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 PDF

Info

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
Application number
CN201711215487.5A
Other languages
English (en)
Inventor
褚晶辉
吴泽蕤
吕卫
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.)
Tianjin University
Original Assignee
Tianjin University
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 Tianjin University filed Critical Tianjin University
Priority to CN201711215487.5A priority Critical patent/CN107909048A/zh
Publication of CN107909048A publication Critical patent/CN107909048A/zh
Pending legal-status Critical Current

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

一种基于S变换的心律失常多分类方法
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。
CN201711215487.5A 2017-11-28 2017-11-28 一种基于s变换的心律失常多分类方法 Pending CN107909048A (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (1)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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