技术特征：
1.一种非线性支持向量机多特征量化及模型参数寻优重构心源性猝死风险因子的系统，其特征在于，包括：预处理模块，用于对心源性猝死心电信号数据集和正常窦性心律心电信号数据集进行数据预处理；波形检测模块，用于对预处理完成的心电数据集进行心电波形检测，获取用于猝死风险因子提取的心电波形；初始特征获取模块，用于根据心电波形对需要确认的心源性猝死风险因子进行提取，得到心电初始特征；特征集合构建模块，用于对心电初始特征进行处理获得训练集；特征寻优模块，用于根据所述训练集通过制定的心源性猝死风险因子和优化后的模型参数得到对心源性猝死的预测模型，并通过模型反馈验证重组心源性猝死风险因子；将非线性支持向量机作为心源性猝死风险因子的验证模型，基于高斯核函数，进行模型参数寻优，确定误差惩罚参数c和核参数。2.根据权利要求1所述的非线性支持向量机多特征量化及模型参数寻优重构心源性猝死风险因子的系统，其特征在于：所述预处理模块包括：数据切割子模块、频段分解子模块、噪声滤除子模块和信号重构子模块。3.根据权利要求1所述的非线性支持向量机多特征量化及模型参数寻优重构心源性猝死风险因子的系统，其特征在于：所述波形检测模块检测qrs波群，并比较基于rr间期的检索区间内，固定大小的滑动窗口下的波形积分面积大小，检测t波末端和t波波峰。4.根据权利要求1所述的非线性支持向量机多特征量化及模型参数寻优重构心源性猝死风险因子的系统，其特征在于：所述初始特征获取模块对包括：心电信号序列rr间期、qrs时限、qtc间期、t波峰末间期、tp-te/qt指标、t波幅值及心律变异性的潜在因子进行提取。5.根据权利要求1所述的非线性支持向量机多特征量化及模型参数寻优重构心源性猝死风险因子的系统，其特征在于：所述特征集合构建模块计算初始特征的平均值、标准差和近似熵，用于构建训练集。6.根据权利要求5所述的非线性支持向量机多特征量化及模型参数寻优重构心源性猝死风险因子的系统，其特征在于：在所述特征集合构建模块中，在构建训练集之后还包括对初始特征进行特征缩放处理的操作：先确定特征间量纲的差异，之后选用最小最大值缩放或标准缩放处理各个特征，得到处于同一量纲数据差异较小的特征值。7.根据权利要求1所述的非线性支持向量机多特征量化及模型参数寻优重构心源性猝死风险因子的系统，其特征在于：所述特征寻优模块利用改进的网格搜索法和量子粒子群优化算法分别作为参数寻优算法，比较两个参数寻优算法对心源性猝死预测模型性能的影响，确定误差惩罚参数c和核参数；以灵敏度se、特异度sp、阳性预测率ppv、准确度acc作为模型评价的指标。8.根据权利要求1所述的非线性支持向量机多特征量化及模型参数寻优重构心源性猝死风险因子的系统，其特征在于：将心源性猝死发生前20~30min、30~40min、40~50min以及60~70min的心电数据分类作为心源性猝死心电信号数据集；所述特征寻优模块分别输出四个模型分别对应四个时间段。
9.一种非线性支持向量机多特征量化及模型参数寻优重构心源性猝死风险因子的方法，其特征在于，包括以下步骤：步骤s1：对心源性猝死心电信号数据集和正常窦性心律心电信号数据集进行数据预处理；步骤s2：对步骤s1中处理好的心电数据集进行心电波形检测，获取用于猝死风险因子提取的心电波形；基于构建自适应阈值的r波波峰检测方法和多决策规则的qrs波群检测算法检测qrs波群，并比较基于rr间期的检索区间内，固定大小的滑动窗口下的波形积分面积大小，检测t波末端和t波波峰；步骤s3：对需要确认的心源性猝死风险因子进行提取，得到心电初始特征，并对这些初始特征各自的平均值、标准差和近似熵，构建适合模型训练的特征集合；步骤s4：对步骤s3中提取的初始特征进行特征缩放处理；步骤s5：将非线性支持向量机作为心源性猝死风险因子的验证模型，基于高斯核函数，进行模型参数寻优，确定误差惩罚参数c和核参数；步骤s6：通过制定的心源性猝死风险因子和优化后的模型参数得到对心源性猝死的预测模型，并通过模型反馈验证重组心源性猝死风险因子。10.根据权利要求9所述的非线性支持向量机多特征量化及模型参数寻优重构心源性猝死风险因子的方法，其特征在于：步骤s1具体为：步骤s11：将心源性猝死心电数据按照心脏骤停事件发生前20min~30min、30min~40min、40min~50min、60min~70min四个时间段进行分类，再将每个时间段的心源性猝死信号切割成1min时间长度的数据；步骤s12：对于正常窦性心律数据，每笔记录随机取10min的长度，并将其切割成若干个1min的长度；步骤s13：用离散小波变换及mallat算法对心电信号进行处理，得到多层不同频段的心电分解信号；步骤s14：用阈值及阈值函数对分解信号进行阈值处理，滤除心电噪声信号；步骤s15：将滤除噪声的多层分解信号进行重构得到滤波后的心电信号；步骤s2具体为：步骤s21：将滤波后的心电信号通过一个低通滤波器和高通滤波器，两个滤波器构成一个带通滤波器；步骤s22：对每个样本点逐点求导并取绝对值，放大r波的斜率信息，最后对信号进行窗口积分；步骤s23：对经过r波检测规则确定的r波进行校正，基于rr间期确定q波波峰和s波波峰的位置；步骤s24：使用固定长度的滑动窗口对t波末端检索区间内的波形进行积分，比较积分结果确定t波末端，再根据t波末端向前检索确定t波峰值位置；在步骤s4中，确定特征间量纲的差异，选用最小最大值缩放或标准缩放处理各个特征，得到处于同一量纲数据差异较小的特征值；步骤s5具体为：
步骤s51：根据四个时间段对应的四个数据集都按照一定的比例分为训练集和测试集，将训练集送入支持向量机；步骤s52：利用改进的网格搜索法和量子粒子群优化算法作为参数寻优算法，比较两个参数寻优算法对心源性猝死预测模型性能的影响，确定误差惩罚参数c和核参数；在步骤s6中，输出四个模型分别对应四个时间段，并以灵敏度se、特异度sp、阳性预测率ppv、准确度acc作为模型评价的指标。
技术总结
本发明提出一种非线性支持向量机多特征量化及模型参数寻优重构心源性猝死风险因子的系统及方法，包括对心源性猝死心电信号数据集和正常窦性心律心电信号数据集进行数据预处理；对处理好的心电数据集进行心电波形检测；对心源性猝死风险因子进行提取；对提取的初始特征进行特征量化缩放处理；利用非线性支持向量机作为心源性猝死风险因子的验证模型，通过模型参数寻优，确定误差惩罚参数C和核参数γ；通过制定的心源性猝死风险因子和优化后的模型参数得到心源性猝死的预测模型；达到重构、验证心源性猝死风险因子的效果，对研究心源性猝死具有很好的指导意义。源性猝死具有很好的指导意义。源性猝死具有很好的指导意义。
技术研发人员：王量弘 邹玉熠 余燕婷 谢朝鑫 丁林娟 杨涛
受保护的技术使用者：福州大学
技术研发日：2021.10.26
技术公布日：2022/1/28