CN106503670B - 基于相关性分析特征选择的j波检测分类方法 - Google Patents
基于相关性分析特征选择的j波检测分类方法 Download PDFInfo
- Publication number
- CN106503670B CN106503670B CN201610952983.8A CN201610952983A CN106503670B CN 106503670 B CN106503670 B CN 106503670B CN 201610952983 A CN201610952983 A CN 201610952983A CN 106503670 B CN106503670 B CN 106503670B
- Authority
- CN
- China
- Prior art keywords
- feature
- signal
- vector machine
- support vector
- ecg signal
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明涉及J波的检测识别分类方法,具体为基于相关性分析特征选择的J波检测分类方法,该方法包括以下步骤:ECG信号经过预处理,对信号进行去噪与分段;对分段后的信号进行三层小波包分解,对第三层系数进行分析,同时计算研究片段与基线间的面积;计算第三层系数的2、3、4阶累积量特征与能量特征;对累积量特征与能量特征进行相关性分析,根据分类效果进行特征选择;使用选择后的特征作为支持向量机(SVM)分类器的输入,进行正常信号与J波信号进行分类识别,成功检测J波信号。本专利使用相关性分析的特征选择方法进行特征筛选,去除冗余特征,提高分类准确率。
Description
技术领域
本发明涉及J波的检测识别分类方法,具体为基于相关性分析特征选择的J波检测分类方法。
背景技术
J点是心电图(Electrocardiogran,ECG)上QRS波群和ST段交界处的一个突发性转折,它标志着心室除极结束、复极的开始,J点之后的顿挫称为J波。由J波引起的恶性心律失常、猝死或其他严重的心血管疾病的总称,称为J波综合征。其中包括Brugada综合征、特发性心室颤动(室颤)、急性冠状动脉综合征的超急期和早期复极综合征等,会引起恶性心律失常、猝死或其他严重的心血管疾病。
心电图是辅助医生诊断心脏疾病的重要工具,通过对心电图的分析,从J波的病理特性进行分析,通过计算机等辅助设备从信号处理角度对J波进行提取、识别,准确快速地检测出J波,对于医生更加精确的诊断J波综合征、减小J波综合征的致死率具有很大的帮助。
而在现有检测J波的方法中,所提取的特征中可能存在相关的特征,一方面会导致分析特征、训练模型所需要的时间延长;另一方面会产生“维数灾难”。因此对所提取的特征进行相关性分析,除冗余特征,选择最有效的特征组合,达到提高J波检测准确率的目的,在临床上与现实中都具有很重要的意义。
发明内容
本发明为了解决上述问题,提供了基于相关性分析特征选择的J波检测分类方法。
本发明是采用如下的技术方案实现的:基于相关性分析特征选择的J波检测分类方法,包括以下步骤:
由心电图机得到若干ECG信号,ECG信号中包括正常心电信号和J波信号,ECG信号均分为训练组信号和测试组信号,对ECG信号经过预处理,对ECG信号进行去噪与分段;
对分段后的ECG信号进行三层小波包分解,对第三层分解系数进行分析,计算第三层分解系数的2、3、4阶累积量特征;
计算第三层分解系数的能量,同时计算ECG信号与基线间的面积,计算得到的能量、面积和上述的累积量特征形成初始特征集(X1,X2,…Xi…Xj…Xm);
根据分类贡献相关度作为选择的依据来判断特征集是否冗余:计算特征Xi与类集C之间的信息增益IG(Xi|C),进而计算出特征Xi与类集C之间的分类贡献度,即:其中,H(Xi)为特征Xi的信息熵(Entropy),H(C)为类集C的信息熵,表示类集出现的概率,类集C中包括正常心电信号和J波信号,根据C&C(Xi,C)来对初始特征集中的特征进行降序排列;
选择训练组信号的前n个特征输入到支持向量机分类器中,对支持向量机分类器进行训练,再将测试组信号的前n个特征输入到支持向量机分类器中,记录支持向量机分类器分类的准确性,再选择训练组信号的前n+1个特征,输入到支持向量机分类器中,对支持向量机分类器进行训练,随后将测试组信号的前n+1个特征输入到支持向量机分类器中,记录支持向量机分类器分类的准确性,如果此准确性比前一个准确性增加,则再增加一个特征重复上述步骤,直到特征增加到n+k+1时,记录的准确性比n+k个特征时记录的准确性低,则将前n+k个特征组成的特征集作为最终特征集,k等于0、1、2、3、或m-n;
对待测的ECG信号提取初始特征集,选择初始特征集中n+k个特征组成的特征集作为最终特征集,输入到支持向量机分类器,将待测的ECG信号分类。
