CN104537243B - 一种用于非治疗目的的基于模糊推理结合加权相似度量的心电分类方法 - Google Patents
一种用于非治疗目的的基于模糊推理结合加权相似度量的心电分类方法 Download PDFInfo
- Publication number
- CN104537243B CN104537243B CN201410849735.1A CN201410849735A CN104537243B CN 104537243 B CN104537243 B CN 104537243B CN 201410849735 A CN201410849735 A CN 201410849735A CN 104537243 B CN104537243 B CN 104537243B
- Authority
- CN
- China
- Prior art keywords
- electrocardiosignal
- electrocardio
- sections
- checked
- beats
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
一种基于模糊推理结合加权相似度量的心电分类方法，涉及一种心电分类方法。本发明为了解决已有的模糊推理分类方法无法构建心电知识库，从而忽略了心电知识及不同波段形态的不同组合对分类的影响导致分类错误率高的问题，和已有的模糊推理分类方法对属性概念不加筛选直接利用其隶属度值的比对进行分类导致分类错误率高的问题。本发明首先对心电信号进行预处理，然后对各波段进行特征参数提取，构建分类特征属性值向量Yi＝[yi1 yi2 yi3 yi4 yi5]和待检特征属性值向量X＝[x1 x2 x3 x4 x5]，并根据心电图知识创建心电本体ecg.owl；构建模糊概念格，将模糊属性转化成具体的隶属度值，并对隶属度值进行有效筛选；再利用加权分类算法进行最终分类。本发明适用于心电信号的分类。
Description
技术领域
本发明涉及一种心电分类方法。
背景技术
传统的心电信号分类常采用专家系统来实现，这种方法的优点是方便快捷，但对于心电信号的分类，由于其复杂多变，很难以准确的方式来描述现象和原因之间复杂的多对多或一对多的关系，规则的提取也就变得很困难，提取出的规则也不会很精确，而模糊理论可以很好地弥补这方面的不足。陈晓俐利用模糊理论结合神经网络得出异常心拍的隶属度并完成模糊规则的提取，然后进行模糊推理实现分类；汪德宁利用数据库构建模糊知识库，再结合模糊推理机实现分类；江涛将模糊理论与专家系统相结合，建立模糊专家系统；以上提到的方法最终均通过概念隶属度值的比对进行分类，无法建立心电知识库，考虑不到心电本身各波形及波形属性之间的相互关系，从而忽略了无关属性对特定类型的分类产生的误导，因此心电知识库的构建也是需要研究的问题。而领域本体能够准确地描述概念含义以及概念之间的内在关联，具有良好的概念层次结构和对逻辑推理的支持，能够很好地应用于心电的知识库建立中。
发明内容
本发明为了解决已有的模糊推理分类方法无法构建心电知识库，从而忽略了心电知识及不同波段形态的不同组合对分类的影响导致分类错误率高的问题，和已有的模糊推理分类方法对属性概念不加筛选直接利用其隶属度值的比对进行分类导致分类错误率高的问题。进而提出了一种用于非治疗目的的基于模糊推理结合加权相似度量的心电分类方法。
一种用于非治疗目的的基于模糊推理结合加权相似度量的心电分类方法，包括下述步骤：
步骤一：对已知类型的心电信号f(n)进行预处理，包括两部分，利用数学形态学方法去除基线漂移，利用小波阈值法去除高频噪声，预处理之后的心电信号用F(n)表示；
步骤二：对步骤一中预处理之后的心电信号F(n)进行波形检测，检测心电信号F(n)的ST段、T波、QRS波段位置，然后对各波段进行特征参数提取，选取的特征参数包括ST段抬高，ST段降低，QRS波段宽大，T波倒置，T波电交替；
对同一类型的多个已知类型的心电信号F(n)进行特征参数提取之后，对于属于同一类型i的心电信号F(n)，i＝(a、b、c、d、e、f)，定义类型i的多个已知类型心电信号F(n)中某种特征参数的心拍数总数占总心拍数的百分比为这一类心电信号的特征属性值，则这一类心电信号的特征属性值向量定义为分类特征属性值向量Yi＝[yi1yi2yi3yi4yi5]；
步骤三、根据心电图知识创建心电本体ecg.owl：创建心电本体ecg.owl的类和实例，定义心电本体的属性的限制条件，包括属性的名称，定义域和值域；
步骤四、根据模糊概念格与心电本体ecg.owl之间的映射关系，模糊概念格由外延、内涵和相应的隶属度值构成；模糊概念格的外延、内涵依次对应为心电本体ecg.owl中的类名、属性，将步骤二中得到的一类心电信号的特征属性值yi作为模糊概念格行与列交叉处的隶属度值，从而构建模糊概念格，获得概念格中的节点关系和节点构成；
步骤五、利用步骤一的方法对待检心电信号fx(n)进行预处理，处理之后得到的待检心电信号用Fx(n)表示；利用步骤二的方法对Fx(n)进行特征提取获得待检心电的待检特征属性值向量X＝[x1x2x3x4x5]；
