CN102988042A - 一种小波变换与支持向量机相融合的窦房结电图识别方法 - Google Patents

Abstract

本发明公开了一种基于小波变换与支持向量机相融合的窦房结电图识别方法，该方法首先对窦房结电图信号进行基于双变量收缩函数的小波滤波处理，然后对去干扰的信号进行4层双密度小波变换，并对第4层的尺度函数x(n)采用自适应斜率方法进行V波峰值定位，在此基础上对A波峰值进行定位并计算A波的时间宽度特征T_A，然后定位P前波起止点，并得到窦房结传导时间T_SACT，再分别计算A波及P前波两个双密度小波系数的交叉熵H_A和H_P，并将上述特征参数T_A，T_SACT，H_A和H_P串联融合，得到融合特征向量F_SNE＝[T_AT_SACTH_AH_P]，最后采用小波支持向量机对特征向量进行分类，从而实现了窦房结功能的识别。

Description

一种小波变换与支持向量机相融合的窦房结电图识别方法

技术领域

本发明具体涉及一种基于双密度小波变换及支持向量机的窦房结电图识别方法，通过该方法可以实现对体表获取的窦房结电图进行信息处理与识别。从而使基于窦房结电图的识别在临床医学的应用得到极大提升，在方法和技术上确保窦房结电图识别的高准确性及高效性。

背景技术

窦房结是由特殊细胞构成的位于人体右心房上的一个特殊的小结节。窦房结可以自动、有节律地产生电流，电流按传导组织的顺序传送到心脏的各个部位，从而引起心肌细胞的收缩和舒张。窦房结电图是一种高分辨率的心电图，可以直接检测到窦房结电位，表征窦房结的电活动，是临床研究心律失常的重要依据。通过窦房结电图可以对窦房结起搏功能及窦房间的传导进行分析，并且能够对常规心电图无法获取的某些微小电位变化起到重要的补充作用。窦房结电图的临床作用包括：(1)了解窦房结的起搏功能。通过P前波诊断窦性心律。(2)精确测量窦房结传导时间。

窦房结电图由P前波、A波、V波、T波及U波组成，A波、V波、T波及U波分别与常规心电图的P波、QRS复合波、T波及U波对应，并且表达的生理意义相同。窦房结电图波形的形态、幅值等参数与被测对象的体质、运动状态以及测试条件有关，因此所获取的窦房结电图具有多样性和复杂性，给临床医生的诊断带来一定的难度。因此准确定位各特征波形，是进行窦房结诊断的重要前提和依据。

发明内容

本发明的目的是提出一种基于双密度小波变换及支持向量机的窦房结电图(SNE)识别方法。该方法首先对窦房结电图信号进行基于双变量收缩函数的小波滤波处理，然后对去干扰的信号进行4层双密度小波变换，并对第4层的尺度函数x(n)采用自适应斜率方法进行V波峰值定位，在此基础上对A波峰值进行定位并计算A波的时间宽度特征T_A，然后定位P前波起止点，并得到窦房结传导时间T_SACT，再分别计算A波及P前波两个双密度小波系数的交叉熵H_A和H_P，并将上述特征参数T_A，T_SACT，H_A和H_P串联融合，得到融合特征向量F_SNE＝[T_AT_SACTH_AH_P]，最后采用小波支持向量机对特征向量进行分类，从而实现了窦房结功能的识别。

本发明为一种基于双密度小波变换及支持向量机的窦房结电图识别方法，包括以下步骤：

S1：首先对获取的窦房结电图(SNE)进行预处理；

S2：对S1中得到的信号进行双密度小波变换分解；

S3：对S2中的尺度函数，进行特征波形A波和P前波的定位及特征参数测量；

S4：对S3中检测到的A波及P前波对应的小波系数进行小波交叉熵计算；

S5：对S3与S4中获得的特征参数及小波交叉熵特征进行特征融合；

S6：对S5中融合后的特征利用小波支持向量机进行分类，并输出评价窦房结功能的诊断结果。

窦房结电信号是微伏级的弱电信号，在体表采集的过程中，会引入基线漂移、工频干扰、肌电干扰等多种噪声的干扰。为了提取准确的窦房结电信号，首先需要对获取的数据进行预处理滤波。