特征选择(Feature Selection)技术也称特征子集选择,或属性选择,是指从全部特征中选取一个特征子集,使构造出来的模型更好,最终使用选择出的特征进行识别分类时达到更好的效果。在实际应用中,特征数量往往较多,其中可能存在不相关的特征,特征之间也可能存在相互依赖,容易导致分析特征、训练模型所需的时间延长,另外会导致复杂度增加,即特征个数越多,模型也会越复杂,其推广能力会下降。通过特征选择能剔除冗余的特征,从而达到减少特征个数,提高模型精确度,减少运行时间的目的。另一方面,选取出真正相关的特征简化了模型,使研究人员易于理解数据产生的过程。本专利研究了基于相关性分析的特征选择方法,对所提取特征进行分析,按照分类贡献度(Classificationcontribution correlation,C&C)进行特征的降序排列,将相关性大的特征进行选择性的去除,达到减少特征个数,提高分类准确率的目的。为临床的诊断和治疗提供了一种新的有效的方法。
本发明利用小波包分解,通过对分解系数计算累积量特征与能量特征,结合与基线所围面积作为特征,使用相关性分析的特征选择方法进行特征筛选,去除冗余特征,提高分类准确率。
附图说明
图1为特征选择的流程图。
图2为本发明的流程图。
具体实施方式
基于相关性分析特征选择的J波检测分类方法,包括以下步骤:
由心电图机得到若干ECG信号,ECG信号中包括正常心电信号和J波信号,ECG信号均分为训练组信号和测试组信号,对ECG信号经过预处理,对ECG信号进行去噪与分段;
对分段后的ECG信号进行三层小波包分解,对第三层分解系数进行分析,计算第三层分解系数的2、3、4阶累积量特征,小波包变换(WPT)是小波变换(WT)的延伸,其基本思想是让信息能量集中,在细节中寻找有序性,把其中的规律筛选出来,为信号提供一种更加精细的分析方法。小波变换只对信号的低频的近似系数进行分解,对高频部分也即信号的细节部分没有进行进一步的分解。因此,小波变换能够很好的表征以低频信息为主要成分的信号,用在检测是否含有J波的特征提取上,却容易丢失原始ECG信号的大量的细节信息(细小边缘或纹理)等重要信息。本发明使用小波包分解对ECG信号进行分析时,对高频成分也提供了更精细的分解,使包含大量中、高频信息的信号也能得到更好地时频局部化分析,避免了丢失信号信息这一问题。另外如果原始信号具有很好的高斯性,则描述信号的粗糙像的一阶、二阶统计量特征在识别中有很好的效果。但是ECG信号不具备这一特性,为了准确地描述ECG信号,将原信号中隐藏的信息表现出来,就需要使用描述信号细节信息的高阶统计量特征,高阶统计量是指阶数大于二阶的统计量。
计算第三层分解系数的能量,同时计算ECG信号与基线间的面积,计算得到的能量、面积和上述的累积量特征形成初始特征集(X1,X2,…Xi…Xj…Xm);若仅仅考虑累积量特征比较单一,有可能会导致信号的误检,因此计算分解系数的能量,同时,计算信号ST段与基线间的面积,三者结合作为分类器的输入。
根据分类贡献相关度作为选择的依据来判断特征集是否冗余:提取的特征中若存在相关的特征,一方面会导致分析特征、训练模型所需要的时间延长;另一方面会产生“维数灾难”。因此本专利对特征进行相关性分析,进而选择最有效的特征组合,来去除冗余特征,结合面积特征,达到提高J波检测准确率的目的。特征选择时一般首先从特征全集中产生出一个特征子集,然后用评价函数对该特征子集进行评价,评价的结果与停止准则进行比较,若评价结果比停止准则好就停止,否则就继续产生下一组特征子集,继续进行特征选择。计算特征Xi与类集C之间的信息增益IG(Xi|C),进而计算出特征Xi与类集C之间的分类贡献度,即:式中,H(Xi)为特征Xi的信息熵(Entropy),其定义为:Pi为初始特征集(X1,X2,…Xi…Xj…Xm)中Xi被取到的概率,其中,H(C)为类集C的信息熵,计算公式为:P(cl)表示类集出现的概率,类集C中包括正常心电信号和J波信号,根据C&C(Xi,C)来对初始特征集中的特征进行降序排列;
选择训练组信号的前n个特征输入到支持向量机分类器中,对支持向量机分类器进行训练,再将测试组信号的前n个特征输入到支持向量机分类器中,记录支持向量机分类器分类的准确性,再选择训练组信号的前n+1个特征,输入到支持向量机分类器中,对支持向量机分类器进行训练,随后将测试组信号的前n+1个特征输入到支持向量机分类器中,记录支持向量机分类器分类的准确性,如果此准确性比前一个准确性增加,则再增加一个特征重复上述步骤,直到特征增加到n+k+1时,记录的准确性比n+k个特征时记录的准确性低,则将前n+k个特征组成的特征集作为最终特征集,k等于0、1、2、3、或m-n;
对待测的ECG信号提取初始特征集,选择初始特征集中n+k个特征组成的特征集作为最终特征集,输入到支持向量机分类器,将待测的ECG信号分类。
Claims (1)
1.基于相关性分析特征选择的J波检测分类方法,其特征在于包括以下步骤:
由心电图机得到若干ECG信号,ECG信号中包括正常心电信号和J波信号,ECG信号均分为训练组信号和测试组信号,对ECG信号经过预处理,对ECG信号进行去噪与分段;
对分段后的ECG信号进行三层小波包分解,对第三层分解系数进行分析,计算第三层分解系数的2、3、4阶累积量特征;
计算第三层分解系数的能量,同时计算ECG信号与基线间的面积,计算得到的能量、面积和上述的累积量特征形成初始特征集(X1,X2,…Xi…Xj…Xm);
根据分类贡献相关度作为选择的依据来判断特征集是否冗余:计算特征Xi与类集C之间的信息增益IG(Xi|C),进而计算出特征Xi与类集C之间的分类贡献度,即:H(Xi)为特征Xi的信息熵,H(C)为类集C的信息熵,表示类集出现的概率,类集C中包括正常心电信号和J波信号,根据C&C(Xi,C)来对初始特征集中的特征进行降序排列;
