CN108647584B - 基于稀疏表示和神经网络的心律不齐识别分类方法 - Google Patents

基于稀疏表示和神经网络的心律不齐识别分类方法 Download PDF

Info

Publication number
CN108647584B
CN108647584B CN201810359468.8A CN201810359468A CN108647584B CN 108647584 B CN108647584 B CN 108647584B CN 201810359468 A CN201810359468 A CN 201810359468A CN 108647584 B CN108647584 B CN 108647584B
Authority
CN
China
Prior art keywords
qrs
interference
noise
follows
phi
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.)
Active
Application number
CN201810359468.8A
Other languages
English (en)
Other versions
CN108647584A (zh
Inventor
王霞
康春阳
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.)
Xian Jiaotong University
Original Assignee
Xian Jiaotong 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 Xian Jiaotong University filed Critical Xian Jiaotong University
Priority to CN201810359468.8A priority Critical patent/CN108647584B/zh
Publication of CN108647584A publication Critical patent/CN108647584A/zh
Application granted granted Critical
Publication of CN108647584B publication Critical patent/CN108647584B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2136—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on sparsity criteria, e.g. with an overcomplete basis
    • 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
    • G06F2218/14—Classification; Matching by matching peak patterns

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Signal Processing (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明公开了一种基于稀疏表示和神经网络的心律不齐识别分类方法，该方法利用稀疏表示框架进行心电信号的预处理，并且得到了QRS波的低频部分，之后利用离散余弦变换实现了特征提取，利用主成分分析得到降维后的变换系数作为特征属性，最后利用以BP神经网络作为基学习器的Bagging算法完成了心律不齐中正常心律(N)、左束支传导阻滞(LBBBB)、右束支传导阻滞(RBBBB)、房性早搏(APB)、室性早缩(PVC)以及起博心拍(PB)六种类型的心拍进行自动分类。本发明从QRS波的低频段进行特征提取，降低了特征属性的维度，利用集成学习中Bagging算法解决了类别不平衡的问题，从而提高了分类准确率。

