CN105411565A - 基于广义尺度小波熵的心率变异性特征分类方法 - Google Patents

Abstract

本发明公开了一种基于广义尺度小波熵的心率变异性特征分类方法，属于心电信号处理领域。对待处理的原心电信号进行干扰和基线漂移去除等预处理之后进行R波定位并通过计算相邻R波的间隔获得HRV序列；对其进行离散小波变换获得离散小波系数，然后根据需求选取适当α值计算各层小波系数的α阶广义小波熵；再根据所得熵值筛选出具有统计差异性的尺度作为特征层，并用它们的α阶广义小波熵值构建特征向量，从而对心电信号进行分类识别。

Description

基于广义尺度小波熵的心率变异性特征分类方法

技术领域

本发明提出一种心率变异性分析方法，结合适合的分类器，能够有效地完成对不同种类心电信号的识别分类，属于心电信号处理领域。

背景技术

心率变异性是指逐次心搏间期之间的微小差异，它产生于自主神经系统对窦房结自律性的调制。现有心率变异性分析主要基于时域、变换域的线性参数分析和复杂度分析等非线性参数分析。作为无创评估迷走神经张力的方法，心率变异性(HeartRateVariability,HRV)分析被认为是反映这类植物性神经系统功能的有效手段，利用HRV对心动进行自动检测具有较高的特异性及敏感性，进而心率变异性分析成为心房颤动(AtrialFibrillation,AF)等研究的一大热点。心房颤动是临床常见的心律失常疾病。罹患AF不仅引起患者心功能下降还会增加并发脑中风和血栓的风险。研究表明，阵发性房颤(PAF)患者存在着自主神经功能紊乱的现象，特别是迷走神经张力的增强可能是诱发阵发性房颤发作和终止的重要影响因素之一。

房颤的心率变异性时域的统计分析计算较为简单，最早应用于临床，但此方法基于HRV信号服从特定的具有统计弱相关性的随机序列的假设，在一定程度上忽视了心率间变化的关联性信息，从而导致迷走神经的张力及其均衡性的变化无法精确识别，可能会损失AF分类识别的敏感性和特异性。频域的功率谱分析通过对HRV信号进行频段分割，通过各频段能量权重反映交感神经系统和副交感神经系统的状况及其均衡性态势，但它基于平稳信号模型，只能反映其一段时间内总体变化信息，不能反映其动态特征和细节，对一些疾病特异性不强。从1992年VetterliM将小波变换应用于滤波器，1998年黄锷提出希尔伯特黄变换(Hilbert-Huang)后，小波分析等变换域的方法应用到心率变异性分析中，通过时频分析克服了传统分析的弊端，并且取得了比较好的结果。但是此类方法多直接针对小波系数直接分析，属于线性分析的范畴，缺乏结合HRV信号本身的分形结构和混沌特征。

采用非线性方法如复杂度或熵作为表征其特征的数字指标，如彭秋莲等人用样本熵和近似熵对阵发性房颤进行了预测研究并取得了较好的结果。但这种单纯的非线性分析往往是对信号整体的混沌性进行估计，对于信噪比较低的信号则显得无能为力。

近年来，研究者们将线性分析方法和非线性分析方法结合起来进行心率变异性分析，这样的组合分析方法效果都比原有方法取得了显著提高。CheSnokov.在2008年提出将复杂度-样本熵和谱分析结合来远距离预测阵发性房颤，但是其并没有获得阵发性房颤的信号特征，并且对远离房颤的信号分析处理中并没有获得良好的特异性。同样，在2012年他提出将复杂度分析—样本熵与线性变换和双线性变换方法相结合来区分远离阵发性房颤信号和阵发性房颤信号，并且在准确度、特异性和敏感性上取得进步，但这种方法的缺陷仍难以回避。首先，该方法计算过程复杂繁琐；其次，这种方法实际上并没有将非线性变换和线性变换从理论上很好的结合在一起，而仅进行了实验上的叠加，在没有大量样本验证的情况下，对于HRV这种个体差异性极大的生理信号，很容易出现偶然误差或由个体差异性所产生的误差，其结果并不具备很好的信服力。

因此需要一种算法来适应非线性和非平稳的生理信号，在尽可能完整提取信号的有效信息的同时又尽可能的减少噪声影响显然并不容易。这里考虑如果开发一种能将线性变换和非线性变换完全结合到一起的算法，能够实现在将信号的噪声去除的同时提取出信号的有效信息和混沌性特征，无疑是一种最优选择。

发明内容：

鉴于现有算法的不足以及心率变异性信号的不确定性，本发明的目的在于解决在有效提取心率变异性信号有用特征的同时又能尽可能地减小噪声的影响的问题。本发明提出了一种基于广义尺度小波熵的方法来提取心率变异性信号有用特征并进行分类识别的方法。

为了实现本发明的目的，本发明提供了一种基于广义尺度小波熵的心率变异性特征分类方法，包括如下步骤：

步骤S1：采集ECG信号并进行预处理，进行R波定位并通过计算相邻R波的间隔获得HRV序列；

步骤S2：特征提取：

S2-1:首先对步骤S1获得的HRV序列进行m个尺度的离散小波变换，获得各个尺度的离散小波系数，令D_jk为第j个尺度上的第k个离散小波系数；其中j＝1,2,…m；k＝1,2,…n；作为优选，采用db8作为小波基函数，对HRV序列进行8个尺度的离散小波变换。

S2-2:根据各层离散小波系数计算各尺度的α阶广义小波熵值：

方法如下：

记尺度j上的小波系数矢量为W_j：

W_j＝(D_j1,D_j2,...,D_jk,...,D_jn)；

则尺度j上W_j的α阶广义小波熵值H(W_j)为：

$H\left(W_j\right)=\underset{k=1}{\overset{n}{\Σ}}\frac{{\left(p_{jk}\right)}^{\mathrm{\α}}-p_{jk}}{\mathrm{\α}-1};$

其中α值通过训练和学习获得最优值，作为优选，α值在0～5之间，p_jk根据下式获得：

$p_{jk}=D_{jk}/\underset{k=1}{\overset{n}{\Σ}}{D}_{jk};$

步骤S3：分类：

S3-1：对不同类别的心电信号，筛选出具有统计差异性的尺度上α阶广义小波熵来构造特征向量；作为优选，对不同类别的心电信号，利用统计假设检验的方式，筛选出具有统计差异性的尺度上α阶广义小波熵来构造特征向量。进一步地，可以采用置信度为0.05的t检验筛选具有统计差异性的前3个尺度层次的α阶广义小波熵来构造特征向量；

S3-2:利用所构造的特征向量，对关于步骤S3-1中所述不同类别进行心电信号的分类。作为优选，采用分类器进行不同类别心电信号的分类，采用的分类器包括如下之一：Bayes分类器，BP神经网络分类器，自组织映射，支持向量机。

作为优选，步骤S1包括：

S1-1:首先去除ECG信号中的工频干扰、肌电干扰及基线漂移；

S1-2:对步骤S1-1获得的ECG信号进行QRS波群定位，计算相邻R波的间隔，并将其编号从而获得原始HRV信号序列；作为优选，采用Pan-Tompkins算法检测QRS波群，定位R波；

S1-3:去除HRV信号中存在的伪差和异位起搏点，从而获得待分析的HRV序列；

作为优选，对阵发性房颤ECG信号和非阵发性房颤ECG信号进行分类时，α为1.7。

对比现有技术，本发明有益效果在于：本方法在现有的线性分析和非线性分析方法基础上，提出将小波变换和α阶广义熵方法结合，形成α阶小波熵算法进行心率变异性特征分析。α阶广义熵是传统香农熵的一种扩展，它对特征参数进行了范围推广以提高其正确性、敏感性和特异性。当α＝1时，就是香农熵。本方法能够对不同尺度上信息量的变化和时频域上能量分布特性进行定量描述，再结合SVM等分类方法，便能够对诸如PAF等心电信号进行分类预测研究。此外结合基于小波分析方法建立起类似信息熵的理论——小波熵理论，避免了单纯时频分析带来的混沌特征缺乏，以及非线性方法对信噪比较低的信号分析的低准确率。小波熵方法结合心电生理信号的特点，将小波变换方法具有多分辨率及良好的局部特征，和信息论中熵被用来表示每个符号所提供的平均信息量和信源的平均不确定性特点结合在一起来分析仅有随机性和不确定性的生理信号，能够对时频域上能量分布特性进行定量描述。本发明引入α阶小波熵代替香农熵进行推广，使得相比其它线性或非线性方法，其结果更加适应心脏电信号生理规律。

附图说明

图1为本发明方法的流程图；

图2遍历广义熵阶数α进行阵发性房颤分类均值比较；

图3遍历广义熵阶数α进行阵发性房颤分类标准差比较；

图4PAF信号与远离PAF的信号第二层小波熵的箱型图；

图5PAF信号与远离PAF的信号第六层小波熵的箱型图；

图6PAF信号与远离PAF的信号第八层小波熵的箱型图。

具体实施方式

下面将对本发明加以详细说明，同时也叙述了本发明技术方案解决的技术问题及有益效果，需要指出的是，所描述的实例仅旨在便于对本发明的理解，而对其不起任何限定作用。

下面以对阵发性房颤ECG信号和非阵发性房颤ECG信号进行分类为例，结合附图说明本发明的具体实施方式。算法流程图见图1。

步骤S1：采集ECG信号并进行预处理，获得HRV序列：这一步包括:

S1-1:采集或提取所需多个均大于5分钟的心电信号，本实例中我们选用来自MIT-BIH标准数据库的50例数据,每一例为30分钟，其采样率为128Hz。其中已知远离PAF和PAF样本的HRV信号各25例。

首先去除ECG信号中50Hz工频干扰、肌电干扰及基线漂移；作为优选，在这里，采用FIR带通滤波器去除ECG信号中50Hz工频干扰、肌电干扰及基线漂移，滤波器截止频率设为5Hz和15Hz。

S1-2:对S1-2进行预处理后获得的ECG信号中的QRS波进行定位，计算相邻R波的间隔，并将其编号即为原始HRV信号序列；在这里我们采用Pan-Tompkins算法(Ref:JiapuPan，WillisJ.Tompkins.AReal-TimeQRSDetectionAlgorithm，IEEETransactionsonBiomedicalEngineering，1985)对R波定位，计算RR波的间隔，便可以获得原始HRV信号序列。

S1-3:虽然在一般情况下心率信号中异常RR值是很少的，但为了减少误差影响，需要通过识别异常和虚假RR间期的方法去除HRV信号中存在的伪差和异位起搏点，获得待分析的HRV序列f(t)，识别异常和虚假RR间期的方法主要是通过不同R波定位的方法确定的。在这里，根据我们在S1-3中采取的R波定位算法，我们在这里参照文献(Ref:CliffordG.D,McSharryP.E.,TarassenkoL.Human24-HourRRTimeSeriestoAidIdentificationandArtificialReplicationofCircadianVariationsinHumanBeattoBeatHeartRateUsingaSimpleThreshold.ComputersinCardiology，2002)进行伪差和异位起搏点去除，并进一步获得50例HRV信号样本。

步骤S2：特征提取：

S2-1:对步骤S1预处理后获得的HRV序列进行m个尺度的离散小波变换，获得各个尺度的离散小波系数D_jk；由于小波变换是在传统傅里叶变换基础上发展起来的,在时域和频域都具有表征信号局部特征的能力，而小波函数的选择是小波变换的关键，它会对后面的分类精度有着很大的影响，因此必须准确选择。一般而言，小波函数的选取需要经验和技巧，但是不管选择哪一种小波函数φ(t)都必须满足下列条件:

$C_{\mathrm{\&Phi;}}={\&Integral;}_R\frac{{\left|\mathrm{\&Phi;}\left(\mathrm{\&omega;}\right)\right|}^2}{\mathrm{\&omega;}}\mathrm{d\&omega;}<\&infin;$