步骤六、利用心电本体ecg.owl结合模糊概念格中的节点关系以及各节点对应的节点构成，获得模糊推理规则，利用Jess推理机完成推理，获得待检心电Fx(n)的候选对象概率值P；
步骤七、利用基于信息熵的概率加权相似度量对待检心电进行分类，得到最终的分类结果，将待检心电Fx(n)划分为已知类型心电信号F(n)中的一种完成待检心电Fx(n)的分类。
本发明的优点：
相对于已有的模糊推理方法，本发明提出的一种用于非治疗目的的基于模糊推理结合加权相似度量的心电分类方法，其中加入心电本体，构建模糊概念格，将模糊属性转化成具体的隶属度值，并对隶属度值进行有效筛选，完成了心电分类中模糊知识的具体化，此外，在利用加权相似度量进行最终分类之前，模糊推理的初次分类缩小了匹配范围，这样既解决了心电知识库的构建问题，又降低了错误分类的概率，分类正确率达到89.5％。
附图说明
图1本发明的框图示意图；
图2基于数学形态学方法去除基线漂移示意图，图2(a)为原始心电信号，图2(b)为去除基线漂移后的心电信号；
图3基于小波阈值法去除高频噪声示意图，图3(a)为原始心电信号，图3(b)为去除高频噪声后的心电信号；
图4心电信号特征波提取示意图，图4(a)为心电信号的QRS波段检测结果，图4(b)为心电信号ST段检测结果，图4(c)为心电信号T波起止点的检测结果；
图5模糊概念格节点示意图。
具体实施方式
具体实施方式一：结合图1说明本实施方式，一种用于非治疗目的的基于模糊推理结合加权相似度量的心电分类方法，包括下述步骤：
步骤一：对已知类型的心电信号f(n)进行预处理，包括两部分，利用数学形态学方法去除基线漂移，利用小波阈值法去除高频噪声，预处理之后的心电信号用F(n)表示；
图2给出了去除基线漂移的处理结果，其中图2(a)表示原始心电信号，图2(b)表示去除了基线漂移之后的心电信号。图3给出了去除高频噪声的处理结果，其中图3(a)表示原始心电信号，图3(b)表示去除了基线漂移之后的心电信号。
步骤二：对步骤一中预处理之后的心电信号F(n)进行波形检测，检测心电信号F(n)的ST段、T波、QRS波段位置，然后对各波段进行特征参数提取，选取的特征参数包括ST段抬高，ST段降低，QRS波段宽大，T波倒置，T波电交替；
对同一类型的多个已知类型的心电信号F(n)进行特征参数提取之后，对于属于同一类型i的心电信号F(n)，i＝(a、b、c、d、e、f)，定义类型i的多个已知类型心电信号F(n)中某种特征参数的心拍数总数占总心拍数的百分比为这一类心电信号的特征属性值，则这一类心电信号的特征属性值向量定义为分类特征属性值向量Yi＝[yi1yi2yi3yi4yi5]；
步骤三、根据心电图知识创建心电本体ecg.owl：创建心电本体ecg.owl的类和实例，定义心电本体的属性的限制条件，包括属性的名称，定义域和值域；
步骤四、根据模糊概念格与心电本体ecg.owl之间的映射关系，模糊概念格由外延、内涵和相应的隶属度值构成；模糊概念格的外延、内涵依次对应为心电本体ecg.owl中的类名、属性，将步骤二中得到的一类心电信号的特征属性值yi作为模糊概念格行与列交叉处的隶属度值(将yi1、yi2、yi3、yi4、yi5组成对应一列，对应相应的内涵)，从而构建模糊概念格，获得概念格中的节点关系和节点构成；
步骤五、利用步骤一的方法对待检心电信号fx(n)进行预处理，处理之后得到的待检心电信号用Fx(n)表示；利用步骤二的方法对Fx(n)进行特征提取获得待检心电的待检特征属性值向量X＝[x1x2x3x4x5]；
步骤六、利用心电本体ecg.owl结合模糊概念格中的节点关系以及各节点对应的节点构成，获得模糊推理规则，利用Jess推理机完成推理，获得待检心电Fx(n)的候选对象概率值P；
步骤七、利用基于信息熵的概率加权相似度量对待检心电进行分类，得到最终的分类结果，将待检心电Fx(n)划分为已知类型心电信号F(n)中的一种完成待检心电Fx(n)的分类。
具体实施方式二：本实施方式所述的步骤二中对已知类型的心电信号F(n)进行QRS波段的波形检测以及提取对应特征参数的实现过程为：
步骤2.1.1、利用二进样条小波变换对心电信号F(n)按Mallat算法进行分解滤波，消除干扰；
步骤2.1.2、利用小波变换与信号奇异点之间的关系，在23尺度下对QRS波段进行检测，得到QRS波段的起止点，检测到的QRS波段的采样点数大于36个判定为QRS波段宽大，小于等于36个即判定为QRS波段正常；
步骤2.1.3、获得已知类型i中的所有心电信号F(n)中QRS波段宽大的心拍数，将这些QRS波段宽大的心拍数计和，这些QRS波段宽大的心拍数的总数占总心拍数的百分比记为yi3，即类型i的心电信号的QRS波段宽大特征属性值为yi3。
图4(a)给出了QRS波段起止点的检测结果。
其它步骤与具体实施方式一相同。
具体实施方式三：本实施方式步骤二中对已知类型的心电信号F(n)进行T波的波形检测以及提取对应特征参数的实现过程为：
步骤2.2.1、利用小波极值点的方法检测T波，得到T波的起止点；通过分析小波变换在21-25尺度上的小波系数可知：尺度24和25上包含了T波的大部分能量，但尺度25包含了部分基线漂移噪声；所以对心电信号进行24尺度的小波变换，寻找该尺度上的极值点，在T波起止点之间搜索出幅值最大的正模极大值Pmax和负模极大值Pmin，设正负模极大值的幅值阈值分别为Pmax/6和Pmin/6，满足Pi<Pmax/6和Pi>Pmin/6的模极值作为无意义的模极值剔除掉，m为剩余的模极值个数；