Description

基于稀疏表示和神经网络的心律不齐识别分类方法
技术领域
本发明属于心电信号分析领域，特别涉及一种基于稀疏表示和神经网络的心律不齐识别分类方法。
背景技术
近年来社会经济快速的发展，国民生活方式发生了深刻的变化，中国心血管病危险因素流行趋势明显，心血管病患病率持续上升。为了应对这一问题，预防和治疗各种心血管疾病成为医疗卫生中重要部分。心电信号是辅助诊断心血管疾病的主要信息，其具有数据量大、对噪声敏感、分析难度大的特点。心律不齐是心血管疾病中常见的一种症状，它的准确识别能够辅助心血管疾病的治疗和预防。基于计算机的心律不齐识别分类成为一个重要的研究方向。心电信号分析中主要是在QRS波上进行的，而QRS波的能量主要集中在QRS波的低频段上。目前已有的心律不齐识别分类方法并没有将QRS波的低频段和高频段分开，单独地对低频段进行特征提取。由于心电信号的数据库中，不同类别的心律不齐的样本数量相差很大，这些方法在训练模型时没有很好地解决这个问题。基于上述这些问题，已有心律不齐识别分类方法的分类准确率有一定的提升空间。
心律不齐识别分类主要包括如下过程：心电信号预处理、心电信号特征提取、心律不齐分类。心电信号的预处理主要是对心电信号中噪声的滤除，还原真实的信号。心电信号中的噪声主要有工频干扰(PLI)、基线漂移(BW)、肌电噪声(MA)。这些复杂的噪声对于心电信号的分析造成了很大的干扰，因此对心电信号进行去噪处理对于心电信号的分析有重要的作用。目前已有的心电信号去噪方法主要有数字滤波和小波变换。数字滤波方法主要利用低通滤波器、高通滤波器和陷波滤波器来实现噪声的滤除，而离散小波变换方法将信号分离成多条不同频带的信号进行去噪处理。相关实验证明小波变换的方法相较于传统的FIR数字滤波方法，具有更好的滤波效果。目前，研究工作者提出一种基于字典学习的稀疏表示框架来实现心电信号的去噪处理，实验结果表明这种方法不仅具有很好的去噪效果，而且去噪处理不会干扰心电信号中局部波的形态特征。
心电信号的特征提取主要包括，QRS波的检测、特征提取和降维处理。在一个完整的心电信号搏动周期中，QRS波是搏动最显著的一组波形，心电信号的分析主要是根据QRS波的形态特征。QRS波形的检测是对心电信号做更进一步分析的基础。特征提取主要是利用离散余弦变换、离散小波变换来进行特征的提取，同时QRS波的形态结构也可作为特征被提取。由于离散余弦变换和离散小波变换得到的变换系数维度较高，常常需要将这些系数进行降维处理。
心率不齐的识别分类主要是利用分类算法将提取出的特征作为输入来进行识别分类。近年来，随着支持向量机、人工神经网络等统计学习方法在语音识别、图像处理领域取得了巨大的成功，这些算法大量地应用与心电信号自动心拍分类领域。
发明内容
本发明的目的在于提供一种基于稀疏表示和神经网络的心律不齐识别分类方法，以解决背景技术中提出的QRS波低频段和高频段分开考虑，克服样本类别不平衡，提高分类准确率的问题。与已有的方法比较，该方法能够单独提取出QRS的低频段进行特征提取，利用集成学习的方法克服类别不平衡的问题，从而降低提取出的特征维度，提高分类准确率。
本发明采用如下技术方案来实现的：
基于稀疏表示和神经网络的心律不齐识别分类方法，包括以下步骤：
1)对采集的心电信号x[n]，利用基于字典学习的稀疏表示框架来进行噪声的检测和去噪处理，同时得到QRS波的低频段和高频段；
2)将步骤1)中得到的QRS波高频段进行R峰值点检测，利用已知的R峰值点对QRS波低频段进行每个心拍划分，选取每个心拍的200个采样点，之后对每个心拍的采样点进行离散余弦变换得到变换系数作为分类特征，并对得到的所有采样点的变换系数进行主成分分析降维处理；
3)最后以误差逆传播神经网络为基学习器的Bagging算法对心律不齐中正常心律、左束支传导阻滞、右束支传导阻滞、房性早搏、室性早缩以及起搏心拍六种类型的心拍进行自动分类。
本发明进一步的改进在于，步骤1)中，包括对采集的心电信号进行不同噪声的检测和相应噪声的滤除；
其中，噪声的检测包括基线漂移、工频干扰和肌电干扰；
噪声的滤除分为五类进行滤除：基线漂移，工频干扰，基线漂移+工频干扰，肌电干扰/工频干扰+肌电干扰，以及基线漂移+肌电干扰/基线漂移+工频干扰+肌电干扰。
本发明进一步的改进在于，步骤1)中，心电信号x[n]表示如下：
Figure BDA0001635568780000031
式中，Φ∈RN×M表示过完备字典集，ρ＝[ρ1,ρ2,...,ρM]T表示稀疏系数向量，φi表示字典集Φ中行向量；完整的字典集Φ表示如下：
Φ＝[ΦB|ΦPT|ΦQRS|ΦD|ΦP]
