CN107729861A - 基于随机森林的j波检测方法 - Google Patents
基于随机森林的j波检测方法 Download PDFInfo
- Publication number
- CN107729861A CN107729861A CN201711035307.5A CN201711035307A CN107729861A CN 107729861 A CN107729861 A CN 107729861A CN 201711035307 A CN201711035307 A CN 201711035307A CN 107729861 A CN107729861 A CN 107729861A
- Authority
- CN
- China
- Prior art keywords
- feature
- electrocardiosignal
- random forest
- extraction
- training object
- 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.)
- Pending
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
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明涉及J 波的检测方法,具体为基于随机森林的J波检测方法。该方法包括以下步骤:(1)通过心电图机获得所需的心电信号。(2)利用Pan‑Tompkin’s算法检测出心电信号中的R点,并取R点后120个数据点作为训练对象。(3)对提取的训练对象采用SST进行特征提取,提取其时频特征作为第一种特征,然后再根据SST提取训练对象模态的原理提取训练对象的本征模态,根据其本征模态求出非线性熵特征,作为提取到的第二种特征。(4)采用随机森林作为J波检测分类器,特征作为特征向量输入RF,对RF进行训练;(5)对需要检测的心电信号提取第一种和第二种特征并输入随机森林,即可得到心电信号中是否含J波。本发明解决了现有对J波的检测准确度低的问题。
Description
技术领域
本发明涉及J波的检测方法,具体为基于随机森林的J波检测方法。
背景技术
J波是指心电图(Electrocardiogram,ECG)上QRS波与ST段之间的圆顶状或驼峰状电位变化,一个典型的含J波心电图如图1所示。明显异常J波常与低温、高钙血症、神经系统损伤等有关。由J波引起的临床综合征或疾病称为J波综合征,包括:Brugada综合征、原发性室颤和早期复极综合征等。
心电图J波和J波综合征是心脏性猝死的高危预警指标,在临床及科研中需要重视这类患者的筛查。提高对心电图J波的自动检测,有助于识别临床异常J波的高危患者,减少恶性心律失常及特发性心室颤动猝死的发生,有很大的临床意义和现实意义。
但现有检测J波的方法,主要是基于医生的临床经验知识进行的。由于J波经常会隐藏在QRS波群中且J波幅值小,形态多变,所以,只凭医生经验,会造成漏诊和误诊的情况发生。因此从信号处理和机器学习角度实现J波自动检测在临床上与现实中都具有很重要的意义。
随机森林是Leo Breiman结合他本人于1996年提出的Bagging集成学习理论和Ho于1998年提出的随机子空间方法,于2001年发表的一种机器学习算法。随机森林是表现一种极好的集成分类器。它是以决策树为基本分类器的一个集成学习模型,包含多个由Bagging集成学习技术训练得到的决策树,当输入待分类的样本时,最终的分类结果由单个决策树的输出结果投票决定,随机森林克服了大多数分类器产生的过拟合问题。
发明内容
本发明的主要目的是克服现有对J波的检测准确度低和分类方法的不足,提供的一种基于随机森林的J波检测方法。
本发明是采用如下的技术手段实现的:基于随机森林的J波检测方法,包括以下步骤:
(1)通过心电图机获得所需的心电信号,包括正常心电信号和含J波心电信号,对获取的心电信号首先利用截止频率为1~40hz的二阶巴特沃斯滤波器去噪。
(2)由于J波往往出现在心电图的R点之后,为了提高检测精度以及降低计算复杂度,先利用Pan-Tompkin’s算法检测出心电信号中的R点,并取R点后120个数据点作为训练对象。
(3)对提取的训练对象采用同步压缩小波变换(Synchrosqueezed wavelettransforms,SST)进行特征提取,即首先对所取训练对象进行SST提取其时频特征,作为第一种特征,然后再根据SST提取训练对象模态的原理提取训练对象的本征模态,根据其本征模态求出非线性熵特征,作为提取到的第二种特征,第二种特征包括Renyi熵(RE)特征、近似熵(Approximate entropy,ApEn)特征和样本熵(Sample entropy,SampEn)特征。
(4)采用随机森林(Random forest,RF)作为J波检测分类器,将上述时频特征、Renyi熵特征、近似熵特征和样本熵(Sample entropy,特征作为特征向量输入RF,对RF进行训练。
(5)对需要检测的心电信号提取第一种和第二种特征并输入随机森林,即可得到心电信号中是否含J波。
本发明从信号处理和机器学习角度实现J波自动检测,检测出J波后还得判断J波为良性或恶性,恶性J波才能作为医生诊断疾病的一个指标。本发明解决了现有对J波的检测准确度低的问题。
附图说明
图1为含J波心电图的波形图。
图2为本发明流程图。
具体实施方式
基于随机森林的J波检测方法,包括以下步骤:
(1)通过心电图机获得所需的心电信号,包括正常心电信号(J wave-negative)和含J波心电信号(J wave-positive)。
(2)利用截止频率为1~40hz的二阶巴特沃斯滤波器去除工频干扰,基线漂移,肌电干扰等心电信号噪声。
(3)利用Pan-Tompkin’s算法检测出R点,并取R点后120个数据点作为训练对象f(t)。
(4)将所取训练对象f(t)利用SST变换得到其时频特性,其变换原理如下:
①计算训练对象f(t)小波变换频域形式,式中,a是小波变换的尺度因子,b是位移因子;
②求训练对象f(t)瞬时频率
③压缩重组,对小波变换后所得瞬时频率Wf(a,b)进行阈值为精度为δ的同步压缩,得到时频特性
其中,
通过上述过程,尺度因子a和瞬时频率wf(a,b)就绑定在一起了。从而完成映射(b,a)→(b,wf(a,b)),将小波变换的结果Wf(a,b)由时间-尺度平面转到时间-频率平面。