步骤2.2.2、根据模极值的个数和符号与T波形态的对应关系来确定T波的形态：若模极值个数m为2，且极值符号依次为正负，则判定该T波为倒置；若模极值个数m为3，且极值符号依次为负正负或者正负正，则判定该T波为电交替；T波倒置与T波电交替为互斥事件，其中一项出现时，另一项的特征属性值为0；若出现其他情况则判定两项特征属性值均为0；
步骤2.2.3、获得已知类型i的所有心电信号F(n)中T波倒置和T波电交替的心拍数，将T波倒置和T波电交替的心拍数分别计和，T波倒置的心拍数的总数占总心拍数的百分比记为yi4，T波电交替的心拍数的总数占总心拍数的百分比记为yi5，即类型i的心电信号的T波倒置的特征属性值和T波电交替的特征属性值分别为yi4和yi5。
图4(c)给出了T波起止点的检测结果。
其它步骤与具体实施方式二相同。
具体实施方式四：本实施方式所述步骤二中对已知类型的心电信号F(n)进行ST段的波形检测以及提取对应特征参数的实现过程为：
步骤2.3.1、根据步骤2.1.1-2.1.3和步骤2.2.1-2.2.3中获得的QRS波段位置和T波的位置来确定ST段的起点、终点以及中点；
步骤2.3.2、分别对ST段的起点和中点，中点和终点之间进行直线拟合，根据所得直线斜率来判断ST段形态；设ST段起点和中点之间的直线的斜率为d1，ST段中点和终点之间的直线的斜率为d2，若-0.5<d1<-1且d2>1则判定ST段抬高，若d1>0.5且d2>1则判定ST段降低，其他情况ST段正常；ST段抬高与ST段降低为互斥事件，其中一项出现则另一项的特征属性值为0；若ST段正常，则两项特征属性值均为0。
步骤2.3.3、获得已知类型i的所有心电信号F(n)中ST段抬高和ST段降低的心拍数，将ST段抬高和ST段降低的心拍数分别计和，ST段抬高的心拍数的总数占总心拍数的百分比记为yi1，ST段降低的心拍数的总数占总心拍数的百分比记为yi2，即类型i的心电信号的ST段抬高和ST段降低的特征属性值分别为yi1和yi2。
图4(b)给出了ST段起止点的检测结果。
其它步骤与具体实施方式三相同。
具体实施方式五：本实施方式所述步骤三中创建心电本体ecg.owl的类和实例，定义心电本体的属性的限制条件，包括属性的名称，定义域和值域的实现过程为：
心电本体ecg.owl的类包括：心电类型、待检心电、形态、节点位置；类与相应的实例对应如下：
心电类型对应实例包括类型a、类型b、类型c、类型d、类型e、类型f；表示心电信号的类型；
待检心电对应实例包括各待检心电信号；
形态对应实例包括抬高、降低、宽大、倒置、电交替；表示心电信号中不同波段具有的形态；
节点位置对应实例包括节点1到节点11；表示模糊推理的结果；
心电本体ecg.owl的属性包括：ST段状态，T波状态，QRS波段状态；
ST段状态，T波状态，QRS波段状态的定义域均为待检心电，值域为形态；
心电本体ecg.owl中的类与实例如表1所示，属性及其限制条件如表2所示：
表1
表2
其它步骤与具体实施方式四相同。
具体实施方式六：本实施方式所述步骤四中构建模糊概念格的实现过程为：
步骤4.1、根据心电本体ecg.owl与模糊概念格的映射关系，模糊概念格的外延由心电本体ecg.owl的心电类型得来，模糊概念格的外延为类型a、类型b、类型c、类型d、类型e、类型f，(在实际应用中可以将其分别对应急性心肌梗塞、短暂性脑缺血、预激综合征、冠心病高血压、心肌梗死、束支传导阻滞)为叙述方便用标号a～f代替；而模糊概念格的内涵由心电本体ecg.owl的属性得来，模糊概念格的内涵为ST段抬高，ST段降低，QRS波段宽大，T波倒置，T波电交替这五种波形特征，用标号1～5代替；模糊概念格的行为外延(对应心电本体ecg.owl的类型)，列为内涵(对应心电本体ecg.owl的属性)；将yi1、yi2、yi3、yi4、yi5组成对应一列，对应相应的内涵；
步骤4.2、隶属度值是由特征提取部分得到的特征属性值，设定阈值θ为每种外延下各个内涵对应的隶属度值的均值，即模糊概念格每行隶属度值的均值；隶属度值大于阈值θ表示有效属性值，其余则为无效属性，剔除无效属性的隶属度值；
构建的模糊概念格如表3所示，对表3无效的隶属度值剔除之后，得到的概念格如表4所示；
表3
表4
步骤4.3、根据剔除了无效隶属度值之后的模糊概念格，利用概念格构建软件LatticeMiner得到概念格，从而得到概念格的节点构成；其中，节点Q的构成如下：
模糊概念格节点示意图如图5所示；其中，节点Q的构成如下：
节点1：({内涵：1，2，3，4，5}，{外延：})；
节点2：({内涵：2，3，4，5}，{外延：c})；
节点3：({内涵：1，4，5}，{外延：d})；
节点4：({内涵：2，3}，{外延：c，f})；
节点5：({内涵：2，4，}，{外延：b，c})；
节点6：({内涵：4，5}，{外延：c，d})；
节点7：({内涵：1，5}，{外延：a，d，e})；
节点8：({内涵：2}，{外延：b，c，f})；
节点9：({内涵：4，}，{外延：b，c，d})；