选择训练组信号的前n个特征输入到支持向量机分类器中,对支持向量机分类器进行训练,再将测试组信号的前n个特征输入到支持向量机分类器中,记录支持向量机分类器分类的准确性,再选择训练组信号的前n+1个特征,输入到支持向量机分类器中,对支持向量机分类器进行训练,随后将测试组信号的前n+1个特征输入到支持向量机分类器中,记录支持向量机分类器分类的准确性,如果此准确性比前一个准确性增加,则再增加一个特征重复上述步骤,直到特征增加到n+k+1时,记录的准确性比n+k个特征时记录的准确性低,则将前n+k个特征组成的特征集作为最终特征集,k等于0、1、2、3、或m-n;
对待测的ECG信号提取初始特征集,选择初始特征集中n+k个特征组成的特征集作为最终特征集,输入到支持向量机分类器,将待测的ECG信号分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610952983.8A CN106503670B (zh) | 2016-11-03 | 2016-11-03 | 基于相关性分析特征选择的j波检测分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610952983.8A CN106503670B (zh) | 2016-11-03 | 2016-11-03 | 基于相关性分析特征选择的j波检测分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106503670A CN106503670A (zh) | 2017-03-15 |
CN106503670B true CN106503670B (zh) | 2018-07-10 |
Family
ID=58322263
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610952983.8A Active CN106503670B (zh) | 2016-11-03 | 2016-11-03 | 基于相关性分析特征选择的j波检测分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106503670B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN107837083B (zh) * | 2017-10-31 | 2019-05-10 | 太原理工大学 | 基于最小二乘支持向量机的j波自动检测方法 |
CN109492546B (zh) * | 2018-10-24 | 2022-08-12 | 广东工业大学 | 一种融合小波包与互信息的生物信号特征提取方法 |
CN110464517B (zh) * | 2019-08-16 | 2021-09-07 | 杭州电子科技大学 | 基于小波加权排列熵的肌电信号识别方法 |
CN116094886B (zh) * | 2023-03-09 | 2023-08-25 | 浙江万胜智能科技股份有限公司 | 一种双模模块中载波通信数据处理方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104367315A (zh) * | 2014-11-13 | 2015-02-25 | 太原理工大学 | 一种提取心电图中j波信号的盲源分离方法 |
CN105125209A (zh) * | 2015-09-10 | 2015-12-09 | 太原理工大学 | 基于扩展卡尔曼滤波的j波检测与分类方法 |
CN105266801A (zh) * | 2015-09-10 | 2016-01-27 | 太原理工大学 | 基于概率神经网络的j波检测及分类方法 |
-
2016
- 2016-11-03 CN CN201610952983.8A patent/CN106503670B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104367315A (zh) * | 2014-11-13 | 2015-02-25 | 太原理工大学 | 一种提取心电图中j波信号的盲源分离方法 |
CN105125209A (zh) * | 2015-09-10 | 2015-12-09 | 太原理工大学 | 基于扩展卡尔曼滤波的j波检测与分类方法 |
CN105266801A (zh) * | 2015-09-10 | 2016-01-27 | 太原理工大学 | 基于概率神经网络的j波检测及分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106503670A (zh) | 2017-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106503670B (zh) | 基于相关性分析特征选择的j波检测分类方法 | |
