CN107909048A - 一种基于s变换的心律失常多分类方法 - Google Patents
一种基于s变换的心律失常多分类方法 Download PDFInfo
- Publication number
- CN107909048A CN107909048A CN201711215487.5A CN201711215487A CN107909048A CN 107909048 A CN107909048 A CN 107909048A CN 201711215487 A CN201711215487 A CN 201711215487A CN 107909048 A CN107909048 A CN 107909048A
- Authority
- CN
- China
- Prior art keywords
- feature
- optimal solution
- transformation
- time
- arrhythmia cordis
- 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
- G06F2218/12—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
本发明涉及一种基于S变换的心律失常多分类方法,包括:预处理;特征提取:在预处理后的ECG信号基础上,分别提取RR间隔、形态特征和时频特征,并将所有提取的特征组成原始特征向量,其中时频特征,采用S变换的方式提取;特征选择,方法如下:1)在进行特征最优解搜索时,将Wrapper中的遗传算法作为搜索依据,构造特征最优解的备选空间,并利用Filter法指导遗传算法计算特征权重,以加速特征选择速度;2)在利用1)步骤得到的最优解备选特征中寻找最优解特征时,利用SVM分类器作为特征分类器,选取分类性能性能优异的特征;多分类。
Description
技术领域
本发明属于模式识别领域,涉及心电信号特征提取、特征选择和多种心律失常分类技术。
背景技术
心律失常长期的存在将引起严重的心脏病变。由于心脏疾病的高死亡率,对心律失常的检测变得十分重要。人体心电信号(Electrocardingraph,ECG)是心脏电活动在体表的综合表现,能够客观的反映出心脏各部位的生理状况,是分析与鉴别各种心律失常最为精确的方法。然而,心电信号数据过于庞大和复杂,人工诊断远远不够,也无法满足实时性的要求,而且长时间人工监测引起的疲劳等不确定性因素以及一些主观因素,会导致医生出现误诊、漏诊等失误。因此,对心电信号进行高效准确的自动分析就显得尤为重要。心律失常分类方法包括:预处理、特征提取、特征选择和分类四个步骤。
特征提取是心律失常自动识别过程中关键的步骤,提取的特征的好坏直接影响着后续分类的准确性和特异性,合适的特征可以很好的反应信号的特点,并且很大程度上提高分类器的性能。按照特征提取方法的不同可以将分类方法分为3类:1)时域方法;2)基于统计的方法;3)基于变换的方法。
时域方法即提取ECG信号的形态特征。如提取RR间隔、QRS复合波和T波持续时间、ECG信号采样值等特征。此种方法简单、快捷,但时域特征无法揭示ECG信号细微变化和隐藏的信息。基于统计的方法即通过统计学方法提取ECG信号特征。如通过高阶累积量提取特征来获取ECG信号隐藏的非线性信息。此种方法虽然可以提取到一些隐藏信息,但其计算量大且分类效果提升不明显。基于s变换的方法是将采集到的心电信号从时域变换到另一个域。如应用傅里叶变换可以获得信号的频域信息,然而ECG信号是非平稳信号,傅里叶变换无法表示时间和频率的相互关系,对非平稳信号分析有局限性,在一定程度上会导致误识别。时频变换能反映出非平稳信号频率随时间的变化,可以提取到时域或频域方法所不能提取到ECG信号的局部特征,常见的时频变换包括短时傅里叶变换、小波变换、S变换等。其中,短时傅里叶变换窗函数的高度与宽度固定不变,因而不能很好地同时提取高频和低频特征;小波变换可实现多尺度聚焦,揭示了ECG信号的时频特性,但需要对信号进行小波分解,算法的时间复杂度较高,对于信号的实时性处理不理想;S变换是一种良好的局部时频分析技术,S变换中含有的相位因子保留了每个频率的绝对相位特征,因此相比于短时傅里叶变换和小波变换,S变换对信号局部解析能力更强。
时频方法提取的特征往往维数较高,不仅增加了计算量,而且会给分类性能带来负面影响。降低特征维数的方法分为特征抽取和特征选择两大类,特征抽取法破坏了原有的特征空间,会降低分类效果。特征选择不存在这种缺点,其可分为过滤式(Filter)和包裹式(Wrapper)。Filter式独立于后续分类结果,而Wrapper法使用分类结果评估特征子集,其准确率高于Filter法,因此心律失常分类主要采用Wrapper法,如遗传算法。Filter式特征选择算法比Wrapper法具有速度上的优势,所以也经常被使用,如ReliefF算法。
发明内容
本发明的目的是提供一种准确率较高的心律失常多分类方法。方案如下:
一种基于S变换的心律失常多分类方法,包括下列步骤:
(1)预处理:对ECG原始信号进行中值滤波、低通滤波,消除噪声对心电信号的干扰,并采用幅度阈值和小波阈值检测R波;
(2)特征提取:在预处理后的ECG信号基础上,分别提取RR间隔、形态特征和时频特征,并将所有提取的特征组成原始特征向量,其中时频特征,采用S变换的方式提取;
(3)特征选择,方法如下:1)在进行特征最优解搜索时,将Wrapper中的遗传算法作为搜索依据,构造特征最优解的备选空间,并利用Filter法指导遗传算法计算特征权重,以加速特征选择速度;2)在利用1)步骤得到的最优解备选特征中寻找最优解特征时,利用SVM分类器作为特征分类器,选取分类性能性能优异的特征;
(4)多分类:采用多分类策略,将多个二分类器组成识别分类器,实现多种心律失常识别。
本发明提出一种新的心律失常分类方法,在特征提取部分使用S变换方法提取ECG信号的时频特征并与形态特征一起组成原始特征向量。该算法将s变换应用到ECG信号的特征提取环节。s变换不仅可以提取出ECG信号的时频信息反映信号的内在信息,而且对于局部信号具有更强的解析能力。
附图说明
图1基于S变换特征选择的心律失常分类方法的流程图
具体实施方式
参照图1所示,为了更加便于对心律失常进行分类,本发明提供了基于S变换特征选择的心律失常分类方法,方法步骤如下:
(1)数据:ECG信号数据来自心电图仪采集到的数据或者公开数据库。
(2)预处理:在噪声去除方面,使用中值滤波法去除基线漂移,利用低通滤波器去除电力线干扰和高频噪声;对于R波检测,采用幅度阈值、小波阈值。
(2)特征提取:根据预处理检测到的R波位置,提取形态特征和时频特征。
