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 PDFInfo
- 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
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
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。
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)
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)
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 |
-
2016
- 2016-10-26 CN CN201610947099.5A patent/CN106650609B/zh active Active
Patent Citations (6)
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)
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)
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 |