CN106377247B - 基于特征选择的心律失常分类方法 - Google Patents
基于特征选择的心律失常分类方法 Download PDFInfo
- Publication number
- CN106377247B CN106377247B CN201610814290.2A CN201610814290A CN106377247B CN 106377247 B CN106377247 B CN 106377247B CN 201610814290 A CN201610814290 A CN 201610814290A CN 106377247 B CN106377247 B CN 106377247B
- Authority
- CN
- China
- Prior art keywords
- feature
- weight
- probability
- arrhythmia
- calculated
- 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.)
- Active
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Heart & Thoracic Surgery (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Fuzzy Systems (AREA)
- Cardiology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明涉及一种基于特征选择的心律失常分类方法,包括:对ECG信号进行预处理;根据所检测到的R位置,提取形态特征和时频特征,构造原始特征向量;计算特征权重,使用ReliefF算法计算原始特征向量中每个特征的权重;根据特征权重指导种群初始化,根据个体适应度好坏依据选择概率、交叉概率和变异概率分别进行选择、交叉和变异操作得到下一代,如此反复循环,直到满足最大迭代次数终止条件,然后输出适应度最好的个体作为优选特征;利用多分类策略将多个二分类器组成识别分类器实现多种心律失常识别。本发明既降低了特征的维数,又提高了多种心律失常识别的准确率。
Description
技术领域
本发明属于模式识别领域,特别涉及到提取心电图信号特征并结合特征选择解决多种心律失常识别的任务。
背景技术
心律失常长期的存在将引起严重的心脏病变。由于心脏疾病的高死亡率,对心律失常的检测变得十分重要。专家通过分析ECG检测心律失常,但是长时间分析心电图记录既耗时又枯燥,而且通过人眼很难精准辨别心电信号微小的形态变化,致使专家在诊断时可能会丢失或弄错重要信息,因此需要一个高效准确的计算机辅助诊断系统辅助医生检测心律失常。心律失常分类方法包括:预处理、特征提取、特征降维和分类四个步骤。
按照特征提取方法的不同可以将分类方法分为3类:1)时域方法;2)基于统计的方法;3)基于变换的方法。
时域方法即ECG信号的形态特征。如提取RR间隔、QRS复合波和T波持续时间、ECG信号采样值。此种方法简单、快捷,但时域特征无法揭示ECG信号细微变化和隐藏的信息。基于统计的方法即通过统计学方法提取ECG信号特征。如通过高阶累积量提取特征来获取ECG信号隐藏的非线性信息。此种方法虽然可以提取到一些隐藏信息,但其计算量大且分类效果提升不佳。基于变换的方法是将采集到的心电信号变换到另一个域。如利用傅里叶变换获得信号的频域特征,然而生物医学信号是非平稳信号,傅里叶变换无法表示时间和频率的相互关系,对非平稳信号分析有局限性,在一定程度上会导致误识别。时频变换能反映出非平稳信号频率随时间的变化,可以提取到时域或频域方法所不能提取到ECG信号的局部特征,如短时傅里叶变换、小波变换、S变换等。
时频方法提取的特征往往维数较高,不仅增加了计算量,而且会给分类性能带来负面影响。降低特征维数的方法分为特征抽取和特征选择两大类,特征抽取法破坏了原有的特征空间,会降低分类效果。特征选择不存在这种缺点,其可分为过滤式(Filter)和包裹式(Wrapper)。Filter式独立于后续分类结果,而Wrapper法使用分类结果评估特征子集,其准确率高于Filter法,因此心律失常分类主要采用Wrapper法,如遗传算法。Filter式特征选择算法比Wrapper法具有速度上的优势,所以也经常被使用,如ReliefF算法。
发明内容
本发明提出一种新的心律失常分类方法:在对心电信号预处理的基础上,进行特征提取将得到的形态特征和时频特征组成原始特征向量,然后利用Filter-Wrapper法对原始特征向量进行特征选择得到最优特征向量,最后将最优特征向量送入识别分类器识别出多种心律失常类型。本发明的技术方案如下:
一种基于特征选择的心律失常分类方法,包括下列步骤:
(1)对ECG信号进行预处理;
(2)根据所检测到的R位置,提取形态特征和时频特征,构造原始特征向量;
(3)计算特征权重,使用ReliefF算法计算原始特征向量中每个特征的权重;
(4)根据特征权重指导种群初始化,根据个体适应度好坏依据选择概率、交叉概率和变异概率分别进行选择、交叉和变异操作得到下一代,如此反复循环,直到满足最大迭代次数终止条件,然后输出适应度最好的个体作为优选特征;
(5)根据(4)中选中的优选特征,利用多分类策略将多个二分类器组成识别分类器实现多种心律失常识别。
本发明在利用Wrapper式算法特征选择效果的基础上,为克服其特征选择速度的缺点融入特征选择速度快的Filter算法,即根据Filter算法计算出来的特征权重大小指导遗传算法种群初始化,加速特征选择的速度。同时用Filter-Wrapper法进行特征选择既降低了特征的维数,又提高了多种心律失常识别的准确率。
附图说明
图1基于特征选择的心律失常分类方法的流程图
图2Filter-Wrapper特征选择算法流程图
具体实施方式
