CN106650609A - 基于调q小波变换和高阶累积量的j波检测及分类方法 - Google Patents

基于调q小波变换和高阶累积量的j波检测及分类方法 Download PDF

Info

Publication number
CN106650609A
CN106650609A CN201610947099.5A CN201610947099A CN106650609A CN 106650609 A CN106650609 A CN 106650609A CN 201610947099 A CN201610947099 A CN 201610947099A CN 106650609 A CN106650609 A CN 106650609A
Authority
CN
China
Prior art keywords
wavelet transform
feature vector
wavelet
integrated
classification method
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.)
Granted
Application number
CN201610947099.5A
Other languages
English (en)
Other versions
CN106650609B (zh
Inventor
赵菊敏
李灯熬
王宏
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 CN201610947099.5A priority Critical patent/CN106650609B/zh
Publication of CN106650609A publication Critical patent/CN106650609A/zh
Application granted granted Critical
Publication of CN106650609B publication Critical patent/CN106650609B/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
    • G06F2218/08—Feature extraction
    • G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
    • 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

Abstract

本发明涉及J波检测及分类方法，具体为基于调Q小波变换和高阶累积量的J波检测及分类方法。本发明首先通过心电图机进行心电数据采集，获取正常信号和J波信号两种类型，应用平稳小波变换进行R峰值点检测，截取R点后128个点作为初始数据样本。应用平稳小波变换和调Q小波变换对初始样本进行分解，提取特征向量。将特征向量输入至集成C4.5决策树。然后对测试样本按上述流程提取特征向量，输入至训练好的集成C4.5决策树，得到测试样本的类别属性。本发明通过串行融合经快速ICA降维后可以更为简单、方便地获取对原信号具有高度代表性的较低维数的特征向量，将其输入至集成决策树分类器，可以快速、高效地实现J波信号的准确分类。

Description

基于调Q小波变换和高阶累积量的J波检测及分类方法
技术领域
本发明涉及J波检测及分类方法，具体为基于调Q小波变换和高阶累积量的的J波检测及分类方法。
背景技术
J波是Tomashewski在1938年首次发现的，它是J点(QRS波结束与ST段起始的结合点)附近产生的一种顿挫。目前临床上将J波引发的恶性室性心律失常、晕厥、猝死等疾病统称为J波综合征。更为具体来说，其分为获得性和遗传性两类，获得性J波综合征包括缺血性J波和低温性J波，遗传性包括早期复极综合征(Early Repolarization Syndrome，ERS)和Brugada综合征(Brugada Syndrome，BrS)。
大量临床分析表明，J波与心律失常、急性心肌梗死、变异心绞痛、猝死等心血管疾病具有重大关联：冠心病患者中与J波相关疾病的发生率在23％～42％，其中缺血性J波发生率高达70.12％。如今异常J波和某些类型的J波综合征已经被列为心脏性猝死检测的高危预警指标。提高心电信号中J波信号的检测识别分类对预防相关高危疾病，减少医生诊断压力，降低J波疾病引发的致死率具有现实的临床意义和重大的实用价值。
调Q小波变换(tunable Q-factor wavelet transform,TQWT)是离散二进制小波结构基础上的一种改进的时频分析方法。其针对传统小波变换基函数选取缺乏理论支撑的不足，引入描述信号中心频率与带宽比值的品质因数Q，克服了传统小波变换品质因子恒定不变的劣势。其可以根据信号自身的振荡特性，实现小波基函数的自适应，达到和分析信号更好的匹配度，从而获取更为有效目标成分。应用此方法最大优势在于可避免为筛选小波基而进行大量实验，算法可简单、快速、高效地实现特征提取。
高阶累积量(Higher-order Cumulant)属于高阶统计方法之一，其包含了原始信号幅度和相位的丰富信息，应用于生物医学信号的非线性、非确定性、非平稳性等固有特性分析时具有一定优势。因为其具有变元可加、对称等性质，应用简单、方便，尤其在使用其三、四阶累积量信息统计时可以获取一、二阶累积量无法提取的有用信息。
本发明研究了基于调Q小波和高阶累积量技术的检测方法，在理论分析的基础上，给出了具体实现J波信号识别和分类的基本步骤，为J波疾病的临床诊断、治疗提供一定参考依据。
发明内容
本发明的主要目的是弥补现有J波信号检测准确度低的不足，提供一种基于调Q小波变换和高阶累积量的J波检测及分类方法。
本发明是采用如下的技术方案实现的：基于调Q小波变换和高阶累积量的J波检测及分类方法，包括以下步骤：
(1)首先通过心电图机进行心电数据采集，获取心电信号，包括正常信号和J波信号两种类型；
(2)采用平稳小波变换检测心电信号的R峰值点，截取R峰值点后128个点作为初始数据样本；
(3)应用平稳小波变换对初始数据样本进行4尺度小波分解，获取4层小波系数，计算4层小波系数的相对能量作为特征向量；
(4)应用调Q小波变换对初始数据样本进行4层小波分解，提取第3层的细节系数，获取细节系数的3阶累积量估计值的主成分和4阶累积量估计值的主成分并作为特征向量；
(5)将上述提取的特征向量输入至集成C4.5决策树，对集成C4.5决策树进行训练；
(6)将待分类的心电信号进行步骤(2)、(3)、(4)得到特征向量，将特征向量输入到集成C4.5决策树，即得到心电信号的类型。
本检测技术中应用的特征主要包含两类：其一平稳小波变换提取的信号能量特征，其二调Q小波变换和高阶累积量提取的信号非线性特征。两者通过串行融合经快速ICA降维后可以更为简单、方便地获取对原信号具有高度代表性的较低维数的特征向量，将其输入至集成决策树分类器，可以快速、高效地实现J波信号的准确分类。
附图说明
图1为本发明的流程图。
注：A、B为输入集成C4.5决策树的17个特征向量，A表示调Q小波第3层细节系数对应3、4阶累积量主成分组成的16个特征向量，B表示平稳小波4层分解所得系数的相对能量RWE1、RWE2、RWE3、RWE4串行融合所得的一个特征向量。
具体实施方式
基于调Q小波变换和高阶累积量的J波检测及分类方法，包括以下步骤：
(1)通过心电图机获取所需的心电信号，包括正常信号(NS)和J波信号(JS)两种类型。因为心电图机带有噪声滤除模块，所以可以直接获得去除噪声后的心电信号。
(2)由于J波主要突显在心电图的ST段，有时也会出现在QRS的下降支，为提高检测效率，降低计算复杂度，采用平稳小波变换检测心电信号的R峰值点，并截取R峰值点后的128个样本点作为初始数据样本。
(3)对初始数据样本分别应用平稳小波变换和调Q小波变换进行4层分解，提取下面两类特征向量。
其一，对初始数据样本进行4层平稳小波变换分别获取4层长度相等小波系数，设Cj(k)代表第j层小波系数，应用公式1进行小波系数相对能量提取，分别记为RWE1、RWE2、RWE3、RWE4，使用串行融合方法将其组合为一个特征向量。
其二，首先，对初始数据样本进行4层调Q小波变换，提取第3层小波细节系数序列{x1,x2,...,xn}，应用公式2、3分别获取3阶累积量的估计值和4阶累积量的估计值
其中代表信号的K阶矩，τ表示延迟时间，E[·]表示均值运算。
其次，在获取3阶累积量的估计值和4阶累积量的估计值后应用基于负熵的快速ICA进行降维，提取估计值的主成分。其主要过程为：
第一步：对估计值和去均值处理，使它的均值为0，即
第二步：利用PCA进行白化操作，去除特征之间的相关性，增强算法收敛性，即
第三步：适当选择需要估计的分量的个数和迭代次数；
第四步：随机选择一个初始权矢量W；
第五步：以W＝E{Xg(WTX)}-E{Xg'(WTX)}W更新权值，其中E{·}为均值运算，g(·)为非线性函数，这里取g(y)＝yexp(-y2/2)；
第六步：对更新后的权值进行规范化W＝W/||W||；
第七步：是否收敛？如果否，转向第五步，如果收敛，结束。
最后，选取降维后共16个特征向量与相对能量融合而成的特征向量组成样本特征集。
(4)将数据D分为互不相交的两个子集，组成训练样本组S和测试样本组T，其含有数据比例为7:3，其中训练样本组S中一定要包含NS和JS两种类型信号样本。
(5)取训练样本组S，对每个训练样本按照步骤(2)、(3)分别提取17个特征向量，输入至集成C4.5决策树，对集成C4.5决策树进行训练。
取测试样本组T，对其进行步骤(2)、(3)处理，提取17个特征向量，将其输入训练好的集成C4.5决策树，由输出结果得出测试数据的类别属性，即判断为NS和JS的哪一种。