④计算机计算的过程会将尺度因子a离散化,即ak-ak-1=Δak,在频率中心附近的窄带范围[φ'k-(1/2)Δw,φ'k+(1/2)Δw]内进行如下计算,其中,Δw=φ'k-φ'k-1。
(5)利用SST提取训练对象模态的原理提取训练对象的本征模态,其具体过程如下:
①确定训练对象的频率中心
②上步④中Ts(wl,b)可以表示为其中tm是离散化时间值,tm=t0+mΔt,Δt是采样时间,m=0,1,...n-1,n为训练对象f(t)中所含模态总数。
③计算训练对象模态:训练对象模态fk利用通过小波变换逆变换求取,如下所示,其中,τ∈[φ'k-(1/2)Δw,φ'k+(1/2)Δw],为求和的区域;
利用求出的模态fk求取RE,ApEn,SampEn,作为第二种特征。
(6)采用随机森林作为J波检测分类器,将第一种特征和第二种特征作为特征向量输入随机森林,对随机森林进行计算;
(7)对需要检测的心电信号提取第一种和第二种特征并输入随机森林,即可得到心电信号中是否含J波。
Claims (1)
1.基于随机森林的J波检测方法,其特征在于包括以下步骤:
(1)通过心电图机获得所需的心电信号,包括正常心电信号和含J波心电信号,对获取的心电信号首先利用截止频率为1~40hz的二阶巴特沃斯滤波器去噪;
(2)利用Pan-Tompkin’s算法检测出心电信号中R点,并取R点后120个数据点作为训练对象;
(3)对提取的训练对象采用同步压缩小波变换进行特征提取,即首先对所取训练对象进行同步压缩小波变换提取其时频特征,作为第一种特征,然后再根据同步压缩小波变换提取训练对象模态的原理提取训练对象的本征模态,根据其本征模态求出非线性熵特征,作为第二种特征,其中第二种特征包括Renyi 熵特征、近似熵特征和样本熵特征;
(4)采用随机森林作为J波检测分类器,将第一种特征和第二种特征作为特征向量输入随机森林,对随机森林进行计算;
(5)对需要检测的心电信号提取第一种和第二种特征并输入随机森林,即可得到心电信号中是否含J波。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711035307.5A CN107729861A (zh) | 2017-10-30 | 2017-10-30 | 基于随机森林的j波检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711035307.5A CN107729861A (zh) | 2017-10-30 | 2017-10-30 | 基于随机森林的j波检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107729861A true CN107729861A (zh) | 2018-02-23 |
Family
ID=61202390
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711035307.5A Pending CN107729861A (zh) | 2017-10-30 | 2017-10-30 | 基于随机森林的j波检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107729861A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109199362A (zh) * | 2018-08-15 | 2019-01-15 | 哈尔滨理工大学 | 心脏早搏的ecg自动诊断系统及装置 |
CN111242206A (zh) * | 2020-01-08 | 2020-06-05 | 吉林大学 | 一种基于层次聚类和随机森林的高分辨率海洋水温计算方法 |
CN112971809A (zh) * | 2021-02-09 | 2021-06-18 | 北京师范大学 | 脑节律信息检测方法、装置及电子设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005096170A1 (en) * | 2004-03-31 | 2005-10-13 | Cardiodigital Limited | Ecg-signal analysis for shock outcome prediction |
US20090234239A1 (en) * | 2005-05-17 | 2009-09-17 | Benjamin Shani | Analysis of electrocardiogram signals |
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 |
CN104063645A (zh) * | 2014-07-01 | 2014-09-24 | 清华大学深圳研究生院 | 一种基于心电信号动态自更新样本的身份识别方法 |
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 |
CN106344006A (zh) * | 2016-11-03 | 2017-01-25 | 太原理工大学 | 基于极点对称模态分解和支持向量机的j波检测方法 |
CN106503670A (zh) * | 2016-11-03 | 2017-03-15 | 太原理工大学 | 基于相关性分析特征选择的j波检测分类方法 |
CN106650609A (zh) * | 2016-10-26 | 2017-05-10 | 太原理工大学 | 基于调q小波变换和高阶累积量的j波检测及分类方法 |
-
2017
- 2017-10-30 CN CN201711035307.5A patent/CN107729861A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005096170A1 (en) * | 2004-03-31 | 2005-10-13 | Cardiodigital Limited | Ecg-signal analysis for shock outcome prediction |
US20090234239A1 (en) * | 2005-05-17 | 2009-09-17 | Benjamin Shani | Analysis of electrocardiogram signals |