节点10：({内涵：5}，{外延：a，c，d，e})；
节点11：({内涵：}，{外延：a，b，c，d，e，f})。
其它步骤与具体实施方式五相同。
具体实施方式七：本实施方式所述步骤五中对待检心电信号Fx(n)进行特征参数的实现过程为：
步骤5.1、利用步骤2.1.1和2.1.2的方法对待检心电信号Fx(n)进行QRS波段检测及对应特征参数提取，获得待检心电信号中QRS波段宽大的心拍数，定义QRS波段宽大的心拍数占待检心电信号Fx(n)总心拍数的百分比为x3，即待检心电信号Fx(n)QRS波段宽大的特征属性值为x3；若QRS波段正常，则x3为0；
步骤5.2、利用步骤2.2.1和2.2.2的方法对待检心电信号Fx(n)进行T波检测及对应特征参数提取，获得待检心电信号中T波倒置和T波电交替的心拍数，定义T波倒置的心拍数占待检心电信号Fx(n)总心拍数的百分比为x4，即待检心电信号Fx(n)QRS波段宽大的特征属性值为x4；定义T波电交替的心拍数占待检心电信号Fx(n)总心拍数的百分比为x5，即待检心电信号Fx(n)T波电交替的特征属性值为x5；
步骤5.3、利用步骤2.3.1和2.3.2的方法对待检心电信号Fx(n)进行ST段检测及对应特征参数提取，获得待检心电信号中ST段抬高和ST段降低的心拍数，定义ST段抬高的心拍数占待检心电信号Fx(n)总心拍数的百分比为x1，即待检心电信号Fx(n)ST段抬高的特征属性值为x1；定义ST段降低的心拍数占待检心电信号Fx(n)总心拍数的百分比为x2，即待检心电信号Fx(n)ST段降低的特征属性值为x2；
步骤5.4、进行特征参数提取之后，分别获得各个特征属性值，则该待检心电的特征属性值向量定义为待检特征属性值向量X＝[x1 x2 x3 x4 x5]。
其它步骤与具体实施方式六相同。
具体实施方式八：本实施方式所述步骤六的实现过程为：
根据所构建的模糊概念格，将模糊概念格的有效属性值赋给心电本体ecg.owl的属性，根据SWRL的语法将推理规则输入成SWRL语言，再由节点间的关系得出Jess推理机可识别的推理规则；将待检心电Fx(n)作为心电本体ecg.owl中的待检心电的实例，启动Jess推理机进行推理，得到推理结果，推理结果为节点位置Q和待检心电Fx(n)的候选外延概率值P。
其它步骤与具体实施方式七相同。
具体实施方式九：本实施方式所述步骤七中利用加权相似度量进行分类的实现过程为：
步骤7.1、首先计算待检心电Fx(n)的待检特征属性值向量X的信息熵Entro_X以及类型i的心电信号F(n)的分类特征属性值向量Yi的信息熵Entro_Yi； j＝(1，2，3，4，5)，i＝(a，b，c，d，e，f)；
然后构建加权因子Wi，Wi＝(Temp(X，Yi))2；
其中Temp(X，Yi)＝Entro_X-P*Entro_Yi；
假定0*log20＝0，当Temp(X，Yi)为0时，Wi也为0，即该权值对分类完全没有影响时，将其去掉；
步骤7.2、选用待检特征属性值向量X与分类特征属性值向量Yi的距离，给出基于熵的属性加权相似度量算法的距离函数：j＝(1，2，3，4，5)；计算距离函数di(X，Yi)，选出di(X，Yi)最小时所对应的i值，将待检心电Fx(n)划分在类型i中，完成待检心电Fx(n)的分类。
由于节点1与节点11均为不可能出现的情况，因此不列入考虑，其对照关系如表5所示：
表5
为了验证本发明心电分类方法的有效性，将模糊概念格分类方法与本发明的方法进行了对比，选用一部分心电进行分类，这些心电所属类型均有专家标注；如表6所示，模糊概念格方法和本发明的方法准确率分别为78.9％和89.5％，说明本发明提出的方法更加有效；
表6
其它步骤与具体实施方式八相同。
具体实施方式十：本实施方式所述的一种用于非治疗目的的基于模糊推理结合加权相似度量的心电分类方法中i不仅限于a、b、c、d、e、f，即i包括所有类型的心电信号，类型的实例不仅限于类型a，类型b，类型c，类型d，类型e，类型f中，可以是除了步骤4.1所述的急性心肌梗塞、短暂性脑缺血、预激综合征、冠心病高血压、心肌梗死、束支传导阻滞等心电信号等例子以外的在实际应用中的其他类型的心电信号，对于心电信号的所有类型同样适用；j不仅限于1，2，3，4，5，即特征参数不仅包括ST段抬高，ST段降低，QRS波段宽大，T波倒置，T波电交替五种特征参数；属性的实例不仅限于ST段抬高，ST段降低，QRS波段宽大，T波倒置，T波电交替，可以是现有的心电信号中实际包含的所有属性；对于心电信号的所有属性同样适用。
其它步骤与具体实施方式九相同。
Claims (7)
1.一种用于非治疗目的的基于模糊推理结合加权相似度量的心电分类方法，其特征在于它包括下述步骤：
步骤一：对已知类型的心电信号f(n)进行预处理，包括两部分，利用数学形态学方法去除基线漂移，利用小波阈值法去除高频噪声，预处理之后的心电信号用F(n)表示；
步骤二：对步骤一中预处理之后的心电信号F(n)进行波形检测，检测心电信号F(n)的ST段、T波、QRS波段位置，然后对各波段进行特征参数提取，选取的特征参数包括ST段抬高，ST段降低，QRS波段宽大，T波倒置，T波电交替；