JP6786536B2 (ja) | 単極誘導心電図(ecg)信号中の律動を識別するためのカスケード2値クラシファイア | |
Elhaj et al. | Arrhythmia recognition and classification using combined linear and nonlinear features of ECG signals | |
Abibullaev et al. | A new QRS detection method using wavelets and artificial neural networks | |
Martis et al. | Application of higher order cumulants to ECG signals for the cardiac health diagnosis | |
CN104367317B (zh) | 多尺度特征融合的心电图心电信号分类方法 | |
CN105411565B (zh) | 基于广义尺度小波熵的心率变异性特征分类方法 | |
CN110495877B (zh) | 一种基于ecg的多尺度特征提取方法及装置 | |
CN109948396B (zh) | 一种心拍分类方法、心拍分类装置及电子设备 | |
Wu et al. | Research on the method of characteristic extraction and classification of phonocardiogram | |
Yildirim | ECG beat detection and classification system using wavelet transform and online sequential ELM | |
CN108647584A (zh) | 基于稀疏表示和神经网络的心律不齐识别分类方法 | |
Lahmiri et al. | Complexity measures of high oscillations in phonocardiogram as biomarkers to distinguish between normal heart sound and pathological murmur | |
Alfarhan et al. | Effects of the window size and feature extraction approach for arrhythmia classification | |
Li et al. | A novel abnormal ECG beats detection method | |
Sultana et al. | MSVM-based classifier for cardiac arrhythmia detection | |
Ramović et al. | Wavelet and Teager energy operator (TEO) for heart sound processing and identification | |
Sanamdikar et al. | Extraction of different features of ECG signal for detection of cardiac arrhythmias by using wavelet transformation Db 6 | |
Abibullaev et al. | Classification of Cardiac Arrhythmias using Biorthogonal Wavelets and Support Vector Machines. | |
Thatipelli et al. | Classification of myocardial infarction using discrete wavelet transform and support vector machine | |
Kalkan et al. | Classification of hazelnut kernels by using impact acoustic time-frequency patterns | |
Ellouze | ECG signal maxima detection using wavelet transform | |
Lu et al. | Method to annotate arrhythmias by deep network | |
Abdulbaqi et al. | Feature extraction and classification of ECG signal based on the standard extended wavelet transform technique: Cardiology based telemedicine | |
Khamhoo et al. | Algorithm for QRS complex detection using discrete wavelet transformed |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |