列，代表一种心脏疾病的心电信号的特征序列；经过模型训练后可以获得每个节点的一个向量值，也就是每一种心脏状态的疾病，然后经过softmax函数得到每一个向量的概率达到分类的目的，并对输出类别的预测概率进行归一化处理，从而识别出患有不同心血管疾病的病人的心电信号。

全文数据：

权利要求：

百度查询： 中国矿业大学 基于shapelet将心电信号转换成图结构的分类方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD