本發(fā)明屬于攝影測量，特別是涉及一種基于攝影測量的心電圖定位比對方法。

背景技術(shù)：

1、攝影測量技術(shù)是一種利用攝影方法進(jìn)行精確測量的技術(shù)，廣泛應(yīng)用于地理信息系統(tǒng)、建筑學(xué)、工程學(xué)、制造業(yè)以及醫(yī)學(xué)等領(lǐng)域。依賴于拍攝對象的圖像，并通過分析這些圖像來獲取有關(guān)對象的精確三維數(shù)據(jù)。在醫(yī)學(xué)領(lǐng)域，特別是心電圖的分析和處理中，攝影測量技術(shù)可以幫助更準(zhǔn)確地識別和分析心臟活動的圖形表示。

2、其中，基于攝影測量的心電圖像定位比對方法是一種結(jié)合了攝影測量技術(shù)的心電圖分析方法。其目的是利用圖像處理技術(shù)提高心電圖數(shù)據(jù)的準(zhǔn)確性和可讀性。通過精確的圖像捕獲和分析，能夠更準(zhǔn)確地定位心電圖上的特定特征和波形，如p波、qrs復(fù)合波和t波，對于確保心電圖解讀的準(zhǔn)確性至關(guān)重要，尤其是在診斷心臟疾病、評估心臟功能或進(jìn)行心臟研究時。

3、傳統(tǒng)心電圖方法在精度和效率方面存在局限性，通常依賴較為基礎(chǔ)的圖像處理技術(shù)，難以捕捉心電波形的微小變化和細(xì)節(jié)，導(dǎo)致對某些重要心電特征的忽視，影響診斷的準(zhǔn)確性。缺乏高級的圖像校正技術(shù)，心電圖像易受到畸變和噪聲的影響，減弱波形的可讀性和分析的準(zhǔn)確性。傳統(tǒng)方法在處理大量數(shù)據(jù)時效率較低，導(dǎo)致診斷和治療過程的延遲，在處理復(fù)雜或模糊的心電圖像時尤為突出，對醫(yī)生的判斷造成挑戰(zhàn)，有時甚至可能導(dǎo)致診斷錯誤或延誤。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的在于提供一種基于攝影測量的心電圖定位比對方法，通過對待分析心電圖hog特征與異常心電圖中畸變特征進(jìn)行匹配，對待分析的心電圖進(jìn)行異常點位定位，計算出異常點位的概率密度，解決了現(xiàn)有的心電圖處理方法處理大量數(shù)據(jù)時效率低、處理復(fù)雜或模糊的心電圖像時容易導(dǎo)致診斷錯誤或延誤的問題。

2、為解決上述技術(shù)問題，本發(fā)明是通過以下技術(shù)方案實現(xiàn)的：

3、本發(fā)明為一種基于攝影測量的心電圖定位比對方法，包括如下步驟：

4、步驟s1：獲取監(jiān)測完成的心電圖，對心電圖進(jìn)行預(yù)處理；

5、步驟s2：對預(yù)處理后的心電圖進(jìn)行hog特征提??；

6、步驟s3：獲取大量異常心電圖，對異常心電圖中畸變特征進(jìn)行提取；

7、步驟s4：通過分析心電波形的峰值和波谷，計算波形的幅度大小和周期長度；

8、步驟s5：將待分析的心電圖hog特征與異常心電圖中畸變特征進(jìn)行匹配；

9、步驟s6：對心電圖中異常的點位進(jìn)行定位，并計算該異常點位的概率密度；

10、步驟s7：根據(jù)心電圖異常點位的概率密度匹配對應(yīng)的異常病癥，輔助醫(yī)生診斷。

11、作為一種優(yōu)選的技術(shù)方案，所述步驟s1中，心電圖的預(yù)處理操作包括：

12、步驟s11、縮小圖片：采用opencv中的resize方法降低心電圖的分辨率，將1600*1200分辨率的圖片率通過opencv中的resize方法降低為800*600分辨率；

13、步驟s12、裁剪：獲取心電圖的輪廓后求其外接矩形，按照外接矩形的四個坐標(biāo)點裁剪成新的樣本圖片，去除圖片中無關(guān)的像素；

14、步驟s13、去背景、去邊沿：對圖片像素點進(jìn)行位與和位或操作來去背景；

15、步驟s14、再縮放：將裁剪后的圖片尺寸進(jìn)行縮放統(tǒng)一尺寸，由于裁剪后的圖片尺寸不一，統(tǒng)一尺寸便于提取相同維度特征，來講樣本統(tǒng)一調(diào)整為224*224分辨率。

16、作為一種優(yōu)選的技術(shù)方案，所述步驟s2中，hog特征提取具體步驟如下：

17、步驟s21：將預(yù)處理后的心電圖圖像進(jìn)行灰度化處理；

18、步驟s22：灰度化處理后的圖片進(jìn)行歸一化處理；

19、步驟s23：計算每個圖像的梯度，將圖像劃分成8*8像素格子；

20、步驟s24：統(tǒng)計每個格子的梯度直方圖；

21、步驟s25：將每個格子的特征描述符串聯(lián)起來得到該區(qū)域的hog特征描述符；

22、步驟s26：將整個圖像內(nèi)的所有hog特征描述符串聯(lián)起來，得到整個圖像的特征向量。

23、特征提取后，通過機(jī)器學(xué)習(xí)的方法實現(xiàn)特征的分類。本文提出使用支持向量機(jī)（svm）方法實現(xiàn)分類。svm具有良好的魯棒性，對未知數(shù)據(jù)擁有很強(qiáng)的泛化能力。本實驗使用機(jī)器學(xué)習(xí)代碼庫sklearn庫中的svm分類器實現(xiàn)缺陷的分類，同時使用網(wǎng)格搜索方法實現(xiàn)最佳超參數(shù)c和gamma組合的選擇。使用支持向量機(jī)分類算法對提取的特征進(jìn)行分類，通過核函數(shù)進(jìn)行數(shù)據(jù)映射，捕獲最優(yōu)的分割超平面，區(qū)分符合和不符合標(biāo)準(zhǔn)心電信號特征的數(shù)據(jù)點，進(jìn)行分類并評估心電圖機(jī)的性能，生成特征符合性分類結(jié)果；

24、svm是一種強(qiáng)大的機(jī)器學(xué)習(xí)算法，通過選擇合適的核函數(shù)將數(shù)據(jù)映射到高維空間，在該空間中尋找最優(yōu)的分割超平面來區(qū)分不同類別的數(shù)據(jù)點。在這一步驟中，svm用于區(qū)分符合和不符合標(biāo)準(zhǔn)心電信號特征的數(shù)據(jù)點，對心電圖機(jī)性能進(jìn)行分類評估。這種分類結(jié)果提供了心電圖機(jī)性能的直觀表示，能夠清晰地區(qū)分心電圖機(jī)在重現(xiàn)標(biāo)準(zhǔn)心電信號方面的優(yōu)劣。

25、并基于特征符合性分類結(jié)果，采用決策樹算法綜合評價心電圖機(jī)的性能，通過構(gòu)建一個樹形結(jié)構(gòu)模型，每個分支代表一種決策路徑，每個節(jié)點代表一個特征判斷條件，評估特征的影響，判斷心電圖機(jī)是否準(zhǔn)確還原標(biāo)準(zhǔn)信號的特征，生成心電圖機(jī)性能評價指標(biāo)。例如，根據(jù)特征符合性分類結(jié)果，決策樹算法可以判斷波形的幅度、周期、形狀等特征是否符合預(yù)設(shè)的標(biāo)準(zhǔn)心電信號特征。決策樹模型的輸出是心電圖機(jī)性能的綜合評價指標(biāo)，這些指標(biāo)綜合考慮了心電圖機(jī)在還原標(biāo)準(zhǔn)心電信號方面的各項性能，包括精確性、一致性和可靠性。生成的心電圖機(jī)性能評價指標(biāo)為心電圖儀的檢定和性能評估提供了全面的參考依據(jù)，有助于確定心電圖儀的性能水平和改進(jìn)方向。

26、作為一種優(yōu)選的技術(shù)方案，所述步驟s4中，獲取心電波形上任意一波峰點為和任意一波谷點為；則波峰與波谷之間的歐式距離計算公式為：

27、；

28、則任意一波峰點為和任意一波谷點為之間的曼哈頓距離為：

29、。

30、作為一種優(yōu)選的技術(shù)方案，所述步驟s5中，待分析的心電圖hog特征與異常心電圖中畸變特征進(jìn)行匹配流程如下：

31、步驟s51：在待分析的心電圖hog特征異常心電圖中畸變特征中，挑選出最佳匹配子塊；

32、步驟s52：提取畸變特征作為最佳匹配點，分別記為a和b，利用暴力匹配求出初始匹配對；

33、步驟s53：第一次過濾，采用光流跟蹤找出匹配對齊和特征丟失，求出特征的光流位移；

34、步驟s54：第二次過濾，采用ransac算法來過濾冗余的匹配對。

35、作為一種優(yōu)選的技術(shù)方案，所述步驟s54中，通過步驟s53中得到第一次過濾的匹配對，計算分析的心電圖和異常心電圖之間的單應(yīng)矩陣，利用仿射變化求出圖像在待匹配圖像的投影像素坐標(biāo)，則與之間重投影誤差為，具體計算公式為：

36、；

37、所述重投影誤差與預(yù)設(shè)的閾值進(jìn)行比較，若，則表明圖像匹配點為異常心電圖內(nèi)的點，否則為異常心電圖外的點。

38、作為一種優(yōu)選的技術(shù)方案，所述步驟s6中，異常點位的概率密度函數(shù)為：

39、；

40、式中，為誤差估計，為概率加權(quán)值，為高斯分布方差，w為均勻分布窗口寬度。

41、作為一種優(yōu)選的技術(shù)方案，所述異常點位有多個，其代價函數(shù)為：

42、<mstyle displaystyle="true" mathcolor="#000000"><mi>c</mi><mi>=?</mi><mstyle displaystyle="true"><munderover><mo>∑</mo><mrow><mi>i</mi><mi>=</mi><mn>1</mn></mrow><mi>n</mi></munderover><mrow><mi>log</mi><mrow><mo>[</mo><mrow><mi>a</mi><mi>(</mi><mfrac><mn>1</mn><msqrt><mn>2</mn><msup><mi>πσ</mi><mn>2</mn></msup></msqrt></mfrac><mi>)exp(</mi><mi>?</mi><mfrac><msub><mi>e</mi><mi>i</mi></msub><mrow><mn>2</mn><msup><mi>σ</mi><mn>2</mn></msup></mrow></mfrac><mi>)</mi><mo>+</mo><mi>(</mi><mn>1</mn><mi>?</mi><mi>a</mi><mi>)</mi><mfrac><mn>1</mn><mi>w</mi></mfrac></mrow><mo>]</mo></mrow></mrow></mstyle></mstyle>。

43、作為一種優(yōu)選的技術(shù)方案，所述步驟s7中，決策樹算法綜合評價心電圖機(jī)的性能，通過構(gòu)建一個樹形結(jié)構(gòu)模型，每個分支代表一種決策路徑，每個節(jié)點代表一個特征判斷條件，評估特征的影響，判斷心電圖機(jī)是否準(zhǔn)確還原標(biāo)準(zhǔn)信號的特征，生成心電圖機(jī)性能評價指標(biāo)。

44、本發(fā)明具有以下有益效果：

45、本發(fā)明通過對待分析心電圖hog特征與異常心電圖中畸變特征進(jìn)行匹配，對待分析的心電圖進(jìn)行異常點位定位，計算出異常點位的概率密度，提高心電圖處理效率，輔助醫(yī)生進(jìn)行診斷。

46、當(dāng)然，實施本發(fā)明的任一產(chǎn)品并不一定需要同時達(dá)到以上所述的所有優(yōu)點。