CN104367317A - 多尺度特征融合的心电图心电信号分类方法 - Google Patents

Abstract

本发明提供一种多尺度特征融合的心电图心电信号分类方法，步骤1、读取数据库中所有的心电信号，并去除所述心电信号中的基线和高频噪声；步骤2、进行心电信号的分割；步骤3、通过计算心电信号的小波包分解，得到第四层小波包分解系数；步骤4、将提取的多个周期的心电信号特征排列为一个M维体数据，对所述M维体数据应用广义多维独立成分分析法，得到每个模式的解混合矩阵；步骤5、输入一个待测试心跳信号，通过步骤1至3，得到第四层小波包分解系数，并排成一个M-1维体数据，然后通过步骤4，得到测试心跳信号融合特征：步骤6、应用分类器对所述的心跳信号融合特征进行分类，进而得到正常及多种非正常心电信号的分类结果。

Description

多尺度特征融合的心电图心电信号分类方法

技术领域

本发明为一种心电图信号分类系统，涉及一种快速的、多尺度的特征融合技术及方法，可用于正常及多种非正常心电信号的分类。

背景技术

在世界范围内，心血管疾病是引起人类死亡率最高的疾病之一。由于人们个人的行为因素(吸烟，缺乏锻炼，不健康饮食)，代谢因素(高血压，高血糖，高血脂)以及其他因素(遗传，高龄)等使得心血管疾病的患病率持续提高。心律失常作为一种常见的心血管疾病，是一种心脏电传导系统疾病，造成医疗紧急情况，并严重危及人类的生命。

心动电流图，简称心电图(ECG)是一种非侵入式监测心脏电活动的标准诊断工具。为了检测到偶尔出现的心律失常，常常要求患者进行几小时甚至更长时间的心电图监测。所收集到的心电信号十分庞大，使得医生的诊断极其耗费时间和经历。因此自动分类心电图中的心电信号是非常重要的研究和技术，并且是一种更有效的辅助诊断方法。

为了得到很好的分类效果，特征提取是非常重要的步骤。其能够获取心电信号最本质的属性。心电信号的特征可被分为三类，包括时空特征，形态特征以及统计特征。时空特征在时间域中提取，并由RR间隔特征以及心跳间隔特征组成。但是由于心电信号产生的微小变化，使得隐藏在心电图中的信息不能直接运用时空特征所表达。由于小波变换可在时间和频率域里都有很好的分辨率，因此，我们可在小波变换域而非时间域里提取更加有效地形态特征及统计特征。但是，小波变换仅能为低频提供足够的频率分辨力，而对于高频的分辨力则不够，使得在小波域提取的特征也不能很好的表达信号的特性。另外，多种特征的结合也许会使得信号特征产生冗余，甚至相互消减。因此，如何对多种特征进行提取及融合，从而进一步提高分类精度，是现在研究的热点。

在提取心电信号特征后，各种现有的分类器可被运用于心电图的信号分类。分类器包括线性判别分类器，K邻近分类器，混沌建模，谱相关分析，人工神经网络以及支持向量机。可分别使用也可结合到一起同时使用。最后的分类结果可由各个分类器共同决定。

发明内容

为了解决上述的技术问题，本发明提供一种多尺度特征融合的心电图心电信号分类方法。

本发明的技术方案如下：

一种多尺度特征融合的心电图心电信号分类方法，包括以下步骤：

步骤1、读取数据库中所有的心电信号，并去除所述心电信号中的基线和高频噪声；

步骤2、进行心电信号的分割：首先找到心电信号的基准点，并将基准点向前K个采样点，向后K-1个采样点作为分割好的一个周期的心跳信号，K为一个完整心跳周期采样点数量的一半；

