CN108537123A - 基于多特征提取的心电识别方法 - Google Patents
基于多特征提取的心电识别方法 Download PDFInfo
- Publication number
- CN108537123A CN108537123A CN201810190709.0A CN201810190709A CN108537123A CN 108537123 A CN108537123 A CN 108537123A CN 201810190709 A CN201810190709 A CN 201810190709A CN 108537123 A CN108537123 A CN 108537123A
- Authority
- CN
- China
- Prior art keywords
- feature
- recognition method
- electrocardiosignal
- feature extraction
- extraction
- 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
- G06F2218/08—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)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (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
为了提高心电信号的识别准确率,提出了基于多特征提取的心电识别方法。本发明通过分别提取心电信号的变换域特征(循环矩阵提取特征)、统计学特征(PCA降维后特征)和形态学特征(RR间期特征),组合三个特征送到分类器中进行分类。本发明对心电信号的分类精确率高,且模型构建只需少量数据,对心脏病精准识别有着重要意义。
Description
技术领域
本发明涉及一种基于多特征提取的心电识别方法,属于生物医学与计算机科学交叉领域,更具体来说,是对心电信号提取多个特征,再做分类处理。
背景技术
RR间期特征被广泛用于心电信号的分类。RR间期有前RR间期和后RR间期,前RR间期为当前R波波峰所在时刻减去上一个R波波峰时刻得到的一个时间间期,同理,后RR间期是后一个R波波峰时刻减去当前R波波峰时刻得到的一个时间间期。RR特征代表了心电的动态信息,反映了心跳的节奏,选择RR间期作为特征可以得到很好的分类效果。主成分分析(PCA)是将多个变量通过线性变换以选出较少个数重要变量的一种多元统计分析方法。主成分分析首先是由K.皮尔森(Karl Pearson)对非随机变量引入的,而后H.霍特林将此方法推广到随机向量的情形。由于每一拍心电信号中包含很多数据,而很多是对分类用处不大,所以用PCA提取主成分是很有必要的。
循环矩阵是一种特殊形式的 Toeplitz矩阵,它的行向量的每个元素都是前一个行向量各元素依次右移一个位置得到的结果。循环矩阵使传感矩阵以很大概率满足约束等距性,并且可以直接应用快递傅立叶变换得到快速的重构算法,能够明显减少高维问题的计算和存储复杂度,因而对高维问题特别有效。Sebert等提出将块托普利兹矩阵应用于压缩传感,并做了大量实验,结果表明应用这种测量矩阵不仅有很好的重构结果,而且可以明显加快运算速度和减少存储空间。
为了避免RR间期的片面性,使变换域特征和统计学特征加入心电分类中也是很有必要的。加入变换域特征和统计学特征可以提高心电信号的分类结果,对精确诊断心脏病有重要意义。
发明内容
本发明提出了一种基于多特征提取的心电信号识别方法,该方法旨在使用少量心电信号进行多特征提取并构建决策树模型,实现高精确度的心电信号分类。
本发明所采用的技术方案如下:
一种基于多特征提取的心电信号识别方法,其具体步骤如下:
步骤1:心电信号预处理并提取RR特征
步骤2:心电数据分割成单个心拍
步骤3:利用循环测量矩阵提取心电信号的特征
步骤4:利用PCA对心电信号进行降维
步骤5:拼接RR特征、循环矩阵提取的特征和PCA特征,组成特征向量集,并进行标准化
步骤6:将训练特征数据输入到随机森林分类器中进行模型构建
步骤7:利用训练好的模型对测试数据进行分类。
本发明使用多特征提取和以随机森林作为分类器的方法对心电信号分类,不仅分类效果稳定,而且实现高精确度的分类结果。
附图说明
图1是本发明系统示意图
图2是本发明单个心拍300取样点图
图3是本发明PCA降维后精确图
图4是本发明分类准确率对比图。
具体实施方式
下面结合附图和具体实施示例,对本发明对本发明涉及的技术方案做进一步的详细说明:
图1是本实施示例中的系统原理图,具体包括以下步骤:
步骤1,心电信号预处理。心电信号预处理主要是进行去噪过程,利用小波变换算法的分解与重构,选择母小波函数‘bior2.6’,将心电信号分解为8层,将最高频和最低频系数置零,达到去除工频噪声和肌电噪声的效果
提取RR间期特征。在本实施例中,提取了当前R波与上一个R波的间期和当前R波与下一个R波的间期作为RR间期特征。
步骤2,心电数据切割成单个心拍。在图2中,通过R波定位算法,取主峰位置前100个点和主峰位置后200个点,共300个采样点作为单个心拍,并对心拍数据标准化。图2是切割了10个心拍,每个心拍有300点,并将其绘制在同一图形中。
步骤3,利用循环测量矩阵提取标准化后的单个心拍数据的特征
步骤3.1,基础矩阵ɸ选择;
其中 为不同元素;
步骤3.2,对得到的基础矩阵ɸ中的列进行归一化处理,得到特征矩阵;
步骤3.3,利用特征矩阵对心电信号进行心电特征的提取,并对压缩后的心电特征向量作标准化处理。
步骤4,如图3,利用PCA对心电心号进行降维。在步骤2中分割的心电信号中,共有300维,当只要降低到15个维度时,就可以达到94%左右的精度。所以取维度为15时就有很高的精度。
步骤5,进行多个特征拼接。将RR特征、循环测量矩阵特征和PCA降维后的特征拼接成特征向量,然后对该特征向量进行标准化。
步骤6,模型构建。在本实施例中,使用随机森林作为分类器。将第5步骤中产生的特征向量分为测训练数据和测试数据,利用训练数据来构建模型,然后用测试数据送入训练好的分类模型进行模拟测试。在随机森林中,选择树的数目为50。
步骤7,决策分类。在本实施例中,一共对五类心电信号进行分类,分别是正常搏动心跳、房性早搏、室性早搏、左束支传导阻滞、右束支传导阻滞。如图4所示,用RR特征、PCA特征和循环矩阵特征时,对循环矩阵的维度进行改变时,其分类准确率也会改变,在选择维度为10到12时,基本维持在92%以上的准确率;在只使用RR特征时,其准确率只有89%左右;而使用循环矩阵特征和RR特征时,其分类效果要比使用三种特征的效果差一些。