对已知类型的心电信号F(n)进行QRS波段的波形检测以及提取对应特征参数的实现过程为：
步骤2.1.1、利用二进样条小波变换对心电信号F(n)按Mallat算法进行分解滤波，消除干扰；
步骤2.1.2、利用小波变换与信号奇异点之间的关系，在23尺度下对QRS波段进行检测，得到QRS波段的起止点，检测到的QRS波段的采样时间大于0.1s判定为QRS波段宽大，小于等于0.1s即判定为QRS波段正常；
步骤2.1.3、获得已知类型i中的所有心电信号F(n)中QRS波段宽大的心拍数，将这些QRS波段宽大的心拍数计和，这些QRS波段宽大的心拍数的总数占总心拍数的百分比记为yi3，即类型i的心电信号的QRS波段宽大特征属性值为yi3；
对已知类型的心电信号F(n)进行T波的波形检测以及提取对应特征参数的实现过程为：
步骤2.2.1、利用小波极值点的方法检测T波，得到T波的起止点；通过分析小波变换在21-25尺度上的小波系数可知：尺度24和25上包含了T波的大部分能量，但尺度25包含了部分基线漂移噪声；所以对心电信号进行24尺度的小波变换，寻找该尺度上的极值点，在T波起止点之间搜索出幅值最大的正模极大值Pmax和负模极大值Pmin，设正负模极大值的幅值阈值分别为Pmax/6和Pmin/6，满足Pi<Pmax/6和Pi>Pmin/6的模极值作为无意义的模极值剔除掉，m为剩余的模极值个数；
步骤2.2.2、根据模极值的个数和符号与T波形态的对应关系来确定T波的形态：若模极值个数m为2，且极值符号依次为正负，则判定该T波为倒置；若模极值个数m为3，且极值符号依次为负正负或者正负正，则判定该T波为电交替；T波倒置与T波电交替为互斥事件，其中一项出现时，另一项的特征属性值为0；若出现其他情况则判定两项特征属性值均为0；
步骤2.2.3、获得已知类型i的所有心电信号F(n)中T波倒置和T波电交替的心拍数，将T波倒置和T波电交替的心拍数分别计和，T波倒置的心拍数的总数占总心拍数的百分比记为yi4，T波电交替的心拍数的总数占总心拍数的百分比记为yi5，即类型i的心电信号的T波倒置的特征属性值和T波电交替的特征属性值分别为yi4和yi5；
对已知类型的心电信号F(n)进行ST段的波形检测以及提取对应特征参数的实现过程为：
步骤2.3.1、根据步骤2.1.1-2.1.3和步骤2.2.1-2.2.3中获得的QRS波段位置和T波的位置来确定ST段的起点、终点以及中点；
步骤2.3.2、分别对ST段的起点和中点，中点和终点之间进行直线拟合，根据所得直线斜率来判断ST段形态；设ST段起点和中点之间的直线的斜率为d1，ST段中点和终点之间的直线的斜率为d2，若-0.5<d1<-1且d2>1则判定ST段抬高，若d1>0.5且d2>1则判定ST段降低，其他情况ST段正常；ST段抬高与ST段降低为互斥事件，其中一项出现则另一项的特征属性值为0；若ST段正常，则两项特征属性值均为0；
步骤2.3.3、获得已知类型i的所有心电信号F(n)中ST段抬高和ST段降低的心拍数，将ST段抬高和ST段降低的心拍数分别计和，ST段抬高的心拍数的总数占总心拍数的百分比记为yi1，ST段降低的心拍数的总数占总心拍数的百分比记为yi2，即类型i的心电信号的ST段抬高和ST段降低的特征属性值分别为yi1和yi2；
对同一类型的多个已知类型的心电信号F(n)进行特征参数提取之后，对于属于同一类型i的心电信号F(n)，i＝(a、b、c、d、e、f)，定义类型i的多个已知类型心电信号F(n)中某种特征参数的心拍数总数占总心拍数的百分比为这一类心电信号的特征属性值，则这一类心电信号的特征属性值向量定义为分类特征属性值向量Yi＝[yi1yi2yi3yi4yi5]；
步骤三、根据心电图知识创建心电本体ecg.owl：创建心电本体ecg.owl的类和实例，定义心电本体的属性的限制条件，包括属性的名称，定义域和值域；
步骤四、根据模糊概念格与心电本体ecg.owl之间的映射关系，模糊概念格由外延、内涵和相应的隶属度值构成；模糊概念格的外延、内涵依次对应为心电本体ecg.owl中的类名、属性，将步骤二中得到的一类心电信号的特征属性值yi作为模糊概念格行与列交叉处的隶属度值，从而构建模糊概念格，获得概念格中的节点关系和节点构成；
步骤五、利用步骤一的方法对待检心电信号fx(n)进行预处理，处理之后得到的待检心电信号用Fx(n)表示；利用步骤二的方法对Fx(n)进行特征提取获得待检心电的待检特征属性值向量X＝[x1x2x3x4x5]；
步骤六、利用心电本体ecg.owl结合模糊概念格中的节点关系以及各节点对应的节点构成，获得模糊推理规则，利用Jess推理机完成推理，获得待检心电Fx(n)的候选对象概率值P；
步骤七、利用基于信息熵的概率加权相似度量对待检心电进行分类，得到最终的分类结果，将待检心电Fx(n)划分为已知类型心电信号F(n)中的一种完成待检心电Fx(n)的分类。
2.根据权利要求1所述的一种用于非治疗目的的基于模糊推理结合加权相似度量的心电分类方法，其特征在于步骤三中创建心电本体ecg.owl的类和实例，定义心电本体的属性的限制条件，包括属性的名称，定义域和值域的实现过程为：
心电本体ecg.owl的类包括：心电类型、待检心电、形态、节点位置；类与相应的实例对应如下：