上式中ΦB,ΦPT,ΦQRS,ΦD,ΦP分别表示捕获基线漂移，P/T波，QRS波群的低频部分，QRS波群的高频部分和高频噪声，工频干扰的过完备字典集；
稀疏系数的求解如下：
Figure BDA0001635568780000041
上式中λ是正则化参数，x是心电信号，ρ表示稀疏系数向量，
Figure BDA0001635568780000042
是求解后的稀疏系数向量；
重构后的心电信号表示如下：
Figure BDA0001635568780000043
上式中
Figure BDA0001635568780000044
表示重构的心电信号，
Figure BDA0001635568780000045
分别表示对应ΦB,ΦPT,ΦQRS,ΦD,ΦP的稀疏系数，
Figure BDA0001635568780000046
分别表示从原信号x中分离出的基线漂移，P/T波，QRS波群的低频部分，QRS波群的高频部分和高频噪声，工频干扰；
当噪声类型为基线漂移时，字典集为Φ＝[ΦB|ΦPT|ΦQRS|ΦD]，此时QRS波高频段信号
Figure BDA0001635568780000047
去噪后的心电信号
Figure BDA0001635568780000048
当噪声类型为工频干扰时，字典集为Φ＝[ΦPT|ΦQRS|ΦP|ΦD]，此时QRS波高频段信号
Figure BDA0001635568780000049
去噪后的心电信号
Figure BDA00016355687800000410
当噪声为基线漂移和工频干扰时，此时的字典集为Φ＝[ΦB|ΦPT|ΦQRS|ΦP|ΦD]，此时QRS波高频段信号
Figure BDA00016355687800000411
去噪后的心电信号
Figure BDA00016355687800000412
当噪声为工频干扰和肌电干扰时，此时的字典集为Φ＝[ΦB|ΦPT|ΦQRS|ΦP|ΦD]，从
Figure BDA00016355687800000413
中提取QRS波的高频段，以此来滤除肌电干扰，在信号
Figure BDA00016355687800000414
中进行R峰值点检测，以R点为中心选取长L为100ms的块，作为QRS波群的高频部分：
Figure BDA0001635568780000051
上式中QRSHF表示去除高频噪声的QRS波群高频段，去噪后的心电信号为：
Figure BDA0001635568780000052
当噪声为基线漂移，工频干扰和肌电干扰时，此时的字典集为Φ＝[ΦB|ΦPT|ΦQRS|ΦP|ΦD]，从
Figure BDA0001635568780000053
中提取QRS波群的高频段，以此来滤除肌电干扰，在信号
Figure BDA0001635568780000054
中进行R峰值点检测，以R点为中心选取长L为100ms的块，作为QRS波的高频部分：
Figure BDA0001635568780000055
上式中QRSHF表示去除高频噪声的QRS波群高频段，去噪后的心电信号
Figure BDA0001635568780000056
本发明进一步的改进在于，利用移动平均滤波器来检测基线漂移噪声的存在，且移动平均滤波器的长度选取为360，阈值的选择为0.5；
利用过零点特征来检测高频噪声，具体方法如下：
对滤除低频噪声的心电信号进行一阶差分操作如下：
Figure BDA0001635568780000057
其中
Figure BDA0001635568780000058
是源信号x[n]滤除基线漂移噪声后的信号，N是心电信号的长度；
然后将d[n]分为长度为50ms的块，相邻的块之间有一个样本的移位；计算每个块的过零点的数量来判断心电信号中是否含有高频噪声，分块操作如下：
dl[n]＝d[l+n],n＝1,2，...,P
这里l＝0,1,2，...,N-P-1，dl[n]是第l个块，P代表每个块的大小，每个块的过零点数量计算如下：
Figure BDA0001635568780000061
Figure BDA0001635568780000062
这里NZCl表示第l个块的过零点数量，如果过零点数量是非零的持续时间达到350ms，则判断心电信号中含有高频噪声，反之则没有；
利用自相关特征来判断高频噪声是工频干扰还是肌电干扰，具体方法如下：
将d[n]分为长度为100ms的块，相邻的块之间有20％样本的移位，分块操作如下：
vm[n]＝d[0.2Pm+n]
这里
Figure BDA0001635568780000063
每个块的自相关序列计算如下：
Figure BDA0001635568780000064
这里每个块的最大自相关特征在第一个负零点的位置，如果最大自相关特征大于0.5，则高频噪声为工频干扰，反之则为肌电干扰。
