一种基于谱空间表示学习的ECG波形聚类方法及系统与流程

本发明属于心电波形聚类，尤其涉及一种基于谱空间表示学习的ecg波形聚类方法及系统。

背景技术：

1、本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

2、心电图(electrocardiogram,ecg)作为能够直观展现心脏兴奋活动过程的技术，自诞生以来，被广泛应用于心血管等领域的临床健康检查；而为了能够更直观、实时观察监测患者一个生理周期24小时的心脏工作情况，动态心电图技术诞生，经过几十年的发展，其在无创心电辅助诊断技术领域应用非常广泛，成为临床上最为常用的心脏检查和医疗监护工具之一。

3、动态心电图通常采集时间为24小时，这使得心电图数据一般会包括8万左右数量的心搏，对于如此大规模的心电数据，医生必须依赖可靠的心电分析软件对患者心电图进行分析诊断。

4、在动态心电分析中，波形数据的叠加处理分析是必不可缺的，多家心电方面的厂商将心电分析的叠加处理分析部分称为模板分析，即将叠加相似度高的心搏归为一个模板(类别)。叠加相似度使用交并比(iou)衡量更为准确，而在通过对两两相似度进行聚类的方法中，谱聚类是一个较直观有效的方法；若使用谱聚类方法，动态心电图通常包括8万左右的心搏，需要处理维度约为(8万×8万)的矩阵，因此，现有动态心电实际应用分析过程存在数据量庞大、计算复杂度高的问题。

5、还存在一种基于深度学习的波形聚类方法，采用深度学习提取特征，同样因为数据量庞大，存在特征丢失及重复问题，而且提取特征后，还需要大量的初级特征处理操作，所以特征后续处理繁琐，因此整体效率不高。

技术实现思路

1、为克服上述现有技术的不足，本发明提供了一种基于谱空间表示学习的ecg波形聚类方法及系统，利用神经网络学习谱空间中心搏的相对特征，对波形进行聚类，注重特征表达质量方面的提升，避免传统波形聚类方法直接提取特征后续特征处理的繁琐问题，解决动态心电实际应用分析过程中的数据量庞大、计算复杂度高的问题。

2、为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：

3、本发明第一方面提供了一种基于谱空间表示学习的ecg波形聚类方法；

4、一种基于谱空间表示学习的ecg波形聚类方法，包括：

5、获取多导联心电图数据，构建由多导联心电图数据及心搏的分导联谱空间相对特征组成的训练数据集；

6、基于训练数据集，以多导联心电图数据为输入、心搏的分导联绝对特征为输出，对构建的特征提取模型进行训练，学习谱空间表示，其中，基于心搏的分导联谱空间相对特征与分导联绝对特征的欧式距离构建损失函数，对特征提取模型的训练进行约束；

7、将待聚类的多导联心电图数据输入到训练好的特征提取模型中，得到心搏的分导联绝对特征；

8、对得到的心搏的分导联绝对特征进行聚类，得到心搏的聚类结果。

9、进一步的，所述训练数据集的构建步骤为：

10、对多导联心电图数据中的心搏位置进行人工识别，按照时间顺序排列识别出来的心搏位置，构建心搏位置数据集合；

11、基于心搏位置数据集合，对每个导联的心搏两两做iou计算，构建每个导联的邻接矩阵；

12、根据每个导联的邻接矩阵，计算心搏的分导联谱空间相对特征；

13、多导联心电图数据与最终计算得到的心搏的分导联谱空间相对特征，组成训练数据集。

14、进一步的，所述对每个导联的心搏两两做iou计算，具体为：

15、对每个导联上的任意两个心搏数据进行补位操作；

16、通过计算补位后的两个心搏数据之间的iou值，构建每个导联的连接矩阵，iou值的具体计算方式为：

17、

18、

19、

20、其中，pre、pos表示两个心搏数据，pre_beat、pos_beat分别表示补位后的两个心搏数据，pre_up、pos_up分别表示pre_beat、pos_beat小于零的部分置为0的波形，pre_down、pos_down分别表示pre_beat、