心电类型对应实例包括类型a、类型b、类型c、类型d、类型e、类型f；表示心电信号的类型；
待检心电对应实例包括各待检心电信号；
形态对应实例包括抬高、降低、宽大、倒置、电交替；表示心电信号中不同波段具有的形态；
节点位置对应实例包括节点1到节点11；表示模糊推理的结果；
心电本体ecg.owl的属性包括：ST段状态，T波状态，QRS波段状态；
ST段状态，T波状态，QRS波段状态的定义域均为待检心电，值域为形态。
3.根据权利要求2所述的一种用于非治疗目的的基于模糊推理结合加权相似度量的心电分类方法，其特征在于步骤四中构建模糊概念格的实现过程为：
步骤4.1、根据心电本体ecg.owl与模糊概念格的映射关系，模糊概念格的外延由心电本体ecg.owl的心电类型得来，模糊概念格的外延为类型a、类型b、类型c、类型d、类型e、类型f，为叙述方便用标号a～f代替；而模糊概念格的内涵由心电本体ecg.owl的属性得来，模糊概念格的内涵为ST段抬高，ST段降低，QRS波段宽大，T波倒置，T波电交替这五种波形特征，用标号1～5代替；模糊概念格的行为外延，列为内涵；
步骤4.2、隶属度值是由特征提取部分得到的特征属性值，设定阈值θ为每种外延下各个内涵对应的隶属度值的均值，即模糊概念格每行隶属度值的均值；隶属度值大于阈值θ表示有效属性值，其余则为无效属性，剔除无效属性的隶属度值；
步骤4.3、根据剔除了无效隶属度值之后的模糊概念格，利用概念格构建软件LatticeMiner得到概念格，从而得到概念格的节点构成；其中，节点Q的构成如下：
节点1：({内涵：1，2，3，4，5}，{外延：})；
节点2：({内涵：2，3，4，5}，{外延：c})；
节点3：({内涵：1，4，5}，{外延：d})；
节点4：({内涵：2，3}，{外延：c，f})；
节点5：({内涵：2，4，}，{外延：b，c})；
节点6：({内涵：4，5}，{外延：c，d})；
节点7：({内涵：1，5}，{外延：a，d，e})；
节点8：({内涵：2}，{外延：b，c，f})；
节点9：({内涵：4，}，{外延：b，c，d})；
节点10：({内涵：5}，{外延：a，c，d，e})；
节点11：({内涵：}，{外延：a，b，c，d，e，f})。
4.根据权利要求3所述的一种用于非治疗目的的基于模糊推理结合加权相似度量的心电分类方法，其特征在于步骤五中对待检心电信号Fx(n)进行特征参数的实现过程为：
步骤5.1、利用步骤2.1.1和2.1.2的方法对待检心电信号Fx(n)进行QRS波段检测及对应特征参数提取，获得待检心电信号中QRS波段宽大的心拍数，定义QRS波段宽大的心拍数占待检心电信号Fx(n)总心拍数的百分比为x3，即待检心电信号Fx(n)QRS波段宽大的特征属性值为x3；若QRS波段正常，则x3为0；
步骤5.2、利用步骤2.2.1和2.2.2的方法对待检心电信号Fx(n)进行T波检测及对应特征参数提取，获得待检心电信号中T波倒置和T波电交替的心拍数，定义T波倒置的心拍数占待检心电信号Fx(n)总心拍数的百分比为x4，即待检心电信号Fx(n)QRS波段宽大的特征属性值为x4；定义T波电交替的心拍数占待检心电信号Fx(n)总心拍数的百分比为x5，即待检心电信号Fx(n)T波电交替的特征属性值为x5；
步骤5.3、利用步骤2.3.1和2.3.2的方法对待检心电信号Fx(n)进行ST段检测及对应特征参数提取，获得待检心电信号中ST段抬高和ST段降低的心拍数，定义ST段抬高的心拍数占待检心电信号Fx(n)总心拍数的百分比为x1，即待检心电信号Fx(n)ST段抬高的特征属性值为x1；定义ST段降低的心拍数占待检心电信号Fx(n)总心拍数的百分比为x2，即待检心电信号Fx(n)ST段降低的特征属性值为x2；
步骤5.4、进行特征参数提取之后，分别获得各个特征属性值，则该待检心电的特征属性值向量定义为待检特征属性值向量X＝[x1x2x3x4x5]。
5.根据权利要求4所述的一种用于非治疗目的的基于模糊推理结合加权相似度量的心电分类方法，其特征在于步骤六的实现过程为：
根据所构建的模糊概念格，将模糊概念格的有效属性值赋给心电本体ecg.owl的属性，根据SWRL的语法将推理规则输入成SWRL语言，再由节点间的关系得出Jess推理机可识别的推理规则；将待检心电Fx(n)作为心电本体ecg.owl中的待检心电的实例，启动Jess推理机进行推理，得到推理结果，推理结果为节点位置Q和待检心电Fx(n)的候选外延概率值P。
6.根据权利要求5所述的一种用于非治疗目的的基于模糊推理结合加权相似度量的心电分类方法，其特征在于步骤七中利用加权相似度量进行分类的实现过程为：
步骤7.1、首先计算待检心电Fx(n)的待检特征属性值向量X的信息熵Entro_X以及类型i的心电信号F(n)的分类特征属性值向量Yi的信息熵Entro_Yi； j＝(1，2，3，4，5)，i＝(a，b，c，d，e，f)；
然后构建加权因子Wi，Wi＝(Temp(X，Yi))2；
其中Temp(X，Yi)＝Entro_X-P*Entro_Yi；
假定0*log20＝0，当Temp(X，Yi)为0时，Wi也为0，即该权值对分类完全没有影响时，将其去掉；
