CN104794493A - 一种基于支持向量机的j波分类方法 - Google Patents
一种基于支持向量机的j波分类方法 Download PDFInfo
- Publication number
- CN104794493A CN104794493A CN201510217189.4A CN201510217189A CN104794493A CN 104794493 A CN104794493 A CN 104794493A CN 201510217189 A CN201510217189 A CN 201510217189A CN 104794493 A CN104794493 A CN 104794493A
- Authority
- CN
- China
- Prior art keywords
- electrocardiosignal
- ripple
- support vector
- waves
- vector machine
- 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.)
- Pending
Links
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明涉及J波的分类方法,具体为一种基于支持向量机的J波分类方法。本发明以盲源分离技术为基础,以支持向量机为主要方法,对含有J波的心电信号进行良性和恶性的自动分类。良性和恶性的分类可辅助医生识别临床异常J波的高危患者,减少恶性过早复极综合征、恶性心律失常及特发性心室颤动猝死的发生,为在临床上对J波的高危状态做出准确的诊断提供理论与实践基础。本发明的实施是医学、盲源分离、机器学习三个学科的结合,处于国内外相关领域的前沿研究热点,相关技术具有先进性和前瞻性。
Description
技术领域
本发明涉及J波的分类方法,具体为一种基于支持向量机的J波分类方法。
背景技术
J波,又称Osborn波,在心电图上主要的表现为QRS波群与ST段连接处(J点)出现了一个明显的基线偏离现象,具有一定的振幅、时限并在心电图中呈现出特殊形态的波形。J波常出现于心室的除极到复极转换的过程,由于其特殊的位置,在临床上越来越受重视。
引发J波心电图变异的方式有两种,一种是生理性的心电图变异,主要的表现为过早复极综合征,另一种是由低温、高血钙、脑外伤等引发的病理性变异,如Brugada综合征、猝死综合征及特发性心室颤动等,我们统称为J波综合征。但近期有研究发现,幅度超过0.1mv的J波同时伴有ST段的变化将会产生恶性的过早复极综合征,存在上述的患者容易引发恶性的发心律失常、致命性的心肌梗塞,甚至可能导致猝死。不难发现心电图异常J波和J波综合征是心脏性猝死高危预警的一个新指标,有着十分重要的临床研究意义。
区分J波的良性和恶性可以作为医生诊断室速、室颤、恶性过早复极综合征、致命性的恶性心律失常、猝死等的心电图预警指标,因此J波的分类非常重要。然而,现有诊断J波为良性和恶性的方法主要从细胞电生理和离子流机制出发,不仅费时而且达不到理想的准确率。
发明内容
本发明为了解决现有区分J波良性和恶性的方法不仅费时而且达不到理想的准确率的问题,提供了一种基于支持向量机的J波分类方法。
本发明是采用如下的技术方案实现的:一种基于支持向量机的J波分类方法,包括以下步骤:
第一步:从病人体表获取含有良性J波的心电信号和恶性J波的心电信号;
第二步:利用非负矩阵分解算法从心电信号中提取J波;
第三步:将提取到的J波用曲线拟合的方法进行拟合,得到拟合参数,该拟合参数作为一个特征向量;
第四步:利用病人病史和J波综合症相关程度的大小来设置参数,将该参数作为一个特征向量;
第五步:利用第三步和第四步获得的特征向量对支持向量机SVM进行训练;
第六步:从待检测者体表获得心电信号;
第七步:对该心电信号重复第二步至第四步以获得该心电信号的特征向量;
第八步:将得到的特征向量输入到已经训练好的支持向量机SVM,对J波进行良性和恶性的分类。
本发明从信号处理的角度出发,首先获得含有J波的心电信号(含有良性和恶性),通过非负矩阵分解的方法从含有J波的心电信号中提取出J波部分,利用病人的病史及J波曲线的拟合参数作为特征向量来训练SVM,最后将训练好后的SVM检测未知的信号,预测的结果可以辅助医生识别临床异常J波的高危患者,进而达到尽早预防和治疗的目的。
附图说明
图1为本发明的流程图。
具体实施方式
一种基于支持向量机的J波分类方法,包括以下步骤:
第一步:从病人体表获取含有良性J波的心电信号和恶性J波的心电信号,同时获得病人的病史,为下面的支持向量机SVM训练做准备;
第二步:利用非负矩阵分解算法从心电信号中提取J波,NMF算法的数学模型为V=WH,其中V为观测信号,W为混合矩阵,H为源信号,NMF算法的约束条件是被分解的矩阵元素均为非负,本发明利用基于散度偏差的NMF算法来提取J波信号,但是心电信号的系数矩阵V通常由正负元素组成,把V中全部负元素用0代替,重新构成一个新的矩阵V1,把V中全部正元素用0代替,对负矩阵取绝对值后构成矩阵V2,这样就构成了两个和V相同维数的非负矩阵,将散度偏差作为目标函数: 要求最小化D(V||WH),其中W、H矩阵元素非负,当且仅当V=WH时,公式才取最小值0,分别将V1和V2带入上述目标函数中,通过下面W和H的迭代规则 分别可以得到H1(即得到J波正半轴信号)和H2(取负后得到J波负半轴信号),进而得到心电信号中的J波信号;
第三步:将提取到的J波用基于最小二乘法的曲线拟合的方法进行拟合,在拟合程度达到99%的条件下得到拟合参数,该拟合参数作为一个特征向量;
