本发明涉及一种数据增强方法，具体是一种多视角转换的心电信号数据增强方法。
背景技术：
心电信号的数据采集过程比较复杂。一家三甲医院的心电科每天只能够采集几百例患者，产生的数据量也非常有限，数据量不足的情况下，难以满足现有的机器学习算法，特别是深度神经网络模型，没有大量的样本，网络无法收敛；心电信号采集的数据维度有限，特别是在便携式设备上，一般情况下仅仅能够采集单导联(一个通道)的心电信号数据，数据所承载的信息量十分有限，难以满足心电信号分析模型的训练和预测过程；心电信号的采集过程会受到各类型干扰，包括低频和高频两种，低频的干扰会造成心电信号的基线漂移，高频的干扰会增加心电信号的噪音，这些干扰都会对分析结果产生极大的影响；心电信号在时域上采集，导致基于时域数据的心电信号分析方法(例如深度神经网络)，会忽略信号在频域上的信息。
技术实现要素：
本发明的目的在于提供一种多视角转换的心电信号数据增强方法，多视角转换可以扩充样本量，使得在原始数据量不足的情况下，也能够完成机器学习模型的训练过程；多视角转换可以增加原始心电信号的维度，从原始心电信号的多个视角提取出更多的通道；通过多视角转换，可以从干扰信号中分离出干净的心电信号，提升数据质量，提高分析精度；通过多视角转换，提取原始心电信号在不同频带上的成分信号，基于时域数据的机器学习方法分析成分信号，也就只分析了该频带的信息，通过这种间接的方式在基于时域数据的心电信号分析方法中引入频域信息。
本发明的目的可以通过以下技术方案实现：
一种多视角转换的心电信号数据增强方法,单个导联对于任意一条心电信号数据，记改数据为
所述多视角转换的转换方式包括：
一、均值平移：
首先求出x的平均值μ,再将x中的所有电压值依次减去μ，得到
二、平方：
将x中的所有电压值依次取平方，得到
三、截断：
将x中的所有电压值，小于m低的值取为m低，大于m高的值取为m高，m低和m高是两个超参数，根据所获取的实际数据人为确定；
四、白化：
将x中的所有电压值归一化为均值等于0、方差等于1的正态分布；
五、累积求和：
将x中的所有电压值按时间顺序依次累计求和；
六、n阶差分：
将x中的所有相邻电压值求差值，n阶差分的结果基于n-1阶差分计算，0阶差分即为原始心电信号；
七、n阶滑动平均:
将x中的相邻n个电压值求平均；
八、滤波：
将x输入到带通滤波器，带通滤波器设置最低频率f低和最高频率f高，带通滤波器的输出只会保留f低至f高之间的信号成分，f低和f高是两个超参数，可以根据所获取的实际数据人为确定；
将上述多视角转换的数据合并成多个通道的心电信号数据，长度不变；最终的分析模型建立在多视角转换后的增强心电信号数据上，上述方法不依赖与心电信号分析的具体模型，采用任何一种心电信号分析模型，在增强后的心电信号上进行进一步的分析。
进一步的，所述步骤一中的均值平移采用以下公式，x均值[i]＝x[i]-μ，其中
进一步的，所述步骤二中的平方采用以下公式，x平方[i]＝x[i]2。
进一步的，所述步骤四中的白化采用以下公式,
进一步的，所述步骤五中的累积求和采用以下公式，
进一步的，所述步骤六中的n阶差分采用以下公式,xn阶差分[i]＝xn-1阶差分[i]-xn-1阶差分[i-1]，其中x0阶差分＝x。
进一步的，所述步骤七中的n阶滑动平均采用以下公式，
本发明的有益效果：
1、本发明多视角转换的心电信号数据增强方法，多视角转换可以扩充样本量，使得在原始数据量不足的情况下，也能够完成机器学习模型的训练过程；
2、本发明多视角转换的心电信号数据增强方法，多视角转换可以增加原始心电信号的维度，从原始心电信号的多个视角提取出更多的通道；
3、本发明多视角转换的心电信号数据增强方法，通过多视角转换，可以从干扰信号中分离出干净的心电信号，提升数据质量，提高分析精度；
4、本发明多视角转换的心电信号数据增强方法，通过多视角转换，可以从干扰信号中分离出干净的心电信号，提升数据质量，提高分析精度；通过多视角转换，提取原始心电信号在不同频带上的成分信号，基于时域数据的机器学习方法分析成分信号，也就只分析了该频带的信息，通过这种间接的方式在基于时域数据的心电信号分析方法中引入频域信息。
具体实施方式
下面对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
一种多视角转换的心电信号数据增强方法,在对多视角转换的心电信号数据增强方法的描述中不失一般性，这里只考虑单个导联(单个通道)的数据，对于多个通道的数据，可以用同样的方法依次分析；对于任意一条心电信号数据，记改数据为
所述多视角转换的转换方式包括：
一、均值平移：
首先求出x的平均值μ,再将x中的所有电压值依次减去μ，得到
使用均值平移的转换方式去除不同设备采集时产生的不同的零点电压值，即没有任何信号时的电压电压值。
二、平方：
将x中的所有电压值依次取平方，得到
使用平方的转换方式将电压值统一为大于0的电压值，对x平方进行分析的模型会重点关注心电信号的幅度。
三、截断：
将x中的所有电压值，小于m低的值取为m低，大于m高的值取为m高，m低和m高是两个超参数，根据所获取的实际数据人为确定。
使用截断的转换方式消除采集过程中过大异常值和过小异常值对心电信号分析模型造成的影响。
四、白化：
将x中的所有电压值归一化为均值等于0、方差等于1的正态分布,
使用白化的转换方式将电压值归一化，将原始电压值转化为电压值的分布情况，对x白化进行分析的模型会重点关注心电信号的电压值分布情况，而不是原始电压值。
五、累积求和：
将x中的所有电压值按时间顺序依次累计求和,
使用累积求和的转换方式将电压值的历史信息累加，分析任何时刻的电压值都可以引入该时间点之前的电压值信息。
六、n阶差分：
将x中的所有相邻电压值求差值，n阶差分的结果基于n-1阶差分计算，0阶差分即为原始心电信号,xn阶差分[i]＝xn-1阶差分[i]-xn-1阶差分[i-1]，其中x0阶差分＝x。
n阶差分的转换方式提取了心电信号的电压值变化信息，对xn阶差分进行分析的模型会重点关注心电信号的电压值的变化值，而不是原始电压值。
七、n阶滑动平均:
将x中的相邻n个电压值求平均,
n阶滑动平均的转换方式提取了心电信号的一段时间内(n个采样点)的电压值总体信息，对xn阶滑动平均进行分析的模型会重点关注心电信号的电压值一段时间内的总体信息，而不是每个孤立采样点的电压值。
八、滤波：
将x输入到带通滤波器，带通滤波器设置最低频率f低和最高频率f高，带通滤波器的输出只会保留f低至f高之间的信号成分，f低和f高是两个超参数，可以根据所获取的实际数据人为确定。
滤波的转换方式提取了心电信号的在某个频带范围内的成分信号，对成分信号分别进行分析，使得基于时域的心电信号分析模型具有频域分析的能力。
将上述多视角转换的数据合并成多个通道的心电信号数据，长度不变；最终的分析模型建立在多视角转换后的增强心电信号数据上，所述方法不依赖与心电信号分析的具体模型，故可以采用任何一种心电信号分析模型，在增强后的心电信号上进行进一步的分析，均具有一定的提升效果。
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。