CN104794493A - 一种基于支持向量机的j波分类方法 - Google Patents

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

一种基于支持向量机的J波分类方法

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： $D\left(V\right|\left|\mathrm{WH}\right)=\underset{i,j}{\mathrm{\Σ}}[V_{\mathrm{ij}}{\log }_2\frac{V_{\mathrm{ij}}}{{\left(\mathrm{WH}\right)}_{\mathrm{ij}}}-V_{\mathrm{ij}}+{\left(\mathrm{WH}\right)}_{\mathrm{ij}}],$ 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 $W_{\mathrm{ik}}\←W_{\mathrm{ik}}\frac{\underset{j}{\mathrm{\Σ}}{H}_{\mathrm{kj}}{V}_{\mathrm{ij}}/{\left(\mathrm{WH}\right)}_{\mathrm{ij}}}{\underset{v}{\mathrm{\Σ}}{H}_{\mathrm{kv}}},$ $H_{\mathrm{kj}}\←H_{\mathrm{kj}}\frac{\underset{i}{\mathrm{\Σ}}{W}_{\mathrm{ik}}{V}_{\mathrm{ij}}/{\left(\mathrm{WH}\right)}_{\mathrm{ij}}}{\underset{i}{\mathrm{\Σ}}{W}_{\mathrm{ik}}},$ 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(x_i,y_i)i＝1,2…,m，x∈Rⁿ，y∈{1,-1}，超平面用w^Tx+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y_i[(w^Tx+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： $\begin{array}{c}\underset{w,\mathrm{\λ}}{\min }\{\frac{1}{2}{\left|\right|w\left|\right|}^2+C\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\λ}}_i\}\\ s.t{y}_i(w^T{x}_i-b)+{\mathrm{\λ}}_i\≥0,i=\mathrm{1,2},...,m\end{array},$ 其中λ_i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。