本发明进一步的改进在于，步骤2)中，R点检测方法如下：
201)对QRS波高频段
Figure BDA0001635568780000065
进行归一化，如下：
Figure BDA0001635568780000066
202)利用自适应阈值，如下：
Figure BDA0001635568780000067
上式中σd表示g[n]的标准差；
203)进行平滑操作，如下：
Figure BDA0001635568780000071
上式中b＝ones(1,WS)/WS；a＝1；WS＝floor(0.1*fs)；
204)利用高斯微分操作进行R峰值的检测，如下：
z[n]＝conv(s,h)
上式中h[k]＝w[k]-w[k-1]；
Figure BDA0001635568780000072
L＝floor(2.5*fs)；ε＝floor(0.05*fs)；
满足下式的点即为检测到的R峰值点：
r＝(sign(z[n])＞0&&sign(z[n+1])＜0)
205)进行R峰值点调整，如下：
[Rmax,Rloc]＝max[xD|r-nw:r+nw],nw＝floor(0.05*fs)。
本发明进一步的改进在于，步骤3)中，以误差逆传播神经网络为基学习器的Bagging算法中使得每个基学习器的不同类别的训练样本数量相差不大，然后基于每个训练集训练出一个基学习器，再将这些基学习器进行结合，在对预测输出进行结合时使用简单投票法，得票最高的为算法识别的类别。
本发明具有如下有益的技术效果：
本发明提供的基于稀疏表示和神经网络的心律不齐识别分类方法，该方法利用稀疏表示框架作为预处理的方法不仅拥有良好的去噪效果，并且能够保持心电信号局部波的形态特征，同时提取QRS波的低频段。本发明在QRS波的低频段作特征提取可以减少特征的维度。利用集成学习中的Bagging算法可以解决不同类别的训练样本相差较大的问题，以此来提高分类准确度。
进一步，步骤1)中，利用基于稀疏表示的框架进行心电信号的噪声检测和滤除，能够减少心电信号中的噪声，能够更加准确地表示心电信号QRS波的形态特征，使得后期心电信号的分析更加准确。
进一步，步骤2)中，由于心电信号QRS波的主要能量集中在低频段，因而利用心电信号的QRS波的低频段进行特征提取，相比于从低频段和高频段进行特征提取能够更大程度的减少特征的维度。
进一步，步骤3)中，利用以BP神经网络为基学习器的Bagging算法作为分类器相比BP神经网络为基学习器，能够解决不同类别的训练样本相差较大的问题，以此来提高分类准确度。
综上所述，本发明对心电信号利用基于字典学习的稀疏表示框架进行去噪处理，可以获得良好去噪效果的同时保持心电信号局部波的形态特征，对心电信号提取QRS波低频段作为特征提取的源信号，可以减少输入分类器的信息量，从而降低特征的维度，以BP神经网络为基学习器的Bagging算法相比于单一的BP神经网络作为分类器可以解决类别不平衡的问题，同时可以提高分类准确率。
附图说明
图1为本发明基于稀疏表示和神经网络的心律不齐识别分类方法的流程图；
图2为本发明以不同算法为分类器，不同特征属性维度下的心律不齐分类准确率。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
如图1所示，本发明提供的基于稀疏表示和神经网络的心律不齐识别分类方法，包括以下步骤：
(1)在预处理阶段，利用基于字典学习的稀疏表示框架进行噪声的检测和滤除。这个框架主要包括两个部分，不同噪声的检测和相应噪声的滤除。
a)在噪声的检测中主要检测心电信号中常见的基线漂移，工频干扰和肌电干扰。心电信号中基线漂移噪声属于低频噪声，工频干扰和肌电干扰属于高频噪声。其中具体步骤如下：
1)在这一步骤中，利用移动平均滤波器来检测基线漂移噪声的存在。将原始心电信号通过移动平均滤波器的处理，计算得到的信号的最大绝对值幅度和预定的阈值进行比较。如果最大绝对值幅度大于阈值，则基线漂移噪声存在，反之则不存在。这里移动平均滤波器的长度选取为360，阈值的选择为0.5。
2)在这一步骤中，利用过零点来检测高频噪声。对滤除低频噪声的心电信号进行一阶差分操作如下：
Figure BDA0001635568780000091
其中
Figure BDA0001635568780000092
是源信号x[n]滤除基线漂移噪声后的信号，N是心电信号的长度，本实验中选定为N＝3600。
然后将d[n]分为长度为50ms的块，相邻的块之间有一个样本的移位。计算每个块的过零点的数量来判断心电信号中是否含有高频噪声。分块操作如下：
dl[n]＝d[l+n],n＝1,2，...,P
这里l＝0,1,2，...,N-P-1。dl[n]是第l个块,P代表每个块的大小。每个块的过零点数量计算如下：
Figure BDA0001635568780000093
Figure BDA0001635568780000094
这里NZCl表示第l个块的过零点数量。如果过零点数量是非零的持续时间达到350ms，则判断心电信号中含有高频噪声，反之则没有。
3)在这一步骤中，利用自相关特征来判断高频噪声是工频干扰还是肌电干扰。将d[n]分为长度为100ms的块，相邻的块之间有20％样本的移位。分块操作如下：
vm[n]＝d[0.2Pm+n],n＝1,2，...,P
这里
Figure BDA0001635568780000101
每个块的自相关序列计算如下：
Figure BDA0001635568780000102
这里每个块的最大自相关特征在第一个负零点的位置。如果最大自相关特征大于0.5，则高频噪声为工频干扰，反之则为肌电干扰。
b)心电信号的去噪处理利用基于字典学习的稀疏表示框架来完成。心电信号x[n]表示如下：
Figure BDA0001635568780000103
式中Φ∈RN×M表示过完备字典集，ρ＝[ρ1,ρ2,...,ρM]T表示稀疏系数向量。φi表示字典集Φ中行向量。这里Φ表示如下：
Φ＝[ΦB|ΦPT|ΦQRS|ΦD|ΦP]
上式中ΦB,ΦPT,ΦQRS,ΦD,ΦP分别表示捕获基线漂移，P/T波，QRS波群的低频部分，QRS波群的高频部分和高频噪声，工频干扰的过完备字典集。其中ΦD是单位矩阵，ΦB,ΦPT,ΦQRS,ΦP是根据各自的频率区间从矩阵S和C中选择组成。N×N维矩阵S和C表示如下：
Figure BDA0001635568780000104
上式中对于
Figure BDA0001635568780000105
其余ai＝1，并且i,j＝0,1,2,...,N-1。
Figure BDA0001635568780000106
上式中对于
Figure BDA0001635568780000111
其余ai＝1，并且i,j＝0,1,2,...,N-1。
字典集ΦB,ΦPT,ΦQRS,ΦP各自的频率区间为0-1,1-2,2-20,47-53Hz。上述的字典集中的关于频率f的基础向量是S和C中的第k列，
Figure BDA0001635568780000112
fs表示心电信号的采样频率。字典集Φ可以重写如下：
Figure BDA0001635568780000113
上式中
Figure BDA0001635568780000114
表示从矩阵C中选取出的字典集，
Figure BDA0001635568780000115
表示从矩阵S中选取出的字典集。
稀疏系数的求解如下：
Figure BDA0001635568780000116
上式中λ是正则化参数，取为0.1，x是心电信号，ρ表示稀疏系数向量，
Figure BDA0001635568780000117
是求解后的稀疏系数向量。重构后的心电信号表示如下：
Figure BDA0001635568780000118
上式中
Figure BDA0001635568780000119
表示重构的心电信号，
Figure BDA00016355687800001110
分别表示对应ΦB,ΦPT,ΦQRS,ΦD,ΦP的稀疏系数，
Figure BDA00016355687800001111
分别表示从原信号x中分离出的基线漂移，P/T波，QRS波群的低频部分，QRS波群的高频部分和高频噪声，工频干扰。
本发明将噪声分为五类进行滤除：
1)基线漂移
当噪声类型为基线漂移时，字典集为
Figure BDA00016355687800001112
去噪后的心电信号
Figure BDA00016355687800001113
2)工频干扰
当噪声类型为工频干扰时，字典集为
Figure BDA00016355687800001114
去噪后的心电信号
Figure BDA0001635568780000121
3)基线漂移+工频干扰
当噪声类型为基线漂移和工频干扰时，此时的字典集为
Figure BDA0001635568780000122
去噪后的心电信号
Figure BDA0001635568780000123
4)肌电干扰/工频干扰+肌电干扰
当噪声类型为工频干扰和肌电干扰时，此时的字典集为
Figure BDA0001635568780000124
从
Figure BDA0001635568780000125
中提取QRS波的高频段，以此来滤除肌电干扰。在信号
Figure BDA0001635568780000126