针对形态特征:提取4个RR间隔特征,包括:给定心拍和其前一心拍的RR间隔为preRR;给定心拍和其后一心拍的RR间隔为postRR;给定心拍前后各五个心拍,共十个RR间隔的平均值为localAvgRR;一个记录文件中所有RR间隔的平均值为avgRR。使用3个时间窗截取QRS复合波、T波和P波,并通过采样获取时间窗内的ECG信号采样值作为形态特征。
针对时频特征:在R波前后各取278ms,形成一个包含200点的ECG信号样本,然后对这200个采样点进行S变换,得到200×45的复数矩阵,如果直接将这些数据作为特征,则计算量会很大,而且存在特征冗余的问题,因此应对该矩阵进行数值变换作为S变换特征。
该算法分别从幅值和角度方面对矩阵进行了处理。研究表明,ECG的能量主要集中在0.5~45Hz,因此在幅值方面,选取45Hz范围内的频率对应最大幅值作为特征,选取3~40Hz范围内的频率对应幅值标准差作为特征。S变换保留了各频率分量的绝对相位信息,这是小波变换不具有的特性,因此可以提取S变换的相位作为特征。该算法选取45Hz范围内的频率对应最大相位值和频率对应相位标准差作为特征。
综上,将提取到的4个RR间隔、25个形态特征和101个时频特征组成130维原始特征向量。
(3)在原始特征向量中,进行特征选择时,选用Filter-wrapper法:(1)在进行特征最优解搜索时,将Wrapper中的遗传算法作为搜索依据,构造特征最优解的备选空间,并利用Filter法指导遗传算法计算特征权重,加速特征选择速度;(2)在(1)中得到的最优解备选特征中寻找最优解特征时,利用SVM分类器作为特征分类器,选取分类性能性能优异的特征。由此实现了利用Filter法和Wrapper法结合进行特征选择。
(4)多分类:利用多分类策略(如“一对多”、“一对一”等)将多个二分类器(采用SVM)组成识别分类器实现多种心律失常识别。
下面以具体的实验来验证本发明所提供方法的有效性,详见下文描述:
MIT-BIH心律失常数据库包含48条ECG记录,每条记录由两种不同类型导联(记为A、B导联)记录了长约30分钟的数据,采样率为360Hz;其中45条记录的A导联采用MLII导联,其余采用V5导联;40条记录的B导联采用V1导联,其余采用II、V2、V4和V5导联。本实验采用的ECG数据集来自MIT数据库中MLII导联记录的以下8种心拍类型:正常搏动(normal beat,NORM)、左束支传导阻滞(left bundle branch block beat,LBBB)、右束支传导阻滞(rightbundle branch block beat,RBBB)、室性早搏(premature ventricular contraction,PVC)、房性早搏(atrial premature beat,APB)、起搏心跳(paced beat,PB)、室性扑动波(ventricular flutter wave,VFW)和室性逸搏(ventricular escape beat,VEB)。
表1给出了使用不同特征提取方法提取特征后的分类性能,其中HFP是Hermite函数参数特征。实验结果如下:
通过表1可以看出,本发明所提采用的基于S变换的特征提取算法明显的优于其他的特征提取方法,分类准确率提高显著。
表1:不同特征提取方法下的分类性能
Claims (1)
1.一种基于S变换的心律失常多分类方法,包括下列步骤:
(1)预处理:对ECG原始信号进行中值滤波、低通滤波,消除噪声对心电信号的干扰,并采用幅度阈值和小波阈值检测R波;
(2)特征提取:在预处理后的ECG信号基础上,分别提取RR间隔、形态特征和时频特征,并将所有提取的特征组成原始特征向量,其中时频特征,采用S变换的方式提取;
(3)特征选择,方法如下:1)在进行特征最优解搜索时,将Wrapper中的遗传算法作为搜索依据,构造特征最优解的备选空间,并利用Filter法指导遗传算法计算特征权重,以加速特征选择速度;2)在利用1)步骤得到的最优解备选特征中寻找最优解特征时,利用SVM分类器作为特征分类器,选取分类性能性能优异的特征;
(4)多分类:采用多分类策略,将多个二分类器组成识别分类器,实现多种心律失常识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711215487.5A CN107909048A (zh) | 2017-11-28 | 2017-11-28 | 一种基于s变换的心律失常多分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711215487.5A CN107909048A (zh) | 2017-11-28 | 2017-11-28 | 一种基于s变换的心律失常多分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107909048A true CN107909048A (zh) | 2018-04-13 |
Family
ID=61849177
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711215487.5A Pending CN107909048A (zh) | 2017-11-28 | 2017-11-28 | 一种基于s变换的心律失常多分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107909048A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109117729A (zh) * | 2018-07-11 | 2019-01-01 | 上海夏先机电科技发展有限公司 | 心电图室性逸搏实时判断方法、装置、系统及存储介质 |
CN110751131A (zh) * | 2019-11-16 | 2020-02-04 | 李汭傧 | 一种心律失常检测装置 |
CN110801218A (zh) * | 2019-11-13 | 2020-02-18 | 清华大学 | 心电图数据处理方法、装置、电子设备及计算机可读介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106377247A (zh) * | 2016-09-10 | 2017-02-08 | 天津大学 | 基于特征选择的心律失常分类方法 |
-
2017
- 2017-11-28 CN CN201711215487.5A patent/CN107909048A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106377247A (zh) * | 2016-09-10 | 2017-02-08 | 天津大学 | 基于特征选择的心律失常分类方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109117729A (zh) * | 2018-07-11 | 2019-01-01 | 上海夏先机电科技发展有限公司 | 心电图室性逸搏实时判断方法、装置、系统及存储介质 |