Claims (8)
1.基于多特征提取的心电识别方法,其特征是,包括以下几个步骤:
步骤1:利用小波变换对心电信号预处理并提取RR特征;
步骤2:将心电信号数据根据R波位置分割成单个心拍;
步骤3:利用循环测量矩阵提取心电信号的特征;
步骤4:利用PCA对去噪后的心电信号从300维降到15维;
步骤5:拼接RR特征、循环矩阵提取的特征和PCA特征,组成特征向量集,并进行标准化;
步骤6:将训练特征数据输入到随机森林分类器中进行模型构建;
步骤7:利用训练好的模型对测试数据进行分类。
2.根据权利要求1所述的基于多特征提取的心电识别方法,其特征在于:步骤1中对心电数据去噪,利用小波算法的分解与重构,去除工频噪声和肌电噪声,获得去噪后的心电数据,并且提取RR间期特征。
3.根据权利要求1所述的基于多特征提取的心电识别方法,其特征在于:步骤2中通过R波定位算法,取主峰位置前100个点和主峰位置后200个点,共300个采样点作为单个心拍,保证每个心拍数据都包含一次心拍的大部分信息。
4.根据权利要求3所述的基于多特征提取的心电识别方法,其特征在:还包括:对提取后的心电信号数据进行标准化处理。
5.根据权利要求1所述的基于多特征提取的心电识别方法,其特征在于:步骤3中利用确定性测量矩阵中循环测量矩阵来提取心电信号的变换域特征。
6.根据权利要求1所述的基于多特征提取的心电识别方法,其特征在于:步骤4中将去噪后的心电信号由300个维度降到15个维度,通过降维可以减轻维数灾难和高维空间中其他不相关的属性。
7.根据权利要求1所述的基于多特征提取的心电识别方法,其特征在于:步骤5中将RR特征(心态学特征)、循环矩阵提取特征(变换域特征)和PCA降维后特征(统计学特征)组成特征向量集并做标准化处理。
8.根据权利要求1所述的基于多特征提取的心电识别方法,其特征在于:步骤6和7中使用了随机森林作为分类器,选择树的数目为50。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810190709.0A CN108537123A (zh) | 2018-03-08 | 2018-03-08 | 基于多特征提取的心电识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810190709.0A CN108537123A (zh) | 2018-03-08 | 2018-03-08 | 基于多特征提取的心电识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108537123A true CN108537123A (zh) | 2018-09-14 |
Family
ID=63485616
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810190709.0A Pending CN108537123A (zh) | 2018-03-08 | 2018-03-08 | 基于多特征提取的心电识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108537123A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109602414A (zh) * | 2018-11-12 | 2019-04-12 | 安徽心之声医疗科技有限公司 | 一种多视角转换的心电信号数据增强方法 |
CN109620213A (zh) * | 2019-02-25 | 2019-04-16 | 山东大学 | 一种基于多尺度差分特征的心电识别方法及装置 |
CN110705584A (zh) * | 2019-08-21 | 2020-01-17 | 深圳壹账通智能科技有限公司 | 情绪识别方法、装置、计算机装置及存储介质 |
CN111603162A (zh) * | 2020-05-07 | 2020-09-01 | 北京海益同展信息科技有限公司 | 肌电信号处理方法、装置、智能可穿戴设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150032990A1 (en) * | 2013-07-29 | 2015-01-29 | The Regents Of The University Of California | Scalable and Parameterized VLSI Architecture for Compressive Sensing Sparse Approximation |
CN104523264A (zh) * | 2014-12-31 | 2015-04-22 | 深圳职业技术学院 | 一种心电信号处理方法 |
CN105550659A (zh) * | 2015-12-25 | 2016-05-04 | 四川大学 | 基于随机投影的实时心电分类方法 |
CN106301383A (zh) * | 2016-08-25 | 2017-01-04 | 东北大学 | 一种基于压缩感知的信号处理方法 |
CN107122788A (zh) * | 2017-03-09 | 2017-09-01 | 吉林大学 | 一种基于心电信号的身份识别方法及装置 |
CN107714029A (zh) * | 2017-11-20 | 2018-02-23 | 北京工业大学 | 一种心电远程监护系统 |
-
2018
- 2018-03-08 CN CN201810190709.0A patent/CN108537123A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150032990A1 (en) * | 2013-07-29 | 2015-01-29 | The Regents Of The University Of California | Scalable and Parameterized VLSI Architecture for Compressive Sensing Sparse Approximation |
CN104523264A (zh) * | 2014-12-31 | 2015-04-22 | 深圳职业技术学院 | 一种心电信号处理方法 |