步骤7.2、选用待检特征属性值向量X与分类特征属性值向量Yi的距离，给出基于熵的属性加权相似度量算法的距离函数：j＝(1，2，3，4，5)；计算距离函数di(X，Yi)，选出di(X，Yi)最小时所对应的i值，将待检心电Fx(n)划分在类型i中，完成待检心电Fx(n)的分类。
7.根据权利要求6所述的一种用于非治疗目的的基于模糊推理结合加权相似度量的心电分类方法，其特征在于：i不仅限于a、b、c、d、e、f，即i包括所有类型的心电信号，类型的实例不仅限于类型a，类型b，类型c，类型d，类型e，类型f中，对于心电信号的所有类型同样适用；j不仅限于1，2，3，4，5，即特征参数不仅包括ST段抬高，ST段降低，QRS波段宽大，T波倒置，T波电交替五种特征参数；属性的实例不仅限于ST段抬高，ST段降低，QRS波段宽大，T波倒置，T波电交替，对于心电信号的所有属性同样适用。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410849735.1A CN104537243B (zh) | 2014-12-30 | 2014-12-30 | 一种用于非治疗目的的基于模糊推理结合加权相似度量的心电分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410849735.1A CN104537243B (zh) | 2014-12-30 | 2014-12-30 | 一种用于非治疗目的的基于模糊推理结合加权相似度量的心电分类方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104537243A CN104537243A (zh) | 2015-04-22 |
| CN104537243B true CN104537243B (zh) | 2018-03-27 |
Family
ID=52852769
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410849735.1A Expired - Fee Related CN104537243B (zh) | 2014-12-30 | 2014-12-30 | 一种用于非治疗目的的基于模糊推理结合加权相似度量的心电分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104537243B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108814584B (zh) * | 2018-04-12 | 2021-04-30 | 深圳竹信科技有限公司 | 心电信号检测方法、终端和计算机可读存储介质 |
| CN110547786B (zh) * | 2018-06-01 | 2020-05-05 | 山东省计算中心（国家超级计算济南中心） | 基于多尺度小波变换的心电图波形的形态识别方法 |
| CN109545370B (zh) * | 2018-10-27 | 2023-08-22 | 平安医疗健康管理股份有限公司 | 基于样本处理的病种确定方法、装置及终端 |
| CN109674464B (zh) * | 2019-01-29 | 2021-04-30 | 郑州大学 | 一种多导联心电信号复合特征提取方法及对应监测系统 |
| CN109875570B (zh) * | 2019-01-30 | 2020-08-18 | 华南理工大学 | 一种运动前后心电信号身份识别的有效方法 |
| CN112587148B (zh) * | 2020-12-01 | 2023-02-17 | 上海数创医疗科技有限公司 | 一种包含模糊化相似性测量方法的模板生成方法和装置 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101887721A (zh) * | 2010-07-19 | 2010-11-17 | 东南大学 | 一种基于心电信号与语音信号的双模态情感识别方法 |
| CN103678534A (zh) * | 2013-11-29 | 2014-03-26 | 沈阳工业大学 | 结合粗糙集和模糊推理的生理信息与健康相关性获取方法 |
-
2014
- 2014-12-30 CN CN201410849735.1A patent/CN104537243B/zh not_active Expired - Fee Related
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101887721A (zh) * | 2010-07-19 | 2010-11-17 | 东南大学 | 一种基于心电信号与语音信号的双模态情感识别方法 |
| CN103678534A (zh) * | 2013-11-29 | 2014-03-26 | 沈阳工业大学 | 结合粗糙集和模糊推理的生理信息与健康相关性获取方法 |
Non-Patent Citations (3)
| Title |
|---|
