基于双域加权宽度学习的心电图分类方法及系统

专利主权项内容

1.一种基于双域加权宽度学习的心电图分类方法，其特征在于，包括以下步骤：获取心电图数据进行预处理，根据预处理后的心电图数据提取输入数据样本，利用双域加权宽度学习建立特征映射，获取特征层特征节点，构建特征空间；基于所述特征层特征节点利用频域特征层映射及增强层映射将输入数据样本对应的特征从两个不同领域进行映射，将时域特征层特征节点、频域特征层特征节点及增强层特征节点按照顺序连接到输出层；根据历史心电图数据构建训练数据集，在所述训练数据集中引入成本敏感因子获取特征节点之间的连接权重及优化函数，输出基于双域加权宽度学习的心电图分类模型，对所述心电图数据进行分类；根据预处理后的心电图数据提取输入数据样本，利用双域加权宽度学习建立特征映射，获取特征层特征节点，构建特征空间具体为：在预处理后心电图数据中提取输入数据样本，其中，/>表示输入数据样本，为初始心电图数据，/>表示总样本数量，/>表示样本特征维度，/>表示分类的数量，/>表示实数；所述双域加权宽度学习包括输入层、时域特征层、频域特征层、增强层和输出层，假设存在个特征窗口，每个窗口包含K个特征节点，宽度学习将输入数据样本映射到/>组随机特征空间中，每组特征空间包含K个特征；获取第组特征节点/>：
；其中，为特征映射函数，/>和/> 分别为随机生成的权重和偏差，在获得后，将所有/>连接起来生成特征层/>，构建特征空间；在所述训练数据集中引入成本敏感因子获取特征节点之间的连接权重及优化函数，具体为：根据含有类型标签的历史心电图数据构建训练数据集，通过训练样本的类型标签将样本分为个类别：/>，其中/>和/>分别表示训练数据中属于类别/>的样本及其类别本身；在数据分割后，创建扩展矩阵 ；其中表示与/>对应的所有频域特征节点组的连接，/>表示与/>对应的所有时域特征层特征节点组的连接，/>表示与/>对应的所有增强层特征节点的连接；基于双域加权宽度学习的优化函数表示如下：
；
表示连接权重矩阵，/>表示第1种类别、第2种类别…第/>种类别的系数，/>表示惩罚系数，/>表示第1类别、第2类别…第/>类别的扩展矩阵；对优化函数中的连接权重矩阵进行导数计算，将导数设置为0，获取连接权重矩阵，
；其中，表示单位矩阵，/>表示矩阵转置，/>表示第i种类别的扩展矩阵，/>表示第i种类别本身，/>表示类别系数。。搜索马 克 数 据 网