本发明在特征提取结合了形态特征和时频特征各自优点并形成互补。即时域分析虽然不能提取信号隐藏的特征,但形态特征是专家在判断心律失常类型的主要方法,所以时域特征是一种识别心律失常重要且有效的特征。时频特征可以提取到时域或频域方法所不能提取到ECG信号的局部特征,且可以同时表示ECG时间和频率的相互关系,揭示ECG信号隐藏的特征。所以提取形态特征和时频特征两种特征并将其组成原始特征向量。特征选择结合了Filter式和Wrapper式特征选择算法的优点。即Filter式特征选择速度快但效果差,Wrapper式特征选择效果好但速度慢。所以将两者结合组成Filter-Wrapper法,即将遗传算法与特征选择分类器结合组成Wrapper式特征选择方法,并在其中融入Filter算法。即采用Filter算法计算特征权重,并根据特征权重大小来指导遗传算法种群初始化,加速特征选择的速度。
下面参照图1所示,对本发明的基于特征选择的心律失常分类方法,进行说明:
(1)ECG信号数据来自心电图仪采集到的数据或者公开数据库。
(2)预处理:在噪声去除方面,使用中值滤波法去除基线漂移,利用低通滤波器去除电力线干扰和高频噪声。R波检测采用幅度阈值、小波阈值等。
(2)特征提取:根据预处理检测到的R位置,提取形态特征和时频特征。
形态特征:提取4个RR间隔特征:preRR指给定心拍和其前一心拍的RR间隔;postRR指给定心拍和其后一心拍的RR间隔;localAvgRR指给定心拍前后各五个心拍,共十个RR间隔的平均值;avgRR指一个记录文件中所有RR间隔的平均值。使用3个时间窗截取QRS复合波、T波和P波,并通过采样获取时间窗内的ECG信号采样值作为形态特征。
时频特征:取R波位置前后各100个采样点信号,然后对这200个采样点进行S变换,利用数学统计方法获取ECG信号频率范围内的时频特征。
(3)特征选择:采用Filter-Wrapper组合特征选择方法,将遗传算法和特征选择分类器(特征选择分类器采用SVM)结合组成Wrapper法进行特征选择。由于好的初始种群可以为遗传算法提供良好的搜索起点,采用Filter法(此处公认效果好的ReliefF算法作为Filter法)先计算出特征权重并根据其大小指导种群初始化,为搜索提供一个好的起点,加快特征选择的速度。
在使用遗传算法做特征选择时,用一串长度为d(d是原始特征向量维数)的二进制串结构(称为染色体或个体)表示一个特征组合,1表示对应的特征被选中,0表示对应的特征未被选中。以N个个体组成的初始种群为基础,根据个体适应度ri好坏依据选择概率pi、交叉概率pc和变异概率pm分别进行选择、交叉和变异操作得到下一代,如此反复循环,直到满足最大迭代次数终止条件,然后输出适应度最好的个体作为最终的特征。
Filter-Wrapper组合特征选择方法的流程图如图2所示,具体实现过程如下:
步骤1:计算特征权重,使用ReliefF算法计算原始特征向量中每个特征的权重。
步骤2:初始化种群,首先设置种群个体数量N。根据步骤1计算出的特征权重指导种群初始化,即让特征权重大小决定该特征在染色体个体中对应位为1的概率,设权重最大的特征被选中的概率为p1,权重最小的特征被选中的概率为p2,然后按等差数列求出其余特征被选中的概率。
步骤3:计算个体适应度ri,将每个个体使用特征选择分类器每个的分类准确率ri作为第i个个体的适应度。
步骤5:交叉操作,根据交叉概率pc交叉种群中个体产生新个体。
步骤6:变异操作,根据变异概率pm改变个体中某位的值产生新个体。
步骤7:判断是否满足收敛条件(最大迭代次数G设置为100),若满足,经个体解码得到最优特征向量,不满足则重复步骤4~6。
(4)多分类:利用多分类策略(如“一对多”、“一对一”等)将多个二分类器(采用SVM)组成识别分类器实现多种心律失常识别。
下面以具体的实验来验证本发明所提供方法的有效性:
MIT-BIH心律失常数据库包含48条ECG记录,每条记录由两种不同类型导联(记为A、B导联)记录了长约30分钟的数据,采样率为360Hz;其中45条记录的A导联采用MLII导联,其余采用V5导联;40条记录的B导联采用V1导联,其余采用II、V2、V4和V5导联。本实验采用的ECG数据集来自MIT数据库中MLII导联记录的以下8种心拍类型:正常搏动(normal beat,NORM)、左束支传导阻滞(left bundle branch block beat,LBBB)、右束支传导阻滞(rightbundle branch block beat,RBBB)、室性早搏(premature ventricular contraction,PVC)、房性早搏(atrial premature beat,APB)、起搏心跳(paced beat,PB)、室性扑动波(ventricular flutterwave,VFW)和室性逸搏(ventricular escape beat,VEB)。
表1给出了使用不同特征降维方法进行特征降维后的分类性能,其中SNGA-KPCA属于特征抽取的降维方法,FM-Relief属于Filter法、RF-MI属于Wrapper法。实验结果如下:
表1:不同特征降维方法下的分类性能
通过表1可以看出,本发明所提出的Filter-Wrapper算法明显的优于其他的降维方法,既特征维数降低明显,又分类准确率提高显著。
表2列出了在相同实验环境下,本发明提出的Filter-Wrapper算法与不采用ReliefF算法随机初始化种群的基本遗传算法在特征选择时间和预测准确率上的表现。可以看出本发明提出的Filter-Wrapper算法有更高的预测准确率和更短的特征选择时间。
表2 Filter-Wrapper算法与基本遗传算法性能对比
Claims (1)
1.一种基于特征选择的心律失常分类方法,包括下列步骤:
(1)对ECG信号进行预处理.
(2)根据所检测到的R位置,提取形态特征和时频特征,构造原始特征向量;
(3)计算特征权重,使用ReliefF算法计算原始特征向量中每个特征的权重;
(4)根据特征权重指导种群初始化,根据个体适应度好坏依据选择概率、交叉概率和变异概率分别进行选择、交叉和变异操作得到下一代,如此反复循环,直到满足最大迭代次数终止条件,然后输出适应度最好的个体作为优选特征;
