一种基于动态模式识别的心电信号ST‑T段识别方法与流程

技术特征：

1.一种基于动态模式识别的心电信号ST-T段识别方法，其特征在于，包含如下步骤：

步骤一、用户端信号采集：

(1)心电ECG信号预处理：利用用户端的穿戴式心电数据采集设备获取心电图ECG信号的数值数据，用中值滤波器进行基线漂移矫正，再用小波变换滤除50Hz工频干扰和肌电干扰；

(2)心电信号质量评估：取肢体导联I为代表，检测每个周期内幅值最大的R波，以此计算心率，心率严重不齐的数据为质量评估不合格，在用户终端给予个人用户提示，请求重新采集数据；

(3)截取ST-T段数据预设训练集：对质量评估合格的数据，取肢体导联I、胸导联V2和V5作为预设训练导联，并截取出ST-T段在空间中进行归一化处理，处理后的数据作为训练集数据。

步骤二、将训练集数据通过网络发送至云服务器进行大规模快速计算：

(1)通过动态模式识别方法对数据内在系统动态进行训练并建立模式库，利用RBF神经网络实现对各训练集ST-T段数据内在系统动态的局部准确建模，所训练所得的动态知识以常值神经网络权值的形式进行存储，并由此建立模式库；

(2)利用训练所得的常值神经网络构建动态估计器：模式库中每个模式数据的动态特征都已经以常值神经网络权值的形式存储，这些权值重新构建新的常值神经网络，并嵌入动态估计器中，每个模式对应了一个动态估计器；

(3)比较测试数据与模式库内各模式之间的内在系统动态差异，由最小残差原理实现对测试模式的准确识别：将被测的未知心电数据经过步骤一的(1)(2)(3)步处理后与模式库中已有模式进行动力学上的相似度计算性对比，生成一组对应的计算识别残差，残差值最小说明测试模式与此残差对应的估计器所代表的模式匹配；

(4)选取20％的最小残差进行识别结果修正：根据统计原理，选取模式数量20％的最小残差，将其对应的病症模式与测试数据进行动力学对比分析，排除动力学上明显不同的情况，修正识别结果，并且当测试数据无法与模式库内已有模式匹配时，将此数据作为新的病症模式加入模式库，完善数据库记录。

步骤三、将识别结果发送至云终端和用户端，云终端供医疗数据存档以备专业医师查看和进一步诊断，用户端提供给个人用户心电识别结果。

2.根据权利要求1所述的一种基于动态模式识别的心电信号ST-T段识别方法，其特征在于，步骤一中(1)所述用户端的穿戴式心电数据采集设备是指常规的采用Frank体表心电测量体系进行心电数据采集的设备，所采集的心电数据可以包含全面12导联：Ⅰ、Ⅱ、Ⅲ、aVR、aVL、aVF、V1、V2、V3、V4、V5、V6，也可以是八导联ECG和三导联，但是都必须以胸导联为主。采集到的生理信号数据不同于临床中专业医师直接识别的心电图图纸，是可以用于复杂计算的数据格式。

3.根据权利要求1所述的一种基于动态模式识别的心电信号ST-T段识别方法，其特征在于，步骤一中(2)所述心电信号质量评估是指针对不适合动态模式识别方法的严重心率不齐数据进行判别，提示个人用户重新采集质量合格的信号。心率严重不齐的数据为质量评估不合格是指动态模式识别对周期、类周期和准周期数据适用。

4.根据权利要求1所述的一种基于动态模式识别的心电信号ST-T段识别方法，其特征在于，步骤一中(3)所述的取肢体导联I、胸导联V2和V5作为预设训练导联具体为：胸导联V2和V5负责心脏前壁和后侧壁的监测，是动态模式识别诊断依据的来源，另外配备肢体导联I为同监测体系数据的辅助。

5.根据权利要求1所述的一种基于动态模式识别的心电信号ST-T段识别方法，其特征在于，步骤一中(3)所述归一化是指对截取到的ST-T段数据进行单位球内的归一化，具体操作是：肢体导联I、胸导联V2和V5的三维ST-T段数据可以用X＝[x_X,x_Y,x_Z]^T∈R³表示，其范数为计算最大范数||X||_max，将ST-T段所有数据点坐标除以该范数，获得新的数据点位置，即实现归一化，归一化后的数据仍然用矩阵X＝[x_X,x_Y,x_Z]^T∈R³的方式表达。

6.根据权利要求1所述的一种基于动态模式识别的心电信号ST-T段识别方法，其特征在于，步骤二中(1)所述动态模式识别选用的是确定训练理论中对非线性系统局部准确神经网络逼近的系统辨识方法：沿着任何周期或回归轨迹的由径向基函数构成的子向量可以满足部分持续激励条件，使在由非线性系统产生的周期或回归轨迹的局部区域内实现对非线性系统动态的准确神经网络逼近，即实现非线性系统的局部准确神经网络辨识。