CN105550659A (zh) * | 2015-12-25 | 2016-05-04 | 四川大学 | 基于随机投影的实时心电分类方法 |
CN106301383A (zh) * | 2016-08-25 | 2017-01-04 | 东北大学 | 一种基于压缩感知的信号处理方法 |
CN107122788A (zh) * | 2017-03-09 | 2017-09-01 | 吉林大学 | 一种基于心电信号的身份识别方法及装置 |
CN107714029A (zh) * | 2017-11-20 | 2018-02-23 | 北京工业大学 | 一种心电远程监护系统 |
Non-Patent Citations (1)
Title |
---|
夏树涛等: "基于Berlekamp-Justesen码的压缩感知确定性测量矩阵的构造", 《电子与信息学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109602414A (zh) * | 2018-11-12 | 2019-04-12 | 安徽心之声医疗科技有限公司 | 一种多视角转换的心电信号数据增强方法 |
CN109620213A (zh) * | 2019-02-25 | 2019-04-16 | 山东大学 | 一种基于多尺度差分特征的心电识别方法及装置 |
CN110705584A (zh) * | 2019-08-21 | 2020-01-17 | 深圳壹账通智能科技有限公司 | 情绪识别方法、装置、计算机装置及存储介质 |
CN111603162A (zh) * | 2020-05-07 | 2020-09-01 | 北京海益同展信息科技有限公司 | 肌电信号处理方法、装置、智能可穿戴设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Limam et al. | Atrial fibrillation detection and ECG classification based on convolutional recurrent neural network | |
Marinho et al. | A novel electrocardiogram feature extraction approach for cardiac arrhythmia classification | |
Kaya et al. | Classification of premature ventricular contraction in ECG | |
CN110226921B (zh) | 心电信号检测分类方法、装置、电子设备和存储介质 | |
US11564612B2 (en) | Automatic recognition and classification method for electrocardiogram heartbeat based on artificial intelligence | |
CN109522916B (zh) | 识别单导心电图(ecg)信号中的节律的级联二元分类器 | |
CN108537123A (zh) | 基于多特征提取的心电识别方法 | |
WO2019214026A1 (zh) | 一种基于PCANet的心电特征提取方法 | |
CN111772619B (zh) | 一种基于深度学习的心搏识别方法、终端设备及存储介质 | |
CN109700450B (zh) | 一种心率检测方法及电子设备 | |
CN110367936B (zh) | 心电信号检测方法及装置 | |
CN111110224A (zh) | 一种基于多角度特征提取的心电图分类方法及装置 | |
CN110693488A (zh) | 心电信号处理系统、方法、电子设备及可读存储介质 | |
CN110688942A (zh) | 一种基于InResNet网络的心电信号联合识别模块及方法 | |
CN115530788A (zh) | 基于自注意力机制的心律失常分类方法 | |
CN115221926A (zh) | 基于cnn-gru网络模型的心拍信号分类方法 | |
Sreenivas et al. | Classification of arrhythmia in time series ecg signals using image encoding and convolutional neural networks | |
CN115736944A (zh) | 一种基于短时单导联心电信号的房颤检测模型mcnn-blstm | |
El-Saadawy et al. | Electrocardiogram (ECG) classification based on dynamic beats segmentation | |
Kumari et al. | Optimization of multi-layer perceptron neural network using genetic algorithm for arrhythmia classification | |
Alfarhan et al. | Effects of the window size and feature extraction approach for arrhythmia classification | |
Rahuja et al. | A deep neural network approach to automatic multi-class classification of electrocardiogram signals | |
Gai | ECG beat classification using machine learning and pre-trained convolutional neural networks | |
Khatar et al. | Advanced detection of cardiac arrhythmias using a three-stage CBD filter and a multi-scale approach in a combined deep learning model | |
Yildirim et al. | Heartbeat type classification with optimized feature vectors |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180914 |