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 PDF

Info

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
Application number
CN201610952983.8A
Other languages
English (en)
Other versions
CN106503670A (zh
Inventor
李灯熬
赵菊敏
牛慧颖
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Taiyuan University of Technology
Original Assignee
Taiyuan University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Taiyuan University of Technology filed Critical Taiyuan University of Technology
Priority to CN201610952983.8A priority Critical patent/CN106503670B/zh
Publication of CN106503670A publication Critical patent/CN106503670A/zh
Application granted granted Critical
Publication of CN106503670B publication Critical patent/CN106503670B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

基于相关性分析特征选择的J波检测分类方法
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。
CN201610952983.8A 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 Active CN106503670B (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (3)

* Cited by examiner, † Cited by third party
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