(5)根据(4)中选中的优选特征,利用多分类策略将多个二分类器组成识别分类器实现多种心律失常识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610814290.2A CN106377247B (zh) | 2016-09-10 | 2016-09-10 | 基于特征选择的心律失常分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610814290.2A CN106377247B (zh) | 2016-09-10 | 2016-09-10 | 基于特征选择的心律失常分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106377247A CN106377247A (zh) | 2017-02-08 |
CN106377247B true CN106377247B (zh) | 2019-10-15 |
Family
ID=57936346
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610814290.2A Active CN106377247B (zh) | 2016-09-10 | 2016-09-10 | 基于特征选择的心律失常分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106377247B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107301409B (zh) * | 2017-07-18 | 2023-07-21 | 云南大学 | 基于Wrapper特征选择Bagging学习处理心电图的系统及方法 |
CN107811626A (zh) * | 2017-09-10 | 2018-03-20 | 天津大学 | 一种基于一维卷积神经网络和s变换的心律失常分类方法 |
CN107909048A (zh) * | 2017-11-28 | 2018-04-13 | 天津大学 | 一种基于s变换的心律失常多分类方法 |
CN109303559B (zh) * | 2018-11-01 | 2021-05-14 | 杭州质子科技有限公司 | 一种基于梯度提升决策树的动态心电图心拍分类方法 |
CN109620210B (zh) * | 2019-01-28 | 2019-10-25 | 山东科技大学 | 一种基于自编码模式的cnn与gru结合的心电信号分类方法 |
CN110801218B (zh) * | 2019-11-13 | 2021-03-05 | 清华大学 | 心电图数据处理方法、装置、电子设备及计算机可读介质 |
CN111358459A (zh) * | 2020-02-11 | 2020-07-03 | 广州视源电子科技股份有限公司 | 一种心律失常识别方法、装置、设备和存储介质 |
CN112022141B (zh) * | 2020-08-07 | 2023-06-20 | 上海联影智能医疗科技有限公司 | 一种心电信号类别检测方法、装置及存储介质 |
CN112353400A (zh) * | 2020-10-26 | 2021-02-12 | 武汉联影智融医疗科技有限公司 | 心拍分类方法、装置、计算机设备和存储介质 |
CN113509185A (zh) * | 2021-04-25 | 2021-10-19 | 安徽十锎信息科技有限公司 | 基于多模态病人信息注意力建模的心肌梗塞分类方法 |
CN114533076A (zh) * | 2022-02-28 | 2022-05-27 | 合肥工业大学 | 改进的快速s变换与点对称变换的心电信号快速分类方法 |
CN114886404B (zh) * | 2022-07-13 | 2022-10-28 | 西南民族大学 | 一种电子设备、装置及存储介质 |
CN115363598B (zh) * | 2022-09-19 | 2023-03-24 | 深圳市太美亚电子科技有限公司 | 一种心电信号处理方法及系统 |
CN116089862B (zh) * | 2023-02-06 | 2023-08-15 | 西安交通大学第二附属医院 | 一种基于修正机制的自调节蚁群聚类算法的ecg心律失常分类方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4252128A (en) * | 1979-08-27 | 1981-02-24 | Kane Donald D | Visual pulse indicator |
WO2005094673A1 (de) * | 2004-03-22 | 2005-10-13 | Energy-Lab Technologies Gmbh | Medizinischer brustgurt |
CN104887224A (zh) * | 2015-05-29 | 2015-09-09 | 北京航空航天大学 | 面向癫痫脑电信号的特征提取与自动识别方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1951320A (zh) * | 2006-11-16 | 2007-04-25 | 上海交通大学 | 基于超完备特征的异常心电识别方法 |
JP2009226167A (ja) * | 2008-03-25 | 2009-10-08 | Toshiba Corp | 脈波計測装置及びこれを用いた自律神経解析システム |
KR101136607B1 (ko) * | 2009-10-07 | 2012-04-18 | 삼성전자주식회사 | 생체정보 측정 장치가 구비된 이어폰 장치 |
CN103927556A (zh) * | 2014-05-07 | 2014-07-16 | 天津工业大学 | 一种基于小波包和近似熵的心电信号分类方法 |
CN104367317B (zh) * | 2014-10-15 | 2017-04-12 | 北京理工大学 | 多尺度特征融合的心电图心电信号分类方法 |
CN105550659A (zh) * | 2015-12-25 | 2016-05-04 | 四川大学 | 基于随机投影的实时心电分类方法 |
-
2016
- 2016-09-10 CN CN201610814290.2A patent/CN106377247B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4252128A (en) * | 1979-08-27 | 1981-02-24 | Kane Donald D | Visual pulse indicator |
WO2005094673A1 (de) * | 2004-03-22 | 2005-10-13 | Energy-Lab Technologies Gmbh | Medizinischer brustgurt |
CN104887224A (zh) * | 2015-05-29 | 2015-09-09 | 北京航空航天大学 | 面向癫痫脑电信号的特征提取与自动识别方法 |
Non-Patent Citations (1)
Title |
---|
心电信号的检测与模式分类方法的研究;杨杰;《浙江师范大学硕士学位论文》;20140320;正文 * |
Also Published As
Publication number | Publication date |
---|---|
CN106377247A (zh) | 2017-02-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106377247B (zh) | 基于特征选择的心律失常分类方法 | |
Limam et al. | Atrial fibrillation detection and ECG classification based on convolutional recurrent neural network | |
CN109171712B (zh) | 心房颤动识别方法、装置、设备及计算机可读存储介质 | |
CN110811609B (zh) | 基于自适应模板匹配与机器学习算法融合的癫痫棘波智能检测装置 | |
CN103714281B (zh) | 一种基于心电信号的身份识别方法 | |
CN108596142B (zh) | 一种基于PCANet的心电特征提取方法 | |
CN109700450B (zh) | 一种心率检测方法及电子设备 | |
CN109645980A (zh) | 一种基于深度迁移学习的心律异常分类方法 | |
Bazi et al. | Domain adaptation methods for ECG classification | |
CN109758145A (zh) | 基于脑电信号因果关系的自动睡眠分期方法 | |
CN103092971B (zh) | 一种用于脑机接口中的分类方法 | |
Smíšek et al. | SVM based ECG classification using rhythm and morphology features, cluster analysis and multilevel noise estimation | |
Yildirim | ECG beat detection and classification system using wavelet transform and online sequential ELM | |
Yu et al. | A switchable scheme for ECG beat classification based on independent component analysis | |
CN109124620A (zh) | 一种房颤检测方法、装置及设备 | |
Olanrewaju et al. | Classification of ECG signals for detection of arrhythmia and congestive heart failure based on continuous wavelet transform and deep neural networks | |
Gupta et al. | Segmentation and classification of heart sounds | |
Chen et al. | Finger ECG based two-phase authentication using 1D convolutional neural networks | |
Herrero et al. | Feature extraction for heartbeat classification using independent component analysis and matching pursuits | |
El-Saadawy et al. | Electrocardiogram (ECG) classification based on dynamic beats segmentation | |
CN107909048A (zh) | 一种基于s变换的心律失常多分类方法 | |
Shantha Selva Kumari et al. | Classification of cardiac arrhythmias based on morphological and rhythmic features | |
Ahmed et al. | Novel Bayesian classifier discriminant function optimization strategies for arrhythmia classification | |
Sathawane et al. | Inception based GAN for ECG arrhythmia classification | |
Chan et al. | Recognition of ventricular extrasystoles over the reconstructed phase space of electrocardiogram |
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 |