21、pos_beat大于零的部分置为0的波形。

22、进一步的，所述计算心搏的分导联谱空间相对特征，具体为：

23、根据每个导联的邻接矩阵，计算度矩阵，由邻接矩阵矩阵和度矩阵，计算得到拉普拉斯矩阵；

24、对拉普拉斯矩阵进行标准化，并对标准化后的拉普拉斯矩阵特征分解,得到多个特征值及对应的初级特征向量；

25、将多个特征值进行升序排列，并根据特征值的顺序对特征向量进行排序，利用二阶差分方法寻找升序排列的拐点对应的初级特征值，记拐点对应的初级特征值在特征值升序排列中的序号为k；

26、取排序后的前k个特征向量，作为心搏的相对特征，即得到当前导联中心搏的分导联谱空间相对特征。

27、进一步的，所述分导联绝对特征的计算方式为：

28、通过卷积神经网络提取多导联心电图数据中的初级特征；

29、依据导联及心搏位置，得到每个导联上每个心搏对应的初级特征；

30、将每个导联上的心搏特征取平均值，得到每个导联上的心搏绝对特征，构成心搏的分导联绝对特征。

31、进一步的，所述基于心搏的分导联谱空间相对特征与分导联绝对特征的欧式距离构建损失函数，具体为：

32、计算分导联谱空间相对特征的欧式距离矩阵和分导联绝对特征的欧式距离矩阵

33、

34、

35、其中，ere,g表示第g个导联的心搏谱空间相对特征，ere,g(i)为ere,g的第i行数据，[ere,g(i)]1为ere,g的第i行第l列的数据，eab,g表示第g个导联的心搏绝对特征，k、e_s分别为心搏谱空间相对特征和心搏绝对特征的维数；

36、所述损失函数，两个欧式距离矩阵做均方误差mse，具体为：

37、

38、其中，a1g、a2g均为(n,n)维矩阵。

39、进一步的，所述特征提取模型的损失函数，还包括重合心搏的均方误差mse，具体为：

40、将多导联心电图数据切割两次，得到两个多导联子心电图数据，保证切割后的两个多导联子心电图数据有重合心搏；

41、利用特征提取模型，从两个多导联子心电图数据中分别得到各自的心搏的分导联绝对特征；

42、基于有重合心搏的两个多导联子心电图数据的分导联绝对特征，计算每个重合心搏的均方误差mse，具体为：

43、

44、其中，c1g、c2g表示两个多导联子心电图数据第g个导联的对应重合心搏的谱空间相对特征。

45、本发明第二方面提供了一种基于谱空间表示学习的ecg波形聚类系统。

46、一种基于谱空间表示学习的ecg波形聚类系统，包括数据构建模块、模型构建模块、特征提取模块和心搏聚类模块：

47、数据构建模块，被配置为：获取多导联心电图数据，构建由多导联心电图数据及心搏的分导联谱空间相对特征组成的训练数据集；

48、模型构建模块，被配置为：基于训练数据集，以多导联心电图数据为输入、心搏的分导联绝对特征为输出，对构建的特征提取模型进行训练，学习谱空间表示，其中，基于心搏的分导联谱空间相对特征与分导联绝对特征的欧式距离构建损失函数，对特征提取模型的训练进行约束；

49、特征提取模块，被配置为：将待聚类的多导联心电图数据输入到训练好的特征提取模型中，得到心搏的分导联绝对特征；

50、心搏聚类模块，被配置为：对得到的心搏的分导联绝对特征进行聚类，得到心搏的聚类结果。

51、本发明第三方面提供了计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本发明第一方面所述的一种基于谱空间表示学习的ecg波形聚类方法中的步骤。

52、本发明第四方面提供了电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本发明第一方面所述的一种基于谱空间表示学习的ecg波形聚类方法中的步骤。

53、以上一个或多个技术方案存在以下有益效果：

54、本发明提供一种基于谱空间表示学习的ecg波形聚类方法，通过神经网络及谱空间表示学习，对波形进行聚类，具体应用以12导联心电图中的心搏聚类；首先得到谱空间中心搏的相对特征，其次经过特征提取模型得到心搏的模型输出绝对特征，模型输出的绝对特征学习谱空间相对特征的相对性并以切割数据的重合心搏表达作mse的方法保证模型输出心搏表达的绝对性；与传统的波形聚类方法不同的是本发明更注重于特征表达质量方面的提升，避免了传统波形聚类方法直接提取特征后续特征处理的繁琐问题，解决了动态心电实际应用分析过程中的数据量庞大、计算复杂度高的问题。

55、本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。