Claims (1)

1.基于调Q小波变换和高阶累积量的J波检测及分类方法，其特征在于包括以下步骤：
（1）首先通过心电图机进行心电数据采集，获取心电信号，包括正常信号和J波信号两种类型；
（2）采用平稳小波变换检测心电信号的R峰值点，截取R峰值点后128个点作为初始数据样本；
（3）应用平稳小波变换对初始数据样本进行4尺度小波分解，获取4层小波系数，计算4层小波系数的相对能量作为特征向量；
（4）应用调Q小波变换对初始数据样本进行4层小波分解，提取第3层的细节系数，获取细节系数的3阶累积量估计值的主成分和4阶累积量估计值的主成分并作为特征向量；
（5）将上述提取的特征向量输入至集成C4.5决策树，对集成C4.5决策树进行训练；
（6）将待分类的心电信号进行步骤（2）、（3）、（4）得到特征向量，将特征向量输入到集成C4.5决策树，即得到心电信号的类型。
CN201610947099.5A 2016-10-26 2016-10-26 基于调q小波变换和高阶累积量的j波检测及分类方法 Active CN106650609B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610947099.5A CN106650609B (zh) 2016-10-26 2016-10-26 基于调q小波变换和高阶累积量的j波检测及分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610947099.5A CN106650609B (zh) 2016-10-26 2016-10-26 基于调q小波变换和高阶累积量的j波检测及分类方法

Publications (2)

Publication Number Publication Date
CN106650609A true CN106650609A (zh) 2017-05-10
CN106650609B CN106650609B (zh) 2018-07-31

Family

ID=58821317

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610947099.5A Active CN106650609B (zh) 2016-10-26 2016-10-26 基于调q小波变换和高阶累积量的j波检测及分类方法

Country Status (1)

Country Link
CN (1) CN106650609B (zh)

Cited By (7)

* 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
CN107837083A (zh) * 2017-10-31 2018-03-27 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
CN108143408A (zh) * 2017-12-25 2018-06-12 广东工业大学 一种j波的识别提取方法、装置及介质
CN109009047A (zh) * 2018-05-24 2018-12-18 东软集团股份有限公司 一种心律失常检测方法、装置及设备
CN111343115A (zh) * 2020-02-19 2020-06-26 北京邮电大学 一种5g通信调制信号识别方法及系统
CN113749666A (zh) * 2021-09-10 2021-12-07 郑州大学 基于融合心室规则特征与XGBoost的心肌梗死分类方法
CN115017996A (zh) * 2022-06-15 2022-09-06 中国铁道科学研究院集团有限公司 一种基于多生理参数的脑力负荷预测方法和系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103728662A (zh) * 2014-01-03 2014-04-16 中国海洋石油总公司 一种基于地震信号包络峰值的地层介质品质因子估计方法
CN103926509A (zh) * 2014-04-01 2014-07-16 河南理工大学 基于谱峭度相对能量熵的配电网故障阶梯式选线方法
CN104783787A (zh) * 2015-04-24 2015-07-22 太原理工大学 一种基于神经网络的j波检测方法
CN104794493A (zh) * 2015-04-30 2015-07-22 太原理工大学 一种基于支持向量机的j波分类方法
US20150282755A1 (en) * 2014-04-02 2015-10-08 King Fahd University Of Petroleum And Minerals System and method for detecting seizure activity
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 (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103728662A (zh) * 2014-01-03 2014-04-16 中国海洋石油总公司 一种基于地震信号包络峰值的地层介质品质因子估计方法
CN103926509A (zh) * 2014-04-01 2014-07-16 河南理工大学 基于谱峭度相对能量熵的配电网故障阶梯式选线方法
US20150282755A1 (en) * 2014-04-02 2015-10-08 King Fahd University Of Petroleum And Minerals System and method for detecting seizure activity
CN104783787A (zh) * 2015-04-24 2015-07-22 太原理工大学 一种基于神经网络的j波检测方法
CN104794493A (zh) * 2015-04-30 2015-07-22 太原理工大学 一种基于支持向量机的j波分类方法
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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李世平等: "基于小波和高阶累积量的数字调制识别算法", 《计算机应用》 *

Cited By (13)

* 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
CN107837083A (zh) * 2017-10-31 2018-03-27 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
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
CN108143408A (zh) * 2017-12-25 2018-06-12 广东工业大学 一种j波的识别提取方法、装置及介质
CN108143408B (zh) * 2017-12-25 2019-06-14 广东工业大学 一种j波的识别提取方法、装置及介质
CN109009047B (zh) * 2018-05-24 2021-10-26 东软集团股份有限公司 一种心律失常检测方法、装置及设备
CN109009047A (zh) * 2018-05-24 2018-12-18 东软集团股份有限公司 一种心律失常检测方法、装置及设备
CN111343115A (zh) * 2020-02-19 2020-06-26 北京邮电大学 一种5g通信调制信号识别方法及系统
CN111343115B (zh) * 2020-02-19 2021-06-29 北京邮电大学 一种5g通信调制信号识别方法及系统
CN113749666A (zh) * 2021-09-10 2021-12-07 郑州大学 基于融合心室规则特征与XGBoost的心肌梗死分类方法
CN113749666B (zh) * 2021-09-10 2023-10-27 郑州大学 基于融合心室规则特征与XGBoost的心肌梗死分类方法
CN115017996A (zh) * 2022-06-15 2022-09-06 中国铁道科学研究院集团有限公司 一种基于多生理参数的脑力负荷预测方法和系统
CN115017996B (zh) * 2022-06-15 2023-04-28 中国铁道科学研究院集团有限公司 一种基于多生理参数的脑力负荷预测方法和系统

Also Published As

Publication number Publication date
CN106650609B (zh) 2018-07-31

Similar Documents

Publication Publication Date Title
CN106650609A (zh) 基于调q小波变换和高阶累积量的j波检测及分类方法
CN106909784B (zh) 基于二维时频图像深度卷积神经网络的癫痫脑电识别装置
CN111012336B (zh) 时空特征融合的并行卷积网络运动想象脑电图分类方法
CN107811626A (zh) 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
Yu et al. Integration of independent component analysis and neural networks for ECG beat classification
CN104367317B (zh) 多尺度特征融合的心电图心电信号分类方法
Prakash et al. Medical image fusion based on redundancy DWT and Mamdani type min-sum mean-of-max techniques with quantitative analysis
CN112508110A (zh) 一种基于深度学习的心电信号图的分类方法
CN107024352A (zh) 一种基于滑动熵‑ica算法的滚动轴承故障特征提取方法
Kang et al. A method of denoising multi-channel EEG signals fast based on PCA and DEBSS algorithm
CN110495877A (zh) 一种基于ecg的多尺度特征提取方法及装置
CN112633195A (zh) 一种基于频域特征与深度学习的心肌梗塞识别分类方法
CN108647584B (zh) 基于稀疏表示和神经网络的心律不齐识别分类方法
CN106503670B (zh) 基于相关性分析特征选择的j波检测分类方法
El‐Saadawy et al. Hybrid hierarchical method for electrocardiogram heartbeat classification
Chashmi et al. An efficient and automatic ECG arrhythmia diagnosis system using DWT and HOS features and entropy-based feature selection procedure
CN108537123A (zh) 基于多特征提取的心电识别方法
Guermoui et al. Heart sounds analysis using wavelets responses and support vector machines
Alizadeh et al. Multi-task EEG signal classification using correlation-based IMF selection and multi-class CSP
CN109124623B (zh) 基于三维非线性偏直接相干函数的脑电信号间效应连通性检测方法
Sezgin Nonlinear analysis of electrocardiography signals for atrial fibrillation
CN107590788A (zh) 一种遥感图像处理方法
Delgado et al. Haar wavelet transform and principal component analysis for fetal QRS classification from abdominal maternal ECG recordings
Zarachoff et al. Application of single image super-resolution in human ear recognition using eigenvalues
CN108280470B (zh) 离散小波域copula模型图像分类方法

Legal Events

Date Code Title Description
PB01 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