进一步，所述步骤1中对获取的高分辨率窦房结电图预处理，具体包括以下步骤：

S11：对获取的原始窦房结信号进行4层bior5.5小波变换，得到小波系数W_j，j＝1∶4；

S12：定义以第k个小波系数为中心的信号子段N(k)，利用N(k)区间中的小波系数估计此区域的信号方差

S12：利用鲁棒中值估计器y_i∈W_j，估计N(k)噪声方差；

S13：由物理模型σ_y ²＝σ_X ²+σ_n ²，利用和

计算原始信号方差估计值

M为是信号N(k)的长度；

S14：利用 ${\hat{X}}_1=\frac{\max (\sqrt{Y_1^2+Y_2^2}-\frac{3{\mathrm{\σ}}_n^2}{{\mathrm{\σ}}_X},0)}{\sqrt{Y_1^2+Y_2^2}}\·Y_1,$ 求出去噪后小波系数的估计值；

S15：对处理后的小波系数进行重构，从而得到去除干扰的SNE信号。

进一步，所述步骤2，对S1中得到的信号进行双密度小波变换，具体实现步骤为：

S21：双密度小波变换由一个尺度函数φ(t)和两个小波函数ψ₁(t)、ψ₂(t)构成，两个小波函数之间有0.5个单位的偏移，并且在变换过程中采用过采样。双密度小波降低了平移敏感性，有近似的平移不变性。双密度小波变换尺度和小波方程为：

$\mathrm{\φ}\left(t\right)=\sqrt{2}\underset{n}{\mathrm{\Σ}}{h}_0\left(n\right)\mathrm{\φ}(2t-n),$ ${\mathrm{\ψ}}_i\left(t\right)=\sqrt{2}\underset{n}{\mathrm{\Σ}}{h}_i\left(n\right)\mathrm{\φ}(2t-n),(i=\mathrm{1,2}),$ ψ₂(t)≈ψ₁(t-0.5)    (1)

S22：将去除干扰后的窦房结电信号通过三通道滤波器系统h₀(n)，h₁(n)和h₂(n)进行4层分解，得到小波系数ψ_i(i＝1，2)。h₀(n)为低通滤波器，h₁(n)和h₂(n)为高通滤波器；

S23：取4层分解后得到的尺度函数x(n)，检测窦房结信号的特征波形。

进一步，所述步骤3，利用S2中得到重构信号进行特征波形的定位及参数测量，具体实现步骤为：

S31：由于V波在窦房结店信号中斜率最大，因此先定位V波信号；

具体方法：对S2中得到的信号x(n)，连续3点滑动平均y(n)＝[x(n-1)+x(n)+x(n+1)]/3，然后计算斜率Slope(n)＝[y(n)-y(n-3)]/3；得到最大的斜率+Slope_max及最大负斜率-Slope_max，当计算得到的斜率在[-Slope_max，+Slope_max]的50％范围内，并且x(n)的最大值出现在检测到正斜率最大值后面0.1秒内时，此最大值即为V波峰值。连续寻找到4个V波，并以这4个最大正负斜率的平均值作为参考开始进行V波波峰的检测，当新的正负斜率最大值大于原有最大值的60％时，以公式(0.8*Slope_原有+0.2*Slope_新)对参考最大斜率进行更新，并作为下一次检测的判据。如此不断更新，可以检测到V波峰值点；

S32：当检测到V波峰值后，在峰值前0.2秒到0.1秒范围内找最大值，最大值的位置即为A波的峰值；

S33：对S22中的小波系数ψ_i(i＝1，2)在A波峰值前0.11秒及A波峰值后0.07秒范围内各自寻找前后第一个过零点，然后分别取来自两个小波系数前后过零点位置的均值，即为A波的起点和终点，由此得到A波的时间宽度特征T_A。再将特征点位置映射到x(n)相应的位置上；

S34：在确定A波起始点后，对P前波进行定位。P前波是窦房结电位波，窦房结电位是位于P波起始点之前的低频、低幅信号。P前波的持续时间称为窦房传到时间T_SACT，它是窦房结点图中窦房结电位的起点到P波起点的时间间隔。P前波是窦房结电图中最重要的特征波形，它的存在与否及持续时间是评价窦房结功能的关键指标。

P前波定位的具体方法为：对S23中的信号x(n)，利用S33中定位的A波起点向前0.8s范围内寻找过零点，如果存在过零点，则该点为P前波起点，否则，P前波不存在。若P前波存在计算P前波起点到A波起点的时间，即为窦房传导时间T_SACT，P前波不存在时T_SACT＝0。

进一步，所述步骤4，利用S3中检测到的A波及P前波进行小波交叉熵的计算，具体实现步骤为：

S41：选取S22中计算得到的4层双密度小波分解的小波系数中对应的A波及P前波位置，取出A波小波系数A_ψ1j，A_ψ2j及P前波小波系数P_ψ1j，P_ψ2j，其中j＝1∶4；

S42：计算小波能量概率分布。具体方法为：

单一尺度j下的小波能量E_j为该尺度下小波系数W_jk的平方和：

$E_j=\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{\left|W_{j,k}\right|}^2,(j=\mathrm{1,2},L,J),$ N是小波系数的点数。

信号总能量为： $E_{\mathrm{total}}=\underset{j=1}{\overset{J}{\mathrm{\Σ}}}{E}_j=\underset{j=1}{\overset{J}{\mathrm{\Σ}}}\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{\left|W_{j,k}\right|}^2$

小波能量概率为： $P_j=\frac{E_j}{E_{\mathrm{total}}},\underset{j=1}{\overset{J}{\mathrm{\Σ}}}{P}_j=1$

对于由h₁(n)得到的小波系数ψ_1j，计算得到小波能量概率分布为P_j1，(j＝1，2，…J)J＝4。对于由h₂(n)得到的小波系数ψ_2j，计算得到小波能量概率分布为P_j2，(j＝1，2，…J)J＝4；

S43：计算小波交叉熵。具体方法为：

交叉熵为两种不同概率分布之间的量度，对于两种概率分布p(x)和q(x)，交叉熵定义为：

$H(p,q)=\mathrm{\Σ}\left[p\left(x\right)\log \frac{p\left(x\right)}{q\left(x\right)}\right];$ 此时q(x)＝P_j1，p(x)＝P_j2，小波系数交叉熵为： $H(P_{j1},P_{j2})=\underset{j=1}{\overset{J}{\mathrm{\Σ}}}\left(P_{j2}\log \frac{P_{j2}}{P_{j1}}\right).$

进一步，所述步骤5，将S3中得到的特征参数T_A和T_SACT及S4中获得的小波系数交叉熵H_A(P_j1，P_j2)，H_P(P_j1，P_j2)，采用下面的表达式进行串联特征融合，具体实现为，融合特征向量为F_SNE＝[T_AT_SACTH_A(P_j1，P_j2)H_P(P_j1，P_j2)]。

进一步，所述步骤6，对S5中融合后的特征向量F_SNE利用小波支持向量机对融合后的特征进行分类。具体实现步骤为：

S61：选择Molet小波

作为支持向量机的核函数；

S62：训练阶段：将窦房结功能诊断分为2类，即正常及窦房结功能异常。每种类别去100个样本作为训练样本，对小波支持向量机分类器进行训练；

S63：测试阶段：对待识别分类的窦房结特征向量，利用S62训练得到的分类器，进行分类，输出识别结果，实现窦房结功能的评价。

本发明的优点在于：本发明采用一种小波变换及支持向量机融合的方法对窦房结电信号进行分类识别的方法，利用小波变换双变量收缩函数对获取的信号进行去除干扰滤波；然后利用双密度小波变换对窦房结电信号进行小波分解，利用自适应斜率方法对V波峰值进行标定，在此基础上对A波及P前波进行定位，并计算其相应的特征参数，之后再对A波及P前波进行小波交叉熵特征向量的计算，并与A波与P前波的其他的特征参数利用串联融合的方法进行特征融合，最后利用小波支持向量机分类器对融合后的特征进行分类。

本发明在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到启迪。本发明的目标和其它优点可以通过下面的说明书，权利要求书，以及附图中所特别指出的结构来实现和获得。

附图说明

图1：是实现本发明方法的总体流程图；

图2：是实现本发明预处理滤波原理框图；

图3：是本发明双密度小波变换滤波器组图；

图4：是本发明自适应斜率V波峰值定位方法流程图。

具体实施方式

以下结合具体实施例，对本发明进行详细说明。

图1是实现本发明方法的基于双密度小波变换及支持向量机的窦房结电图识别方法总体流程图。具体功能说明如下：

S1：首先对获取的窦房结电图(SNE)进行预处理；

S2：对S1中得到的信号进行双密度小波变换分解；

S3：对S2中的尺度函数，进行特征波形A波和P前波的定位及特征参数测量；

S4：对S3中检测到的A波及P前波对应的小波系数进行小波交叉熵计算；

S5：对S3与S4中获得的特征参数及小波交叉熵特征进行特征融合；

S6：对S5中融合后的特征利用小波支持向量机进行分类，并输出评价窦房结功能的诊断结果。

窦房结电信号是微伏级的弱电信号，在体表采集的过程中，会引入基线漂移、工频干扰、肌电干扰等多种噪声的干扰。为了提取准确的窦房结电信号，首先需要对获取的数据进行预处理滤波。

进一步，所述步骤1中对获取的高分辨率窦房结电图预处理，流程图如图2所示，具体包括以下步骤：

S11：对获取的原始窦房结信号进行4层bior5.5小波变换，得到小波系数W_j，j＝1∶4。bior5.5小波对应的双正交小波滤波器系数为：

$\hat{h}\left(n\right)=[\mathrm{0.009922,0.021831,0.000280,0.061156,0.343352},0.541133,$

$\mathrm{0.343352,0.061156,0.000280,0.021831,0.009922}];n=-5:5;$

h(n)＝[0，0.039687，0.007948，0.054463，0.345605，0.736660，0.345605，0.054463，0.007948，0.039687，0]；n＝-5∶5；

h(n)：表示双正交小波滤波器的分解滤波器；

表示双正交小波滤波器的合成滤波器；

S12：定义以第k个小波系数为中心的信号子段N(k)，利用N(k)区间中的小波系数估计此区域的信号方差

S12：利用鲁棒中值估计器

y_i∈W_j，估计/N(k)噪声方差；

S13：由观测模型σ_y ²＝σ_X ²+σ_n ²，利用和

计算原始信号方差估计值

M为是信号N(k)的长度；

S14：利用 ${\hat{X}}_1=\frac{\max (\sqrt{Y_1^2+Y_2^2}-\frac{3{\mathrm{\σ}}_n^2}{{\mathrm{\σ}}_X},0)}{\sqrt{Y_1^2+Y_2^2}}\·Y_1,$ 求出去噪后小波系数的估计值；

S15：对处理后的小波系数进行重构，从而得到去除干扰的SNE信号。上述各公式中字母含义如下：

σ_y ²：表示观测信号的方差；σ_X ²：表示原始信号的方差；σ_n ²：表示噪声的方差；

表示观测信号的方差估计值；

表示原始信号的方差估计值；Y1：表示当前层第4层小波系数，Y2：表示父层第3层小波系数；

表示当前层第4层原始窦房结电图信号的小波系数。

进一步，所述步骤2，对S1中得到的信号进行双密度小波变换，具体实现步骤为：

S21：双密度小波变换由-个尺度函数φ(t)和两个小波函数ψ₁(t)、ψ₂(t)构成，两个小波函数之间有0.5个单位的偏移，并且在变换过程中采用过采样。双密度小波降低了平移敏感性，有近似的平移不变性。双密度小波变换尺度和小波方程为：

$\mathrm{\φ}\left(t\right)=\sqrt{2}\underset{n}{\mathrm{\Σ}}{h}_0\left(n\right)\mathrm{\φ}(2t-n),$ ${\mathrm{\ψ}}_i\left(t\right)=\sqrt{2}\underset{n}{\mathrm{\Σ}}{h}_i\left(n\right)\mathrm{\φ}(2t-n),(i=\mathrm{1,2}),$ ψ₂(t)≈ψ₁(t-0.5)    (1)

S22：将去除干扰后的窦房结电信号通过三通道滤波器系统h₀(n)，h₁(n)和h₂(n)进行4层分解，得到小波系数ψ_i(i＝1，2)。h₀(n)为低通滤波器，此处n＝6，h₀(n)＝[0.1430，0.5174，0.6396，0.2443，-0.0755，-0.0546]；h₁(n)和h₂(n)为高通滤波器，此处取值为：h₁(n)＝[-0.0185，--0.0669，-0.0739，0.0004，0.5811，-0.4222]，h₂(n)＝[-0.0460，-0.1666，0.0031，0.6776，-0.4681，0]。

S23：取4层分解后得到的尺度函数x(n)，检测窦房结信号特征波形。

进一步，所述步骤3，利用S23中尺度函数x(n)进行特征波形的定位及参数测量，具体实现步骤为：

S31：由于V波在窦房结电信号中斜率最大，因此先定位V波信号。

具体方法：对S2中得到的信号x(n)，连续3点滑动平均y(n)＝[x(n-1)+x(n)+x(n+1)]/3，然后计算斜率Slope(n)＝[y(n)-y(n-3)]/3；得到最大的斜率+Slope_max及最大负斜率-Slope_max，当计算得到的斜率在[-Slope_max，+Slope_max]的50％范围内，并且x(n)的最大值出现在检测到正斜率最大值后面0.1秒内时，此最大值即为V波峰值。连续寻找到4个V波，并以这4个最大正负斜率的平均值作为参考开始进行V波波峰的检测，当新的正负斜率最大值大于原有最大值的60％时，以公式(0.8*Slope_原有+0.2*Slope_新)对参考最大斜率进行更新，并作为下一次检测的判据。如此不断更新，可以检测到V波峰值点。V波峰值定位流程图如图4所示；

S32：当检测到V波峰值后，在峰值前0.2秒到0.1秒范围内找最大值，最大值的位置即为A波的峰值；

S33：对S22中的小波系数ψ_i(i＝1，2)在A波峰值前0.11秒及A波峰值后0.07秒范围内各自寻找前后第一个过零点，然后分别取来自两个小波系数前后过零点位置的均值，即为A波的起点和终点，由此得到A波的时间宽度特征T_A。再将特征点位置映射到x(n)相应的位置上；

S34：在确定A波起始点后，对P前波进行定位。P前波是窦房结电位波，窦房结电位是位于P波起始点之前的低频、低幅信号。P前波的持续时间称为窦房传到时间T_SACT，它是窦房结点图中窦房结电位的起点到P波起点的时间间隔。P前波是窦房结电图中最重要的特征波形，它的存在与否及持续时间是评价窦房结功能的关键指标。

P前波定位的具体方法为：对S23中的信号x(n)，利用S33中定位的A波起点向前0.8s范围内寻找过零点，如果存在过零点，则该点为P前波起点，否则，P前波不存在。若P前波存在计算P前波起点到A波起点的时间，即为窦房传导时间T_SACT，P前波不存在时T_SACT＝0。

进一步，所述步骤4，利用S3中检测到的A波及P前波进行小波交叉熵的计算，具体实现步骤为：

S41：选取S22中计算得到的4层双密度小波分解的小波系数中对应的A波及P前波位置，取出A波小波系数A_ψ1j，A_ψ2j及P前波小波系数P_ψ1j，P_ψ2j，其中j＝1∶4。

S42：计算小波能量概率分布。具体方法为：

单一尺度j下的小波能量E_j为该尺度下小波系数W_jk的平方和：

$E_j=\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{\left|W_{j,k}\right|}^2,(j=\mathrm{1,2},L,J),$ N是小波系数的点数。

信号总能量为： $E_{\mathrm{total}}=\underset{j=1}{\overset{J}{\mathrm{\Σ}}}{E}_j=\underset{j=1}{\overset{J}{\mathrm{\Σ}}}\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{\left|W_{j,k}\right|}^2$

小波能量概率为： $P_j=\frac{E_j}{E_{\mathrm{total}}},\underset{j=1}{\overset{J}{\mathrm{\Σ}}}{P}_j=1$

对于由h₁(n)得到的小波系数ψ_1j，计算得到小波能量概率分布为P_j1，(j＝1，2，…J)J＝4。对于由h₂(n)得到的小波系数ψ_2j，计算得到小波能量概率分布为P_j2，(j＝1，2，…J)J＝4；

S43：计算小波交叉熵；具体方法为：

交叉熵为两种不同概率分布之间的量度，对于两种概率分布p(x)和q(x)，交叉熵定义为：

$H(p,q)=\mathrm{\Σ}\left[p\left(x\right)\log \frac{p\left(x\right)}{q\left(x\right)}\right];$ 此时q(x)＝P_j1，p(x)＝P_j2，小波系数交叉熵为： $H(P_{j1},P_{j2})=\underset{j=1}{\overset{J}{\mathrm{\Σ}}}\left(P_{j2}\log \frac{P_{j2}}{P_{j1}}\right).$

进一步，所述步骤5，将S3中得到的特征参数T_A和T_SACT及S4中获得的小波系数交叉熵H_A(P_j1，P_j2)，H_P(P_j1，P_j2)，采用下面的表达式进行串联特征融合，具体实现为，融合特征向量为F_SNE＝[T_AT_SACTH_A(P_j1，P_j2)H_P(P_j1，P_j2)]。

进一步，所述步骤6，对S5中融合后的特征向量F_SNE利用小波支持向量机对融合后的特征进行分类。具体实现步骤为：

S61：选择Molet小波

作为支持向量机的核函数。

S62：训练阶段：将窦房结功能诊断分为2类，即正常及窦房结功能异常。每种类别去100个样本作为训练样本，对小波支持向量机分类器进行训练。

S63：测试阶段：对待识别分类的窦房结特征向量，利用S62训练得到的分类器，进行分类，输出识别结果，实现窦房结功能的评价。

应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (7)

1.一种小波变换与支持向量机相融合的窦房结电图识别方法，其特征在于：包括以下步骤：

S1：首先对获取的窦房结电图进行预处理；

S2：对S1中得到的信号进行双密度小波变换分解；

S3：对S2中的尺度函数，进行特征波形A波和P前波的定位及特征参数测量；

S4：对S3中检测到的A波及P前波对应的小波系数进行小波交叉熵计算；

S5：对S3与S4中获得的特征参数及小波交叉熵特征进行特征融合；

S6：对S5中融合后的特征利用小波支持向量机进行分类，并输出评价窦房结功能的诊断结果。

2.根据权利要求1所述的一种小波变换与支持向量机相融合的窦房结电图识别方法，其特征在于：所述步骤S1具体包括以下子步骤：

S11：对获取的原始窦房结信号进行4层bior5.5小波变换，得到小波系数W_j，j＝1∶4；

S12：定义以第k个小波系数为中心的信号子段N(k)，利用N(k)区间中的小波系数估计此区域的信号方差

S12：利用鲁棒中值估计器

y_i∈W_j，估计N(k)噪声方差；

S13：由物理模型σ_y ²＝σ_X ²+σ_n ²，利用

和

计算原始信号方差估计值

M为是信号(k)的长度；

S14：利用 ${\hat{X}}_1=\frac{\max (\sqrt{Y_1^2+Y_2^2}-\frac{3{\mathrm{\σ}}_n^2}{{\mathrm{\σ}}_X},0)}{\sqrt{Y_1^2+Y_2^2}}\·Y_1,$ 求出去噪后小波系数的估计值；

S15：对处理后的小波系数进行重构，从而得到去除干扰的SNE信号。

3.根据权利要求1所述的一种小波变换与支持向量机相融合的窦房结电图识别方法，其特征在于：所述步骤S2具体包括以下子步骤：

S21：双密度小波变换由一个尺度函数φ(t)和两个小波函数ψ₁(t)、ψ₂(t)构成，双密度小波变换尺度和小波方程为：

$\mathrm{\φ}\left(t\right)=\sqrt{2}\underset{n}{\mathrm{\Σ}}{h}_0\left(n\right)\mathrm{\φ}(2t-n),$ ${\mathrm{\ψ}}_i\left(t\right)=\sqrt{2}\underset{n}{\mathrm{\Σ}}{h}_i\left(n\right)\mathrm{\φ}(2t-n),(i=\mathrm{1,2}),$ ψ₂(t)≈ψ₁(t-0.5)

S22：将去除干扰后的窦房结电信号通过三通道滤波器系统h₀(n)，h₁(n)和h₂(n)进行4层分解，得到两组小波系数ψ_i(i＝1，2)；h₀(n)为低通滤波器，h₁(n)和h₂(n)为高通滤波器；

S23：取4层分解后得到的尺度函数x(n)，检测窦房结信号的特征波形。

4.根据权利要求1所述的一种小波变换与支持向量机相融合的窦房结电图识别方法，其特征在于：所述步骤S3具体包括以下子步骤：

S31：由于V波在窦房结店信号中斜率最大，因此先定位V波信号；

具体方法：对S2中得到的信号x(n)，连续3点滑动平均y(n)＝[x(n-1)+x(n)+x(n+1)]/3，然后计算斜率Slope(n)＝[y(n)-y(n-3)]/3；得到最大的斜率+Slope_max及最大负斜率-Slope_max，当计算得到的斜率在[-Slope_max，+Slope_max]的50％范围内，并且x(n)的最大值出现在检测到正斜率最大值后面0.1秒内时，此最大值即为V波峰值。连续寻找到4个V波，并以这4个最大正负斜率的平均值作为参考开始进行V波波峰的检测，当新的正负斜率最大值大于原有最大值的60％时，以公式(0.8*Slope_原有+0.2*Slope_新)对参考最大斜率进行更新，并作为下一次检测的判据；如此不断更新，可以检测到V波峰值点；

S32：当检测到V波峰值后，在峰值前0.2秒到0.1秒范围内找最大值，最大值的位置即为A波的峰值；

S33：对S22中的小波系数ψ_i(i＝1，2)在A波峰值前0.11秒及A波峰值后0.07秒范围内各自寻找前后第一个过零点，然后分别取来自两个小波系数前后过零点位置的均值，即为A波的起点和终点，由此得到A波的时间宽度特征T_A。再将特征点位置映射到x(n)相应的位置上；

S34：P前波定位的具体方法为：对S23中的信号x(n)，利用S33中定位的A波起点向前0.8s范围内寻找过零点，如果存在过零点，则该点为P前波起点，否则，P前波不存在；若P前波存在计算P前波起点到A波起点的时间，即为窦房传导时间T_SACT，P前波不存在时T_SACT＝0。

5.根据权利要求1所述的一种小波变换与支持向量机相融合的窦房结电图识别方法，其特征在于：所述步骤S4具体包括以下子步骤：

S41：选取S22中计算得到的4层双密度小波分解的小波系数中对应的A波及P前波位置，取出A波小波系数A_ψ1J，A_ψ2J及P前波小波系数P_ψ1J，P_ψ2J，其中j＝1∶4；

S42：计算小波能量概率分布；具体方法为：

单一尺度j下的小波能量E_j为该尺度下小波系数W_jk的平方和：

$E_j=\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{\left|W_{j,k}\right|}^2,(j=\mathrm{1,2},L,J),$ N是小波系数的点数；

信号总能量为： $E_{\mathrm{total}}=\underset{j=1}{\overset{J}{\mathrm{\Σ}}}{E}_j=\underset{j=1}{\overset{J}{\mathrm{\Σ}}}\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{\left|W_{j,k}\right|}^2$

小波能量概率为： $P_j=\frac{E_j}{E_{\mathrm{total}}},\underset{j=1}{\overset{J}{\mathrm{\Σ}}}{P}_j=1$

对于由h₁(n)得到的小波系数ψ_1J，计算得到小波能量概率分布为P_j1，(j＝1，2，…J)J＝4。对于由h₂(n)得到的小波系数ψ_2J，计算得到小波能量概率分布为P_j2，(j＝1，2，…J)J＝4；

S43：计算小波交叉熵；具体方法为：

交叉熵为两种不同概率分布之间的量度，对于两种概率分布p(x)和q(x)，交叉熵定义为：

$H(p,q)=\mathrm{\Σ}\left[p\left(x\right)\log \frac{p\left(x\right)}{q\left(x\right)}\right];$ 此时q(x)＝P_j1，p(x)＝P_j2，小波系数交叉熵为：

$H(P_{j1},P_{j2})=\underset{j=1}{\overset{J}{\mathrm{\Σ}}}\left(P_{j2}\log \frac{P_{j2}}{P_{j1}}\right).$

6.根据权利要求1所述的一种小波变换与支持向量机相融合的窦房结电图识别方法，其特征在于：所述步骤S5具体包括以下子步骤：

将S3中得到的特征参数T_A和T_SACT及S4中获得的小波系数交叉熵H_A(P_j1，P_j2)，H_P(P_j1，P_j2)，采用串联特征融合，即得到融合特征向量为F_SNE＝[T_AT_SACTH_A(P_j1，P_j2)H_P(P_j1，P_j2)]。

7.根据权利要求1所述的一种小波变换与支持向量机相融合的窦房结电图识别方法，其特征在于：所述步骤S6具体包括以下子步骤：

S61：选择Molet小波作为支持向量机的核函数；

S62：训练阶段：将窦房结功能诊断分为2类，即正常及窦房结功能异常；每种类别去100个样本作为训练样本，对小波支持向量机分类器进行训练；

S63：测试阶段：对待识别分类的窦房结特征向量，利用S62训练得到的分类器，进行分类，输出识别结果，实现窦房结功能的评价。

Images