欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2022114119557
申请人: 广东省大湾区集成电路与系统应用研究院
专利类型:发明专利
专利状态:已下证
专利领域: 医学或兽医学;卫生学
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种心电信号质量检测方法,其特征在于,包括:

获取待处理的目标心电信号;

对所述目标心电信号进行特征提取,得到对应的目标信号特征;

利用预先构建的信号质量检测模型,基于所述目标信号特征对所述目标心电信号进行质量检测处理,得到所述目标心电信号的信号质量检测结果;

其中,所述信号质量检测模型为:建立用于基于心电信号的多维度特征进行心电信号质量分类的分类模型,并通过对所建模型进行特征选择优化与隐藏神经元数量调整及此基础上的模型训练所得的模型;

在获取待处理的目标心电信号之前,还包括:构建所述信号质量检测模型;

构建所述信号质量检测模型的过程包括:

使用极限学习机,建立用于基于心电信号的多维度特征进行心电信号质量分类的分类模型;

通过使用粒子群优化算法对粒子群中的粒子进行位置移动与最优粒子搜寻,并通过使用鲸鱼优化算法引导粒子群优化算法中的粒子位置,对极限学习机进行特征选择优化和隐藏神经元数量调整;

基于特征选择优化和隐藏神经元数量调整的结果训练分类模型;

其中,粒子群中的每个粒子在搜寻空间中对应的每个位置,代表特征选择和隐藏神经元数量的一种状态;

所述通过使用粒子群优化算法对粒子群中的粒子进行位置移动与最优粒子搜寻,并通过使用鲸鱼优化算法干预最优粒子搜寻与引导粒子群优化算法中的粒子位置,对极限学习机进行特征选择优化和隐藏神经元数量调整,包括:步骤一、初始化预设规模的粒子集合和集合中每个粒子对应的速度;

步骤二、基于心电信号样本的多维度特征,分别对粒子集合中各个粒子在当前位置下对应的分类模型进行训练,并基于训练结果确定在当前位置下各个粒子分别对应的适应度;

步骤三、对于粒子群中的每个粒子,选择搜寻过程中该粒子对应的适用度最佳的位置,得到粒子群的由各适用度最佳的位置的粒子构成的最佳粒子组合,并确定当前位置下粒子群中对应的适应度最佳的第一目标粒子;基于所述最佳粒子组合和所述第一目标粒子确定粒子群中各粒子的下一位置;

步骤四、使用鲸鱼优化算法调整粒子群中各粒子的下一位置;将粒子群中各粒子调整后的下一位置作为新的当前位置,并转至步骤二,以对结合粒子群优化算法和鲸鱼优化算法的处理过程进行迭代,直至满足结束条件时结束迭代过程;

步骤五、确定迭代结束时所得的最佳粒子组合中适应度最佳的第二目标粒子,将所述第二目标粒子代表的特征选择结果和隐藏神经元数量,作为特征选择优化和隐藏神经元数量调整的结果。

2.根据权利要求1所述的方法,其特征在于,所述使用极限学习机,建立用于基于心电信号的多维度特征进行心电信号质量分类的分类模型,包括:获取多个用于模型训练的心电信号样本;

提取各个心电信号样本的样本特征,得到心电信号样本的多维度特征;

使用极限学习机,建立对应于心电信号样本的多维度特征的分类模型。

3.根据权利要求2所述的方法,其特征在于,所述获取多个用于模型训练的心电信号样本,包括:对心电图中的原始心电信号进行重采样、分割、滤波和归一化处理,得到多个完成滤波和归一化的心电信号段,作为多个心电信号样本。

4.根据权利要求2所述的方法,其特征在于,所述提取各个心电信号样本的样本特征,得到心电信号样本的多维度特征,包括:提取各个心电信号样本分别对应的多种预设类型的时域特征和多种预设类型的频域特征,得到各个心电信号样本分别对应的多维度特征。

5.根据权利要求1所述的方法,其特征在于,所述基于特征选择优化和隐藏神经元数量调整的结果训练分类模型,包括:基于所述目标粒子代表的特征选择和隐藏神经元数量,通过心电信号样本的多维度特征训练分类模型。

6.一种心电信号质量检测装置,其特征在于,包括:

数据获取单元,用于获取待处理的目标心电信号;

特征提取单元,用于对所述目标心电信号进行特征提取,得到对应的目标信号特征;

质量检测单元,用于利用预先构建的信号质量检测模型,基于所述目标信号特征对所述目标心电信号进行质量检测处理,得到所述目标心电信号的信号质量检测结果;

其中,所述信号质量检测模型为:建立用于基于心电信号的多维度特征进行心电信号质量分类的分类模型,并通过对所建模型进行特征选择优化与隐藏神经元数量调整及此基础上的模型训练所得的模型;

构建所述信号质量检测模型的过程包括:

使用极限学习机,建立用于基于心电信号的多维度特征进行心电信号质量分类的分类模型;

通过使用粒子群优化算法对粒子群中的粒子进行位置移动与最优粒子搜寻,并通过使用鲸鱼优化算法引导粒子群优化算法中的粒子位置,对极限学习机进行特征选择优化和隐藏神经元数量调整;

基于特征选择优化和隐藏神经元数量调整的结果训练分类模型;

其中,粒子群中的每个粒子在搜寻空间中对应的每个位置,代表特征选择和隐藏神经元数量的一种状态;

所述通过使用粒子群优化算法对粒子群中的粒子进行位置移动与最优粒子搜寻,并通过使用鲸鱼优化算法干预最优粒子搜寻与引导粒子群优化算法中的粒子位置,对极限学习机进行特征选择优化和隐藏神经元数量调整,包括:步骤一、初始化预设规模的粒子集合和集合中每个粒子对应的速度;

步骤二、基于心电信号样本的多维度特征,分别对粒子集合中各个粒子在当前位置下对应的分类模型进行训练,并基于训练结果确定在当前位置下各个粒子分别对应的适应度;

步骤三、对于粒子群中的每个粒子,选择搜寻过程中该粒子对应的适用度最佳的位置,得到粒子群的由各适用度最佳的位置的粒子构成的最佳粒子组合,并确定当前位置下粒子群中对应的适应度最佳的第一目标粒子;基于所述最佳粒子组合和所述第一目标粒子确定粒子群中各粒子的下一位置;

步骤四、使用鲸鱼优化算法调整粒子群中各粒子的下一位置;将粒子群中各粒子调整后的下一位置作为新的当前位置,并转至步骤二,以对结合粒子群优化算法和鲸鱼优化算法的处理过程进行迭代,直至满足结束条件时结束迭代过程;

步骤五、确定迭代结束时所得的最佳粒子组合中适应度最佳的第二目标粒子,将所述第二目标粒子代表的特征选择结果和隐藏神经元数量,作为特征选择优化和隐藏神经元数量调整的结果。

7.一种计算机可读介质,其特征在于,其上存储有计算机程序,所述计算机程序包含用于执行如权利要求1-5任一项所述的方法的程序代码。

8.一种计算机程序产品,其特征在于,其包括承载在非暂态计算机可读介质上的计算机程序,所述计算机程序包含用于执行如权利要求1-5任一项所述的方法的程序代码。