式中：Φ(ω)是φ(t)的傅里叶变换，φ(t)∈L²(C),且Φ(ω)|_ω＝0＝0。

首先需要将信号f(t)∈L²(R)进行小波变换，也就是利用小波核函数φ(t)伸缩和平移可得到一个小波函数族：

${\mathrm{\&phi;}}_{j,k}\left(t\right)=a_0^{\frac{-j}{2}}\mathrm{\&phi;}(a_0^{-j}t-{\mathrm{kb}}_0)$

其中φ_j,k(t)是小波函数，表示尺度参数，b＝kb₀表示平移参数，则信号的小波变换为：

$W_s(a,t)=\frac{1}{\sqrt{\left|a\right|}}\&Integral;f\left(t\right){\mathrm{\&phi;}}^{*}\left(t\right)dt=<f\left(t\right).{\mathrm{\&phi;}}_{a,t}>,$ 其中f(t)为信号。

在多尺度分析中，可以从尺度函数的伸缩和平移的线性组合中得到小波φ_jk(t)。因此可利用正交小波函数，将信号f(t)进行分解，便可得到小波系数D_j,k：

其中：

D_jk＝＜f(t),φ_jk(t)＞,j,k∈z

其中j表示分解的尺度,k表示抽样时间,其中第一项为f(t)的尺度j的连续逼近,称其系数C_jk为f(t)的离散平滑系数；第二项为f(t)在尺度j下的细节，其相应的系数D_jk为小波系数,表示f(t)的离散小波系数,这些小波系数表示不同尺度下局部能量的直观估计。

在这里，考虑到信号特点和现有研究，对S1预处理后得到的HRV信号序列,参照文献(ChenSW.Awavelet-basedheartratevariabilityanalysisforthestudyofnon-sustainedVentriculartachycardia[J].IEEETransactionsonBiomedicalEngineerin.2002)选用db8作为小波基函数，对HRV信号f(t)进行8个尺度的离散小波变换

φ_jk(t)＝2^-j/2φ(2^j/2t-k)

便可以获得离散小波系数D_jk，在这里将获得的第1到第8层的小波系数分别记作D1，D2，……，D7，D8。

S2-2:对得到的各层小波系数计算得到各尺度的α阶广义小波熵值。

将香农熵推广到α阶广义熵，再计算基于α阶广义熵的小波熵值。由于普通小波熵计算方法对于噪声过于比较敏感，即使少量的噪声也可能会引起信息量计算的较大变化，从而误导对信号特点的评估，并且此方法较为简单。在本实例中设计了基于α阶广义熵的方法作为实例进行实施过程介绍。

首先需要选用适当的方法讨论并选择α值，以便能最大程度地对信号和噪声进行区分，提高结果的特异性和敏感性。通常，选择α的方法有很多种，例如直接遍历法、遗传算法、蚁群算法、模拟退火算法等，并且α值在0～5之间为常用选择。在这里，为了算法实现的通用性，我们选择了简单的直接遍历法。我们将α从0.1到5.0进行步长为0.1的遍历，分别运用α阶小波熵对PAF进行分类。根据图2，3显示结果，为了体现出小波熵在PAF分类中的综合表现能力，我们选取α为1.7，此时准确性、敏感性及特异性分别达到了92.18±1.40、94.88±1.81和89.48±2.02，并具有较强的稳定性。

然后再计算基于α阶广义熵的小波熵值，方法如下：

记尺度j(j＝1,2,…8)上的小波系数矢量为W_j：

W_j＝(D_j1，D_j2,...,D_jn).