中进行R点检测，以R点为中心选取长L为100ms的块，作为QRS波的高频部分：
Figure BDA0001635568780000127
上式中QRSHF表示去除高频噪声的QRS波高频段，去噪后的心电信号为：
Figure BDA0001635568780000128
5)基线漂移+肌电干扰/基线漂移+工频干扰+肌电干扰
当噪声类型为基线漂移，工频干扰和肌电干扰时，此时的字典集为
Figure BDA0001635568780000129
从
Figure BDA00016355687800001210
中提取QRS波的高频段，以此来滤除肌电干扰。在信号
Figure BDA00016355687800001211
中进行R点检测，以R点为中心选取长L为100ms的块，作为QRS波的高频部分：
Figure BDA00016355687800001212
上式中QRSHF表示去除高频噪声的QRS波高频段，去噪后的心电信号为：
Figure BDA00016355687800001213
(2)在特征提取阶段主要是进行QRS波的检测和特征的提取。
a)在去噪阶段QRS波群的低频段和高频段同时被获得。在QRS波的高频段上运用R点检测方法，在检测出的R点作为中间点的基础上，选择出200个QRS波低频段采样点。R点检测方法如下：
1)对QRS波高频段
Figure BDA0001635568780000131
进行归一化，如下：
Figure BDA0001635568780000132
上式中为归一化后的信号，QRSHF表示QRS波高频段。
2)利用自适应阈值选取R峰值点区间，如下：
Figure BDA0001635568780000133
上式中σd表示g[n]的标准差，
Figure BDA0001635568780000134
表示R峰值点可能存在的区间，区间内值不变，区间外值为零。
3)进行平滑操作，如下：
Figure BDA0001635568780000135
上式中s[n]为平滑操作后的信号，b＝ones(1,WS)/WS；a＝1；WS＝floor(0.1*fs)。
4)利用高斯微分操作进行R峰值的检测，如下：
z[n]＝conv(s,h)
上式中h[k]＝w[k]-w[k-1]；
Figure BDA0001635568780000136
L＝floor(2.5*fs)；ε＝floor(0.05*fs)
满足下式的点即为检测到的R峰值点，如下：
r＝(sign(z[n])＞0&&sign(z[n+1])＜0)
上式中r表示检测到的R峰值点。
5)进行R峰值点调整，如下：
[Rmax,Rloc]＝max[QRSHF|r-nw:r+nw],nw＝floor(0.05*fs)
上式中Rmax表示r-nw:r+nw这一段区间内的最大值，即R峰值点。Rloc表示检测到这个R峰值点的位置。
b)将上述的每个心跳节拍的200个采样点做离散余弦变换(DCT)，得到的变换系数作为分类特征。由于特征维度较高，利用主成分分析(PCA)进行特征降维。
(3)在心律不齐分类中，由于不同类别的训练样本相差较大，本发明利用集成学习中的Bagging算法来解决此问题，同时提高分类准确度。本发明以三层BP神经网络作为Bagging算法的基学习器，使得每个基学习器的不同类别的训练样本数量相差不大。当进行分类任务时，心拍的特征向量通过每个基学习器，得到每个基学习器的结果，将所有的结果集合投票，分类结果得票最后的类别为最终判断的类别。
实验和效果分析
图2为本发明以不同算法为分类器，得到的在不同特征属性维度下，对心律不齐中正常心律(N)、左束支传导阻滞(LBBBB)、右束支传导阻滞(RBBBB)、房性早搏(APB)、室性早缩(PVC)以及起搏心拍(PB)六种类型的分类准确率。从图中可以发现，随着属性维度的增加，两种分类器的分类准确率增加。以Bagging算法为分类器时分类准确率明显高于BP神经网络。
表1为本发明实验中类别数量，特征维度和分类准确率与其他算法的比较。从表中可以看出，本发明所用特征维度相比已有方法有所降低，而心律不齐分类准确率有了很大的提升。
表2为本发明中以BP神经网络为基学习器的Bagging算法作为分类器与BP神经网络作为分类器，心律不齐分类准确率的比较。从表中可以看出，利用Bagging算法可以克服类别不平衡的问题，从而提高了分类准确率。
表1为本发明所用特征维度和分类准确率与其他算法的比较：
类别数量 特征维度 分类准确率
已有方法 6 12 87％
本发明 6 8 98.39％
表2为本发明所用Bagging算法和BP神经网络的分类准确率的比较：
Figure BDA0001635568780000151