第四步:利用病人病史和J波综合症相关程度的大小来设置参数,将该参数作为一个特征向量,当病人的病史中含有恶性心率失常、心室颤动、室性心动过速、严重的心急缺血等症状时,我们将参数设置为1,未发现上述相关的症状时参数为0;
第五步:利用第三步和第四步获得的特征向量对SVM进行训练,SVM分类的原理是寻找一个满足分类要求的最优分类超平面,使得超平面两侧的空白区域最大化,J波的良性和恶性分类适合用两类数据的SVM进行分类,将上述良性的J波标记为第一类,恶性的J波标记为第二类,分别记为1和-1,训练样本集(xi,yi)i=1,2…,m,x∈Rn,y∈{1,-1},超平面用wTx+b=0表示,w为权向量,b为阈值;为了保证最大的分类间距就要满足yi[(wTx+b)]≥1i=1,2,…m,SVM分类算法的原始形式可归结为下列二次规划的优化问题: 其中λi松弛因子,表示错分样本的惩罚程度;C是用于控制对错分样本惩罚的程度的常数,实现在错分样本数与模型复杂性之间的折衷,之后引入拉格朗日函数解决上述优化问题,经过训练样本的训练后,SVM计算出了分类J波良性和恶性的最优超平面;
第六步:从待检测者体表获得心电信号;
第七步:对该心电信号重复第二步至第四步以获得该心电信号的特征向量;
第八步:将得到的特征向量输入到已经训练好的SVM,SVM机器通过已经得到最优分类平面,对待检测者的信息自动的分类,从而到达对J波良性和恶性自动分类的效果。分类的结果可以辅助医生识别临床异常J波的高危患者,减少恶性过早复极综合征、恶性心律失常及特发性心室颤动猝死的发生。
Claims (1)
1.一种基于支持向量机的J波分类方法,其特征在于包括以下步骤:
第一步:从病人体表获取含有良性J波的心电信号和恶性J波的心电信号;
第二步:利用非负矩阵分解算法从心电信号中提取J波;
第三步:将提取到的J波用曲线拟合的方法进行拟合,得到拟合参数,该拟合参数作为一个特征向量;
第四步:利用病人病史和J波综合症相关程度的大小来设置参数,将该参数作为一个特征向量;
第五步:利用第三步和第四步获得的特征向量对支持向量机SVM进行训练;
第六步:从待检测者体表获得心电信号;
第七步:对该心电信号重复第二步至第四步以获得该心电信号的特征向量;
第八步:将得到的特征向量输入到已经训练好的支持向量机SVM,对J波进行良性和恶性的分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510217189.4A CN104794493A (zh) | 2015-04-30 | 2015-04-30 | 一种基于支持向量机的j波分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510217189.4A CN104794493A (zh) | 2015-04-30 | 2015-04-30 | 一种基于支持向量机的j波分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104794493A true CN104794493A (zh) | 2015-07-22 |
Family
ID=53559280
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510217189.4A Pending CN104794493A (zh) | 2015-04-30 | 2015-04-30 | 一种基于支持向量机的j波分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104794493A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105310688A (zh) * | 2015-11-02 | 2016-02-10 | 广东工业大学 | 一种基于非负盲分离胎儿心电特征信号提取方法 |
CN106650609A (zh) * | 2016-10-26 | 2017-05-10 | 太原理工大学 | 基于调q小波变换和高阶累积量的j波检测及分类方法 |
CN107729861A (zh) * | 2017-10-30 | 2018-02-23 | 太原理工大学 | 基于随机森林的j波检测方法 |
-
2015
- 2015-04-30 CN CN201510217189.4A patent/CN104794493A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105310688A (zh) * | 2015-11-02 | 2016-02-10 | 广东工业大学 | 一种基于非负盲分离胎儿心电特征信号提取方法 |
CN105310688B (zh) * | 2015-11-02 | 2018-07-10 | 广东工业大学 | 一种基于非负盲分离胎儿心电特征信号提取方法 |
CN106650609A (zh) * | 2016-10-26 | 2017-05-10 | 太原理工大学 | 基于调q小波变换和高阶累积量的j波检测及分类方法 |
CN107729861A (zh) * | 2017-10-30 | 2018-02-23 | 太原理工大学 | 基于随机森林的j波检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Luo et al. | Patient-specific deep architectural model for ECG classification | |
Shi et al. | Inter-patient heartbeat classification based on region feature extraction and ensemble classifier | |
Emanet | ECG beat classification by using discrete wavelet transform and Random Forest algorithm | |
CN111449644A (zh) | 一种基于时频变换和数据增强技术的生物电信号分类方法 | |
Filos et al. | Beat-to-beat P-wave morphology as a predictor of paroxysmal atrial fibrillation | |
Ahamed et al. | ECG heartbeat classification using ensemble of efficient machine learning approaches on imbalanced datasets | |
Mašetic et al. | Detection of congestive heart failures using c4. 5 decision tree | |
CN104794493A (zh) | 一种基于支持向量机的j波分类方法 | |
Cüvitoğlu et al. | Classification of CAD dataset by using principal component analysis and machine learning approaches | |
Xie et al. | Research on heartbeat classification algorithm based on CART decision tree | |
Qu et al. | ECG signal classification based on BPNN | |
Gupta et al. | Electrocardiogram signal pattern recognition using PCA and ICA on different databases for improved health management | |
Übeyli | Support vector machines for detection of electrocardiographic changes in partial epileptic patients | |
Rahman et al. | Identifying hypertrophic cardiomyopathy patients by classifying individual heartbeats from 12-lead ECG signals | |
Serbest et al. | Classification of cardiac arrhythmias with artificial neural networks according to gender differences | |
Desai et al. | An efficient technique for automated diagnosis of cardiac rhythms using electrocardiogram | |
Lamba et al. | A survey of algorithms for feature extraction and feature classification methods | |
Weems et al. | Classification of the ECG signal using artificial neural network | |
Benchaib et al. | Cardiac arrhythmias classification using artificial metaplasticity algorithm | |
Jiang et al. | Heartbeat classification system based on modified stacked denoising autoencoders and neural networks | |
Bogatinovski et al. | Feature extraction for heartbeat classification in single-lead ECG | |
Conforto et al. | Classification of ECG patterns for diagnostic purposes by means of neural networks and support vector machines | |
Lemkaddem et al. | An autonomous medical monitoring system: Validation on arrhythmia detection | |
Vanage et al. | Classifying five different arrhythmias by analyzing the ECG signals | |
Wang et al. | Arrhythmia recognition based on EMD and support vector machines |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150722 |
|
RJ01 | Rejection of invention patent application after publication |