| Classification of fault location and the degree of performance degradation of a rolling bearing based on an improved hyper-sphere-structured multi-class support vector machine;Yujing Wang etc.;《Mechanical Systems and Signal Processing》;20121231;第404–414页 * |
| 基于SWRL 推理机制的心电图本体设计与实现;牟冬梅等;《情报学报》;20101031;第29卷(第5期);第954-960页 * |
| 心电图模式分类方法研究进展与分析;王丽苹等;《中国生物医学工程学报》;20101231;第29卷(第6期);第916-922页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104537243A (zh) | 2015-04-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104537243B (zh) | 一种用于非治疗目的的基于模糊推理结合加权相似度量的心电分类方法 | |
| CN110443798B (zh) | 一种基于磁共振图像的自闭症检测方法、装置及系统 | |
| CN101893704B (zh) | 一种基于粗糙集的雷达辐射源信号识别方法 | |
| CN106473750A (zh) | 基于光电容积脉搏波最佳周期波形的身份识别方法 | |
| CN106778684A (zh) | 深度神经网络训练方法及人脸识别方法 | |
| CN1322465C (zh) | 自动指纹识别方法中的图像分割及指纹纹路距离提取方法 | |
| CN110213222A (zh) | 基于机器学习的网络入侵检测方法 | |
| Li et al. | Medical data stream distribution pattern association rule mining algorithm based on density estimation | |
| CN106874722A (zh) | 一种基于心电信号的身份识别方法及其装置 | |
| CN110348486A (zh) | 基于采样与特征简约的非平衡数据集转换方法及系统 | |
| CN112883803B (zh) | 一种基于深度学习的心电信号分类方法、装置及存储介质 | |
| CN113889252B (zh) | 基于生命体征大数据聚类核心算法和区块链的远程互联网大数据智慧医疗系统 | |
| CN104622446A (zh) | 一种基于khm聚类算法的心率变异信号优化方法 | |
| Yao et al. | Interpretation of electrocardiogram heartbeat by CNN and GRU | |
| CN107092895A (zh) | 一种基于深度信念网络的多模态情感识别方法 | |
| WO2023174431A1 (zh) | 一种kpi曲线数据处理方法 | |
| Ahmed et al. | Improving prediction of plant disease using k-efficient clustering and classification algorithms | |
| CN109214466A (zh) | 一种基于密度的新型聚类算法 | |
| Povoroznyuk et al. | Design of non-linear filter in the problem of structural identification of biomedical signals with locally concentrated properties | |
| CN114366116A (zh) | 一种基于Mask R-CNN网络及心电图的参数获取方法 | |
| To et al. | Analysis of cardiac imaging data using decision tree based parallel genetic programming | |
| Mohseni et al. | Heart arrhythmias classification via a sequential classifier using neural network, principal component analysis and heart rate variation | |
| CN104573746B (zh) | 基于磁共振成像的实蝇种类识别方法 | |
| CN110533636B (zh) | 一种图像分析装置 | |
| CN103948387B (zh) | 一种基于大数据实现异常心电模板的多态重构及优化方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180327 Termination date: 20211230 |