那么进一步便可以计算对应的尺度j上W_j的α阶广义熵值H(W_j)：

$H\left(W_j\right)=\underset{k=1}{\overset{n}{\&Sigma;}}\frac{{\left(p_{jk}\right)}^{\mathrm{\&alpha;}}-p_{jk}}{\mathrm{\&alpha;}-1}$

其中p_jk计算如下：

$p_{jk}=D_{jk}/\underset{k=1}{\overset{n}{\&Sigma;}}{D}_{jk}.$

步骤S3：阵发性房颤信号和非阵发性房颤信号的分类。

S3-1：利用统计假设检验的方式，根据自己的要求遴选出具有统计差异性的尺度层次来构造特征向量。这个实例中，分别计算出PAF与远离PAF的HRV信号的各8个尺度小波熵以后，针对每一层的小波熵值，我们进一步采用置信度为0.05的统计t检验遴选具有统计差异性的前3个尺度层次来构造特征向量。t检验的零假设和备择假设分别为：

H₀:θ_PAF＝θ_远离PAF

H₁:θ_PAF≠θ_远离PAF

针对每一层的小波熵值，其中θ为样本的一阶矩，具体而言θ_PAF是此层PAF样本小波熵值的一阶矩，而θ_远离PAF为远离PAF的样本小波熵值的一阶矩。假设在t检验过程中某两个尺度的小波熵值拒绝了假设H₀，我们便认为这两个小波熵值有显著差异。通过此检验，对PAF信号与远离PAF的分类，选择的是D2,D6,D8层小波熵值，其区分结果可由图4,5,6中看出。

S3-2:利用遴选出的特征向量采用分类器进行阵发性房颤信号和非阵发性房颤信号的分类。由于分类器的设计目标是通过学习后，可自动地将数据分到已知类别，所以针对模型的不同，有不同的分类器；根据生理信号的特点，可以采用的分类器包括：Bayes分类器，BP神经网络分类器，自组织映射，支持向量机(SVM)算法等。由于在这个实例中，我们需要解决的是一个二分类问题，所以我们采用了简单通用并且效率高的SVM算法，完成了PAF信号和远离PAF信号的区分识别。针对二分类问题，SVM算法就是要寻找到一个分割平面，使其分类的两类样本到分割平面的距离最大。

假定训练数据(x₁,y₁),(x₂,y₂),…,(x_n,y_n)，这里向量x∈Rⁿ,y∈{-1.+1}。目标是寻找一个超平面，其权重系数向量为ω，使得ω*x+b＝0所确定的超平面将不同的样本集区分开，ω*x表示内积运算，2/||ω||表示两类集中最近点间的距离。SVM分类器能够有效的构建超平面，并正确分离出大部分的数据点，同时使任何一类到超平面的间隔距离最大，这一过程所满足的超平面方程为：

$\left\{\begin{array}{c}\max L\left(\mathrm{\&alpha;}\right)=\underset{i=1}{\overset{n}{\&Sigma;}}{\mathrm{\&alpha;}}_i-\frac{1}{2}\underset{i=1}{\overset{n}{\&Sigma;}}\underset{j=1}{\overset{n}{\&Sigma;}}{\mathrm{\&alpha;}}_i{y}_i{\mathrm{\&alpha;}}_j{y}_{j}K(x_i,y_j)\\ \underset{i=1}{\overset{m}{\&Sigma;}}{\mathrm{\&alpha;}}_i{y}_i=0,{\mathrm{\&alpha;}}_i\&Element;\&lsqb;0,C\&rsqb;,i=1,2,\mathrm{...},n\end{array}\right.$

其中α_i是拉格朗日乘子；这里K(x_i,x_j)是核函数；C是一个常量，一般由约束条件寻优获取。对于一个样本x，针对二分类问题，判别的函数为的正负来确定样本的所属类别。一般来讲，训练的基本任务就是选定合适的核函数和调整参数C。

针对MIT-BIH数据库的50例样本中，采用5折交叉验证的方式进行算法测试。具体说明如下，将25例阵发性房颤信号和25例远离阵发性房颤信号首先各自随机抽取均分为5份，每份各包含5个数据样本。在支持向量机分类时，采用每种类型各四份，一共40例样本作为训练集，其余10类为测试集。循环5次，交叉进行，每次测试集都不相同。

操作方法是将作为训练数据集的40例样本通过S3-1中选出的特征向量作为x，对阵发性房颤信号的y取值为1，远离阵发性房颤信号y取值为-1，组成(x₁,y₁),(x₂,y₂),…,(x₄₀,y₄₀)，利用上述方程组确定核函数K(x_i,x)和参数C，再用检验数据集进行分类结果验证。

为方便对比出本方法的优点，在这里我们将此方法的结果与常见的4种HRV信号分析算法进行比较：参照文献(Ref:CombiningclassicalHRVindiceswithwaveletentropymeasuresimprovestoperformanceindiagnosingcongestiveheartfailure)的时域方法，主要涉及四个参数(Mean、SDNN、RMSSD和pNN50)；参照文献(Ref:P.Laguna,G.B.Moody,R.G.Mark,Powerspectraldensityofunevenlysampleddatabyleast-squareanalysis:performanceandapplicationtoheartratesignals,IEEETrans.Biomed.Eng.1998；G.B.Moody,Spectralanalysisofheartratewithoutresampling,Comput.Cardiol.1993)的频域方法，主要涉及四个参数(pVLF，pLF，pHF，Ratio)；样本熵方法，其中样本熵涉及参数选择，通过参考文献(Ref:S.M.Pincus,A.L.Goldberger,Physiologicaltimeseriesanalysis:whatdoesregularityquantify？Am.J.Physiol.HeartCirc.Physiol.1994)以及实验验证，选取参数m为2,r为0.5倍的样本标准差；小波能量方法，参考文献(Ref:U.Wikludetal.Short-termanalysisofheart-ratevariabilitybyadaptedwavelettransforms.1997)。

将本方法提出的算法与这四种方法进行对比，并结合支持向量机分类验证：依据临床检验的常用指标，我们参照文献(MaryamMohebbi,HassanGhassemian，Predictionofparoxysmalatrialfibrillationbasedonnon-linearanalysisandspectrumandbispectrumfeaturesoftheheartratevariabilitysignal，computermethodsandprogramsinbiomedicine,2012)采用了准确率(CorrectRate)，敏感性(Sensitivity)，特异性(Specificity)三个参数给出对比实验的效果，其定义如下所示：

$CorrectRate\left(\%\right)=\frac{TP+TN}{TP+TN+FN+FP}*100$

$Sensitivity\left(\%\right)=\frac{TP}{TP+FN}*100$

$Specifcity\left(\%\right)=\frac{TN}{TN+FP}*100$

TP，TN，FP以及FN分别表示分类结果的真阳数、真阴数，假阳数及假阴数。

表1α阶广义小波熵与时域、频域、样本熵方法进行PAF分类结果比较

	CorrectRate(％)	Sensitivity(％)	Specificity(％)
				Time	81.78±2.05	77.44±2.17	86.12±3.48
Frequency	57.44±5.42	47.96±7.40	66.92±7.54
				SampEn	64.24±2.00	76.48±3.91	52.00±0.80
WaveletEnergy	87.68±2.27	93.60±3.27	81.76±2.56
				本方法WaveletEntropy	92.18±1.40	94.88±1.81	89.48±2.02

从表1可以明显看出，本文提出的基于α阶广义小波熵的方法在分类结果的正确性，特异性以及显著性上都具有明显的优势，反映出其表征AF心电活动的动态变化过程和基本特点。本方法通过多尺度小波熵分析的引入克服了传统频域分析的弊端，准确性、敏感性及特异性都有了显著的提高。由此可见本发明在相同情况下能获得更好的分类效果，准确性，特异性及敏感性均为各类方法中最高。这样，本发明做到了既能有效的提取PAF的特征信息，又能减少噪声影响获得最好的分类效果。

由于阵发性房颤出现时，机体心率会出现快速不规则的变化，与周围未出现房颤的心率信号极大地不相关，体现出“噪声”的性质，必然会出现信息量的激增变化，而且在不同尺度上的小波系数上又表现出差异性。因此，对比现有技术，本方法在现有的线性分析和非线性分析方法基础上，提出将小波变换和α阶广义熵方法从理论和实际上结合的结构，形成α阶小波熵算法进行心率变异性分析。α阶广义熵是传统香农熵的一种扩展，它对特征参数进行了范围推广以提高其正确性、敏感性和特异性。当α＝1时，就是香农熵。这种方法能够对不同尺度上信息量的变化和时频域上能量分布特性进行定量描述，再结合SVM分类方法，便能够对PAF信号进行分类预测研究。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可理解想到的变换和替换，都应涵盖在本发明的包含范围之内，因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (9)

1.基于广义尺度小波熵的心率变异性特征分类方法，其特征在于，包含如下步骤：

步骤S1：采集ECG信号并进行预处理，进行R波定位并通过计算相邻R波的间隔获得HRV序列；

步骤S2：特征提取：

S2-1:首先对步骤S1获得的HRV序列进行m个尺度的离散小波变换，获得各个尺度的离散小波系数，令D_jk为第j个尺度上的第k个离散小波系数；其中j＝1,2,…m；k＝1,2,…n；

S2-2:根据各层离散小波系数计算各尺度的α阶广义小波熵值：

方法如下：

记尺度j上的小波系数矢量为W_j：

W_j＝(D_j1,D_j2,...,D_jk,...,D_jn)；

则尺度j上W_j的α阶广义小波熵值H(W_j)为：

$H\left(W_j\right)=\underset{k=1}{\overset{n}{\&Sigma;}}\frac{{\left(p_{jk}\right)}^{\mathrm{\&alpha;}}-p_{jk}}{\mathrm{\&alpha;}-1};$

其中α值通过训练和学习获得最优值，p_jk根据下式获得：

$p_{jk}=D_{jk}/\underset{k=1}{\overset{n}{\&Sigma;}}{D}_{jk};$

步骤S3：分类：

S3-1：对不同类别的心电信号，筛选出具有统计差异性的尺度上α阶广义小波熵来构造特征向量；

S3-2:利用所构造的特征向量，对关于步骤S3-1中所述不同类别进行心电信号的分类。

2.根据权利要求1所述一种基于广义尺度小波熵的心率变异性特征分类方法，其特征在于，步骤S1包括：

S1-1:首先去除ECG信号中的工频干扰、肌电干扰及基线漂移；

S1-2:对步骤S1-1获得的ECG信号进行QRS波群定位，计算相邻R波的间隔，并将其编号从而获得原始HRV信号序列；

S1-3:去除HRV信号中存在的伪差和异位起搏点，从而获得待分析的HRV序列。

3.根据权利要求1所述一种基于广义尺度小波熵的心率变异性特征分类方法，其特征在于，步骤S2-2中，α值在0～5之间。

4.根据权利要求2所述一种基于广义尺度小波熵的心率变异性特征分类方法，其特征在于，步骤S1-2中采用Pan-Tompkins算法检测QRS波群，定位R波。

5.根据权利要求1所述一种基于广义尺度小波熵的心率变异性特征分类方法，其特征在于，步骤S3-1：对不同类别的心电信号，利用统计假设检验的方式，筛选出具有统计差异性的尺度上α阶广义小波熵来构造特征向量。

6.根据权利要求1所述一种基于广义尺度小波熵的心率变异性特征分类方法，其特征在于，步骤S3-2中，采用分类器进行不同类别心电信号的分类，采用的分类器包括如下之一：Bayes分类器，BP神经网络分类器，自组织映射，支持向量机。

7.根据权利要求1所述一种基于广义尺度小波熵的心率变异性特征分类方法，其特征在于，步骤S2-1中，采用db8作为小波基函数，对HRV序列进行8个尺度的离散小波变换。

8.根据权利要求5所述一种基于广义尺度小波熵的心率变异性特征分类方法，其特征在于，采用置信度为0.05的t检验筛选具有统计差异性的前3个尺度层次的α阶广义小波熵来构造特征向量。

9.根据权利要求1所述一种基于广义尺度小波熵的心率变异性特征分类方法，其特征在于，对阵发性房颤ECG信号和非阵发性房颤ECG信号进行分类时，α为1.7。