Claims (4)

1.基于稀疏表示和神经网络的心律不齐识别分类方法，其特征在于，包括以下步骤：
1)对采集的心电信号x，利用基于字典学习的稀疏表示框架来进行噪声的检测和去噪处理，同时得到QRS波的低频段和高频段；包括对采集的心电信号进行不同噪声的检测和相应噪声的滤除；其中，噪声的检测包括基线漂移、工频干扰和肌电干扰；噪声的滤除分为五类进行滤除：基线漂移，工频干扰，基线漂移+工频干扰，肌电干扰/工频干扰+肌电干扰，以及基线漂移+肌电干扰/基线漂移+工频干扰+肌电干扰；
心电信号x表示如下：
Figure FDA0003187322820000011
式中，Φ∈RN×M表示过完备字典集，ρi＝[ρ1,ρ2,...,ρM]T表示稀疏系数向量，φi表示字典集Φ中行向量；完整的字典集Φ表示如下：
Φ＝[ΦB|ΦPT|ΦQRS|ΦD|ΦP]
上式中ΦB,ΦPT,ΦQRS,ΦD,ΦP分别表示捕获基线漂移，P/T波，QRS波群的低频部分，QRS波群的高频部分和高频噪声，工频干扰的过完备字典集；
稀疏系数的求解如下：
Figure FDA0003187322820000012
上式中λ是正则化参数，x是心电信号，ρ表示稀疏系数向量，
Figure FDA0003187322820000013
是求解后的稀疏系数向量；
重构后的心电信号表示如下：
Figure FDA0003187322820000014
上式中
Figure FDA0003187322820000015
表示重构的心电信号，
Figure FDA0003187322820000016
分别表示对应ΦB,ΦPT,ΦQRS,ΦD,ΦP的稀疏系数，
Figure FDA0003187322820000021
分别表示从原信号x中分离出的基线漂移，P/T波，QRS波群的低频部分，QRS波群的高频部分和高频噪声，工频干扰；
当噪声类型为基线漂移时，字典集为Φ＝[ΦB|ΦPT|ΦQRS|ΦD]，此时QRS波高频段信号
Figure FDA0003187322820000022
去噪后的心电信号
Figure FDA0003187322820000023
当噪声类型为工频干扰时，字典集为Φ＝[ΦPT|ΦQRS|ΦP|ΦD]，此时QRS波高频段信号
Figure FDA0003187322820000024
去噪后的心电信号
Figure FDA0003187322820000025
当噪声为基线漂移和工频干扰时，此时的字典集为Φ＝[ΦB|ΦPT|ΦQRS|ΦP|ΦD]，此时QRS波高频段信号
Figure FDA0003187322820000026
去噪后的心电信号
Figure FDA0003187322820000027
当噪声为工频干扰和肌电干扰时，此时的字典集为Φ＝[ΦB|ΦPT|ΦQRS|ΦP|ΦD]，从
Figure FDA0003187322820000028
中提取QRS波的高频段，以此来滤除肌电干扰，在信号
Figure FDA0003187322820000029
中进行R峰值点检测，以R点为中心选取长L为100ms的块，作为QRS波群的高频部分：
Figure FDA00031873228200000210
上式中QRSHF表示去除高频噪声的QRS波群高频段，去噪后的心电信号为：
Figure FDA00031873228200000211
当噪声为基线漂移，工频干扰和肌电干扰时，此时的字典集为Φ＝[ΦB|ΦPT|ΦQRS|ΦP|ΦD]，从
Figure FDA00031873228200000212
中提取QRS波群的高频段，以此来滤除肌电干扰，在信号
Figure FDA00031873228200000213
中进行R峰值点检测，以R点为中心选取长L为100ms的块，作为QRS波的高频部分：
Figure FDA00031873228200000214
上式中QRSHF表示去除高频噪声的QRS波群高频段，去噪后的心电信号
Figure FDA00031873228200000215
2)将步骤1)中得到的QRS波高频段进行R峰值点检测，利用已知的R峰值点对QRS波低频段进行每个心拍划分，选取每个心拍的200个采样点，之后对每个心拍的采样点进行离散余弦变换得到变换系数作为分类特征，并对得到的所有采样点的变换系数进行主成分分析降维处理；
3)最后以误差逆传播神经网络为基学习器的Bagging算法对心律不齐中正常心律、左束支传导阻滞、右束支传导阻滞、房性早搏、室性早缩以及起搏心拍六种类型的心拍进行自动分类。
2.根据权利要求1所述的基于稀疏表示和神经网络的心律不齐识别分类方法，其特征在于，利用移动平均滤波器来检测基线漂移噪声的存在，且移动平均滤波器的长度选取为360，阈值的选择为0.5；
利用过零点特征来检测高频噪声，具体方法如下：
对滤除低频噪声的心电信号进行一阶差分操作如下：
Figure FDA0003187322820000031
其中
Figure FDA0003187322820000032
是源信号x[n]滤除基线漂移噪声后的信号，N是心电信号的长度；
然后将d[n]分为长度为50ms的块，相邻的块之间有一个样本的移位；计算每个块的过零点的数量来判断心电信号中是否含有高频噪声，分块操作如下：
dl[n]＝d[l+n],n＝1,2，...,P
这里l＝0,1,2，...,N-P-1，dl[n]是第l个块，P代表每个块的大小，每个块的过零点数量计算如下：
Figure FDA0003187322820000033
Figure FDA0003187322820000034
这里NZCl表示第l个块的过零点数量，如果过零点数量是非零的持续时间达到350ms，则判断心电信号中含有高频噪声，反之则没有；
利用自相关特征来判断高频噪声是工频干扰还是肌电干扰，具体方法如下：
将d[n]分为长度为100ms的块，相邻的块之间有20％样本的移位，分块操作如下：
vm[n]＝d[0.2Pm+n]
这里m＝0,1,...,M,
Figure FDA0003187322820000041
每个块的自相关序列计算如下：
Figure FDA0003187322820000042
这里每个块的最大自相关特征在第一个负零点的位置，如果最大自相关特征大于0.5，则高频噪声为工频干扰，反之则为肌电干扰。
3.根据权利要求2所述的基于稀疏表示和神经网络的心律不齐识别分类方法，其特征在于，步骤2)中，R点检测方法如下：
201)对QRS波高频段
Figure FDA0003187322820000043
进行归一化，如下：
Figure FDA0003187322820000044
202)利用自适应阈值，如下：
Figure FDA0003187322820000045
上式中σd表示g[n]的标准差；
203)进行平滑操作，如下：
Figure FDA0003187322820000046
上式中b＝ones(1,WS)/WS；a＝1；WS＝floor(0.1*fs)；
204)利用高斯微分操作进行R峰值的检测，如下：
z[n]＝conv(s,h)
上式中
Figure FDA0003187322820000051
L＝floor(2.5*fs)；ε＝floor(0.05*fs)；
满足下式的点即为检测到的R峰值点：
r＝(sign(z[n])＞0&&sign(z[n+1])＜0)
205)进行R峰值点调整，如下：
[Rmax,Rloc]＝max[xD|r-nw:r+nw],nw＝floor(0.05*fs)。
4.根据权利要求1所述的基于稀疏表示和神经网络的心律不齐识别分类方法，其特征在于，步骤3)中，以误差逆传播神经网络为基学习器的Bagging算法中使得每个基学习器的不同类别的训练样本数量相差不大，然后基于每个训练集训练出一个基学习器，再将这些基学习器进行结合，在对预测输出进行结合时使用简单投票法，得票最高的为算法识别的类别。
CN201810359468.8A 2018-04-20 2018-04-20 基于稀疏表示和神经网络的心律不齐识别分类方法 Active CN108647584B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810359468.8A CN108647584B (zh) 2018-04-20 2018-04-20 基于稀疏表示和神经网络的心律不齐识别分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810359468.8A CN108647584B (zh) 2018-04-20 2018-04-20 基于稀疏表示和神经网络的心律不齐识别分类方法