CN110801218A (zh) * | 2019-11-13 | 2020-02-18 | 清华大学 | 心电图数据处理方法、装置、电子设备及计算机可读介质 |
CN110751131A (zh) * | 2019-11-16 | 2020-02-04 | 李汭傧 | 一种心律失常检测装置 |
CN110751131B (zh) * | 2019-11-16 | 2022-09-02 | 李汭傧 | 一种心律失常检测装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106377247B (zh) | 基于特征选择的心律失常分类方法 | |
Chouhan et al. | Detection of QRS complexes in 12-lead ECG using adaptive quantized threshold | |
Vijayavanan et al. | Automatic classification of ECG signal for heart disease diagnosis using morphological features | |
Mashrur et al. | Automatic identification of arrhythmia from ECG using AlexNet convolutional neural network | |
Gupta et al. | R-peak detection for improved analysis in health informatics | |
CN107909048A (zh) | 一种基于s变换的心律失常多分类方法 | |
Thilagavathy et al. | Real-time ECG signal feature extraction and classification using support vector machine | |
Khan et al. | Electrocardiogram heartbeat classification using convolutional neural networks for the detection of cardiac Arrhythmia | |
Gupta et al. | Segmentation and classification of heart sounds | |
Chin et al. | Bayesian real-time QRS complex detector for healthcare system | |
Kuila et al. | Feature extraction of electrocardiogram signal using machine learning classification | |
Yue et al. | Atrial fibrillation detection based on eemd and xgboost | |
El-Saadawy et al. | Electrocardiogram (ECG) classification based on dynamic beats segmentation | |
Pandit et al. | An efficient abnormal beat detection scheme from ECG signals using neural network and ensemble classifiers | |
Vuksanovic et al. | Analysis of human electrocardiogram for biometric recognition using analytic and ar modeling extracted parameters | |
Li et al. | A novel abnormal ECG beats detection method | |
Bhoi et al. | Classification Probability Analysis for Arrhythmia and Ischemia Using Frequency Domain Features of QRS Complex. | |
Bonizzi et al. | Detection of atrial fibrillation episodes from short single lead recordings by means of ensemble learning | |
Kadbi et al. | Classification of ECG arrhythmias based on statistical and time-frequency features | |
Shantha Selva Kumari et al. | Classification of cardiac arrhythmias based on morphological and rhythmic features | |
Gad | Feature extraction of electrocardiogram signals using discrete sinc transform | |
Rodrigues et al. | The issue of automatic classification of heartbeats | |
Wannawijit et al. | ECG classification with modification of higher-order Hjorth descriptors | |
Gupta et al. | Classification of homomorphic segmented phonocardiogram signals using grow and learn network | |
Tantawi et al. | On the use of the electrocardiogram for biometrie authentication |
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 |
Application publication date: 20180413 |
|
RJ01 | Rejection of invention patent application after publication |