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 |
CN104063645A (zh) * | 2014-07-01 | 2014-09-24 | 清华大学深圳研究生院 | 一种基于心电信号动态自更新样本的身份识别方法 |
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 |
CN106650609A (zh) * | 2016-10-26 | 2017-05-10 | 太原理工大学 | 基于调q小波变换和高阶累积量的j波检测及分类方法 |
CN106344006A (zh) * | 2016-11-03 | 2017-01-25 | 太原理工大学 | 基于极点对称模态分解和支持向量机的j波检测方法 |
CN106503670A (zh) * | 2016-11-03 | 2017-03-15 | 太原理工大学 | 基于相关性分析特征选择的j波检测分类方法 |
Non-Patent Citations (1)
Title |
---|
任建文等: "基于本征模态熵的谐振接地系统故障选线研究", 《华北电力大学学报(自然科学版)》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109199362A (zh) * | 2018-08-15 | 2019-01-15 | 哈尔滨理工大学 | 心脏早搏的ecg自动诊断系统及装置 |
CN111242206A (zh) * | 2020-01-08 | 2020-06-05 | 吉林大学 | 一种基于层次聚类和随机森林的高分辨率海洋水温计算方法 |
CN111242206B (zh) * | 2020-01-08 | 2022-06-17 | 吉林大学 | 一种基于层次聚类和随机森林的高分辨率海洋水温计算方法 |
CN112971809A (zh) * | 2021-02-09 | 2021-06-18 | 北京师范大学 | 脑节律信息检测方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102440768B (zh) | 脉搏波形特征点提取方法 | |
CN109645980A (zh) | 一种基于深度迁移学习的心律异常分类方法 | |
Zhou et al. | Automatic online detection of atrial fibrillation based on symbolic dynamics and Shannon entropy | |
Chen et al. | Classification of short single-lead electrocardiograms (ECGs) for atrial fibrillation detection using piecewise linear spline and XGBoost | |
CN108511055B (zh) | 基于分类器融合及诊断规则的室性早搏识别系统及方法 | |
CN109948396B (zh) | 一种心拍分类方法、心拍分类装置及电子设备 | |
CN105411565A (zh) | 基于广义尺度小波熵的心率变异性特征分类方法 | |
CN107729861A (zh) | 基于随机森林的j波检测方法 | |
CN105320969A (zh) | 基于多尺度Renyi熵的心率变异性特征分类方法 | |
Tang et al. | Classification of normal/abnormal heart sound recordings based on multi-domain features and back propagation neural network | |
CN105726018A (zh) | 一种与rr间期无关的房颤自动检测方法 | |
CN112971795B (zh) | 心电信号质量评估方法 | |
CN107348971A (zh) | 一种基于心音检测和机器学习算法的心脏病筛查系统 | |
CN109077721A (zh) | 房颤检测装置及存储介质 | |
CN106503670A (zh) | 基于相关性分析特征选择的j波检测分类方法 | |
CN108647584A (zh) | 基于稀疏表示和神经网络的心律不齐识别分类方法 | |
Ji et al. | Broadband noise suppression and feature identification of ECG waveforms using mathematical morphology and embedding theorem | |
Elbuni et al. | ECG parameter extraction algorithm using (DWTAE) algorithm | |
CN107837083B (zh) | 基于最小二乘支持向量机的j波自动检测方法 | |
Sharma et al. | QRS complex detection using stationary wavelet transform and adaptive thresholding | |
Lahmiri et al. | Complexity measures of high oscillations in phonocardiogram as biomarkers to distinguish between normal heart sound and pathological murmur | |
Haibing et al. | A method of continuous wavelet transform for qrs wave detection in ecg signal | |
Gunasekaran et al. | Wavelet based CNN for diagnosis of COVID 19 using chest X ray | |
CN110507299B (zh) | 一种心率信号检测装置及方法 | |
CN115553784B (zh) | 基于心电、心音信号耦合分析的冠心病评估方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180223 |