Publications (2)

Publication Number Publication Date
CN108647584A CN108647584A (zh) 2018-10-12
CN108647584B true CN108647584B (zh) 2022-04-22

Family

ID=63746716

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810359468.8A Active CN108647584B (zh) 2018-04-20 2018-04-20 基于稀疏表示和神经网络的心律不齐识别分类方法

Country Status (1)

Country Link
CN (1) CN108647584B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109620211A (zh) * 2018-11-01 2019-04-16 吉林大学珠海学院 一种基于深度学习的智能化异常心电辅助诊断方法
CN109800722B (zh) * 2019-01-25 2021-01-05 青岛市市立医院 医用设备无线通信平台
CN112842342B (zh) * 2021-01-25 2022-03-29 北京航空航天大学 一种结合希尔伯特曲线和集成学习的心电磁信号分类方法
CN113057648A (zh) * 2021-03-22 2021-07-02 山西三友和智慧信息技术股份有限公司 一种基于复合lstm结构的ecg信号分类方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US3927663A (en) * 1974-05-02 1975-12-23 Phsiological Electronics Corp Method and apparatus for detecting cardiac arrhythmias
CN104523266A (zh) * 2015-01-07 2015-04-22 河北大学 一种心电信号自动分类方法
CN106137184A (zh) * 2015-04-08 2016-11-23 四川锦江电子科技有限公司 基于小波变换的心电信号qrs波检测方法
CN107495959A (zh) * 2017-07-27 2017-12-22 大连大学 一种基于一维卷积神经网络的心电信号分类方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10610162B2 (en) * 2016-05-31 2020-04-07 Stmicroelectronics S.R.L. Method for the detecting electrocardiogram anomalies and corresponding system

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US3927663A (en) * 1974-05-02 1975-12-23 Phsiological Electronics Corp Method and apparatus for detecting cardiac arrhythmias
CN104523266A (zh) * 2015-01-07 2015-04-22 河北大学 一种心电信号自动分类方法
CN106137184A (zh) * 2015-04-08 2016-11-23 四川锦江电子科技有限公司 基于小波变换的心电信号qrs波检测方法
CN107495959A (zh) * 2017-07-27 2017-12-22 大连大学 一种基于一维卷积神经网络的心电信号分类方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Evaluation of bagging ensemble method with time-domain feature extraction for diagnosing of arrhythmia beats;Ahmet Mert et al;《Neural Computing and Applications》;20121026;317-326 *
基于中医临床数据的疾病分类关键方法研究;潘主强;《中国优秀硕士学位论文全文数据库 医药卫生科技辑》;20180115;第16页第1段-第17页4段 *

Also Published As

Publication number Publication date
CN108647584A (zh) 2018-10-12

Similar Documents

Publication Publication Date Title
Li et al. Deep convolutional neural network based ECG classification system using information fusion and one-hot encoding techniques
CN108647584B (zh) 基于稀疏表示和神经网络的心律不齐识别分类方法
CN108714026B (zh) 基于深度卷积神经网络和在线决策融合的细粒度心电信号分类方法
Arif Robust electrocardiogram (ECG) beat classification using discrete wavelet transform
CN108596142B (zh) 一种基于PCANet的心电特征提取方法
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
Abibullaev et al. A new QRS detection method using wavelets and artificial neural networks
CN107945817B (zh) 心肺音信号分类方法、检测方法、装置、介质和计算机设备
CN109645980A (zh) 一种基于深度迁移学习的心律异常分类方法
Vijayavanan et al. Automatic classification of ECG signal for heart disease diagnosis using morphological features
CN107260166A (zh) 一种实用化在线脑电伪迹剔除方法
CN107736894A (zh) 一种基于深度学习的心电信号情绪识别方法
Rai et al. A novel adaptive feature extraction for detection of cardiac arrhythmias using hybrid technique MRDWT & MPNN classifier from ECG big data
CN109948396B (zh) 一种心拍分类方法、心拍分类装置及电子设备
ŞEN et al. ECG arrhythmia classification by using convolutional neural network and spectrogram
CN113128552A (zh) 一种基于深度可分离因果图卷积网络的脑电情绪识别方法
Khan et al. Detection of dilated cardiomyopathy using pulse plethysmographic signal analysis
Ceylan et al. Wavelet neural network for classification of bundle branch blocks
Alfarhan et al. Effects of the window size and feature extraction approach for arrhythmia classification
Allam et al. Patient-specific ECG beat classification using EMD and deep learning-based technique
Don et al. Analysis of electrocardiogram signals of arrhythmia and ischemia using fractal and statistical features
Thatipelli et al. Classification of myocardial infarction using discrete wavelet transform and support vector machine
Khandait et al. ECG signal processing using classifier to analyses cardiovascular disease
CN112270359A (zh) 一种一维序列升维聚类方法及系统
She et al. Recognition of Myocardial Ischemia Electrocardiogram Signal Based on Deep Learning

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