步骤3、通过计算心电信号的小波包分解，得到第四层小波包分解系数，作为提取的心电信号特征；

步骤4、将提取的多个周期的心电信号特征排列为一个M维体数据，对所述M维体数据应用广义多维独立成分分析法，得到每个模式的解混合矩阵；

步骤5、输入一个待测试心跳信号，通过步骤1至3，得到第四层小波包分解系数，并排成一个M-1维体数据，然后通过步骤4，得到测试心跳信号融合特征：

步骤6、应用分类器对所述的心跳信号融合特征进行分类，进而得到正常及多种非正常心电信号的分类结果。

本发明的有益效果：本发明的心跳信号分类系统不仅可以应用于提高正常及多种非正常心跳信号的分类精度，而且可以减少分类时间。

附图说明

图1示出了心跳信号分类方法流程图；

图2示出了一系列训练心跳信号特征构成的三阶张量。

具体实施方式

下面结合附图对本发明所给出的快速多尺度特征融合技术方法提高心跳信号分类精度进行详细说明。

图1为心跳信号分类方法的流程图，包括以下几个步骤：

步骤S101，读取数据库中所有的心电图信号。

步骤S102，去除信号的基线和高频噪声。

(1)分别应用200ms和600ms带宽的中值滤波器去除ORS复合物(ORScomplexes)和P&T波，并从原始信号中减去，即得到去除基线的信号。

(2)应用低通滤波器去除信号中的高频噪声。

步骤S103，心电信号分割：首先找到心电信号的基准点(即R点)，并将基准点向前99个采样点，向后100个采样点作为分割好的一个周期的心跳信号。

步骤S104，通过计算心电信号的小波包分解，得到第四层分解系数，作为提取的心电信号特征。

步骤S105，训练心跳信号的三维体数据排列。传统的特征融合及降维方法，如主成分分析法和独立成分分析法，都要求输入的数据先展开成一个列向量后，再进行训练。本发明采用广义多维独立成分分析法进行特征融合。心跳信号经过小波包四层分解后，最后一层中每一组的系数可联合排成一个二阶张量，即矩阵，从而，一系列的训练心跳信号可排成一个三阶张量，及体数据。也就是前两个模式分别为特征的数目和特征成分的个数，第三个模式为训练心跳的数目。以四层小波包分解为例。在分解后的最后一层共有16组小波包系数，每组小波包系数包含m个成分。如附图2所示，可将这16组小波包系数排成一个m×16的二阶张量，因此，如果有n个训练信号，则训练集是一个m×16×n的三阶张量。

步骤S106，通过广义多维独立成分分析法，得到每个模式的解混合矩阵W_n。首先，以上述四层小波包分解为例。若是一系列的训练样本，是一系列的低秩核张量，即为所要求的训练心跳信号融合特征。为了使得如式1所示的能量误差最小：

$e=\underset{W_z^{+},z=\mathrm{1,2}}{\arg \min }\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\left|\right|X_i^{\mathrm{tr}}-\left(S_i^{\mathrm{tr}}{\×}_1{W}_1^{+}{\×}_2{W}_2^{+}\right)\left|\right|}^2---\left(1\right)$

应用多线性子空间学习算法的广义多维独立成分分析法求解每个模式上的解混合矩阵的伪逆其中，z＝1,2代表体数据的前两个模式，即特征的数目和特征成分的个数；I₁＝m和I₂＝16分别代表每个模式上的个数；J₁≤m和J₂≤16分别代表计算后每个模式上的个数。从而得到解混合矩阵

步骤S107，输入一个待测试心跳信号，通过步骤2至4，得到第四层小波包分解系数，并可排成一个二阶张量X^te∈R^m×16。通过步骤6，得到测试心跳信号融合特征：

S^te＝X^te×₁W₁×₂W₂    (2)

步骤S108，应用分类器，如支持向量机等，对心跳信号融合后的特征进行分类。

步骤S109，进而得到正常及多种非正常心电信号的分类结果。

虽然参考优选实施例对本发明进行描述，但以上所述实例并不构成本发明保护范围的限定，任何在本发明的精神及原则内的修改、等同替换和改进等，均应包含在本发明的权利要求保护范围内。

Claims (5)

1.一种多尺度特征融合的心电图心电信号分类方法，其特征在于，包括以下步骤：

步骤1、读取数据库中所有的心电信号，并去除所述心电信号中的基线和高频噪声；

步骤2、进行心电信号的分割：首先找到心电信号的基准点，并将基准点向前K个采样点，向后K-1个采样点作为分割好的一个周期的心跳信号，K为一个完整心跳周期采样点数量的一半；

步骤3、通过计算心电信号的小波包分解，得到第四层小波包分解系数，作为提取的心电信号特征；

步骤4、将提取的多个周期的心电信号特征排列为一个M维体数据，对所述M维体数据应用广义多维独立成分分析法，得到每个模式的解混合矩阵；

步骤5、输入一个待测试心跳信号，通过步骤1至3，得到第四层小波包分解系数，并排成一个M-1维体数据，然后通过步骤4，得到测试心跳信号融合特征：

步骤6、应用分类器对所述的心跳信号融合特征进行分类，进而得到正常及多种非正常心电信号的分类结果。

2.如权利要求1所述的一种多尺度特征融合的心电图心电信号分类方法，其特征在于，步骤1中分别应用200ms和600ms带宽的中值滤波器去除ORS复合物和P&T波，并从原始信号中减去，即得到去除基线的信号。

3.如权利要求1或2所述的一种多尺度特征融合的心电图心电信号分类方法，其特征在于，步骤1中应用低通滤波器去除信号中的高频噪声。

4.如权利要求1或2所述的一种多尺度特征融合的心电图心电信号分类方法，其特征在于：其中步骤3中的小波包分解可以采用以下的一种或多种方式：复小波分解，多贝西小波分解，哈尔小波分解，离散小波包分解以及平稳小波包分解。

5.如权利要求1或2所述的一种多尺度特征融合的心电图心电信号分类方法，其特征在于：其中步骤6中的分类器可以是以下的一种或多种：线性判别分类器，K邻近分类器，混沌建模，谱相关分析，人工神经网络以及支持向量机。