7.根据权利要求1所述的一种基于动态模式识别的心电信号ST-T段识别方法，其特征在于，步骤二中(1)所述训练是指动态知识获得的过程，动态神经网络辨识器的形式如下：

$\widehat{x_i}(k+1)=a_i\left({\hat{x}}_i\right(k)-x_i(k\left)\right)+{{\hat{W}}_i}^T(k+1)S\left(X\right(k\left)\right),i=X,Y,Z$

其中，a_i是设计常数，满足0＜|a_i|＜1；为神经网络辨识器的状态；x_i(k)为所训练的模式数据的第i维数据，本发明中i＝X,Y,Z，具体分别是指肢体导联I、胸导联V2和V5的ST-T段数据；为状态误差；X(k)＝[x_X(k),x_Y(k),x_Z(k)]^T∈R³在训练阶段是k时刻的训练数据；是动态RBF神经网络，是用来近似训练数据内在动态；S(X(k))＝[s₁(||X(k)-ξ₁||),…,s_N(||X(k)-ξ_N||)]^T是高斯型径向基函数；N＞1是神经网络结点数目；ξ_j(j＝1,…,N)是神经元中心点，RBF神经网络权值的调节律i＝X,Y,Z按确定学习理论的海量时态数据建模方法中给出的形式即可。其中，动态RBF神经网络的权值的初始值常值神经网络权值是指在一段时间内权值收敛至最优值，选取收敛的部分权值取数值平均，获取相应的神经网络常值权值使f_i由常值神经网络进行局部准确逼近，即：

$f_i={\stackrel{\‾}{W}}_i^{T}S\left(X\right(k\left)\right)+{\mathrm{\ϵ}}_{i2},i=X,Y,Z$

其中，ε_i2是逼近误差。

8.根据权利要求1所述的一种基于动态模式识别的心电信号ST-T段识别方法，其特征在于，步骤二中(2)所述权值重新构建新的常值神经网络，并嵌入动态估计器中，每个模式对应了一个动态估计器是指利用训练过程所得的常值神经网络权值构造一组动态估计器，将每个动态估计器的状态分别与测试数据进行比较，并且将它们之间的差值作为残差。此事的残差的组数与模式库内的模式数量一致。动态估计器形式如下：

${\stackrel{\‾}{x}}_i^h(k+1)=b_i\left({\stackrel{\‾}{x}}_i\right(k)-x_i(k\left)\right)+{\stackrel{\‾}{W}}_i^{hH}(k+1)S\left(X\right(k\left)\right),i=X,Y,Z$

其中，b_i是设计常数，满足0＜b_i＜1；为动态估计器的状态；h表示第h个动态估计器，h＝1,…,M，M为模式库中的模式数量；x_i(k)为测试数据的第i维数据；X(k)＝[x_X(k),x_Y(k),x_Z(k)]^T∈R³在识别阶段是k时刻的模式数据；是通过确定学习获得的常数RBF神经网络，当动态估计器对应的病症模式出现时，常数RBF神经网络能快速回忆已经训练到的知识，提供该模式的内部动态信息。动态估计器的状态与测试数据的同时刻数据之间的误差即为残差，此时的残差是多维数据。相似度计算性对比是动态估计器的状态与测试数据的同时刻数据之间的误差求取平均L₁范数：

$\left|\right|{{\widetilde{\mathrm{\χ}}}_i}^k\left(t\right)|{|}_1=\frac{1}{T_c}{\∫}_{t-T_c}^t|{{\widetilde{\mathrm{\χ}}}_i}^k\left(\mathrm{\τ}\right)|d\mathrm{\τ},t\≥T_c,$

其中，T_c表示心动周期。为表述简洁，一般将残差的平均L₁范数直接称为动态模式识别方法的残差。

9.根据权利要求1所述的一种基于动态模式识别的心电信号ST-T段识别方法，其特征在于，步骤二中(4)所述选取20％最小残差是本发明在多次数据实验中根据结果统计所得经验拟定的比例，其中的最小残差是相对概念，指残差值由小到大排序的最前20％的残差，代表了这一类模式与其他80％的模式相比与测试数据更相似。

10.根据权利要求1所述的一种基于动态模式识别的心电信号ST-T段识别方法，其特征在于，步骤二中(4)所述完善数据库记录是指经过识别之后，也可能出现已有模式库中没有病症模式与被测病症数据相匹配的情况，即最小残差不在小阈值范围，则认为有新的病症模式出现，这时应再次训练此类病症数据，并将其视为新模式加入模式库，以丰富模式库。