CN110751131B - 一种心律失常检测装置 - Google Patents

一种心律失常检测装置 Download PDF

Info

Publication number
CN110751131B
CN110751131B CN201911123324.3A CN201911123324A CN110751131B CN 110751131 B CN110751131 B CN 110751131B CN 201911123324 A CN201911123324 A CN 201911123324A CN 110751131 B CN110751131 B CN 110751131B
Authority
CN
China
Prior art keywords
classification
arrhythmia
support vector
dimensional space
mapping
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
CN201911123324.3A
Other languages
English (en)
Other versions
CN110751131A (zh
Inventor
李汭傧
崔晓冉
王栋
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.)
Second Hospital of Hebei Medical University
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN201911123324.3A priority Critical patent/CN110751131B/zh
Publication of CN110751131A publication Critical patent/CN110751131A/zh
Application granted granted Critical
Publication of CN110751131B publication Critical patent/CN110751131B/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
    • G06F2218/08—Feature extraction
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Cardiology (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Medical Informatics (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Signal Processing (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Psychiatry (AREA)
  • Physiology (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明涉及一种心律失常检测装置，包括心电采集设备和处理器，其特征在于，所述处理器对所述心电采集设备采集的心电信号进行处理，通过对心电信号进行预处理、特征提取、神经网络分类，最终得到该患者的心律失常情况。通过本发明的装置，可以自动获得患者的心律失常情况，检测准确、及时。

Description

一种心律失常检测装置
技术领域
本发明涉及监测生理状况的医疗设备技术领域，特别涉及一种心律失常检测装置。
背景技术
心律失常(arrhythmia)是由于窦房结激动异常或激动产生于窦房结以外，激动的传导缓慢、阻滞或经异常通道传导，即心脏活动的起源和(或)传导障碍导致心脏搏动的频率和(或)节律异常。心律失常是心血管疾病中重要的一组疾病。它可单独发病，亦可与其他心血管病伴发。其预后与心律失常的病因、诱因、演变趋势、是否导致严重血流动力障碍有关，可突然发作而致猝死，亦可持续累及心脏而致其衰竭。对心律失常的有效检测可以预防心脏疾病，防止人体猝死。
临床诊断心律失常主要的手段为心电图检测，但是大部分对于心电的测量都需要使用复杂的心电图仪器进行，心电信号采集设备大不便于携带，不方便患者的日常使用，很难实现日常心脏活动情况以及心律异常的自我监测、诊断和管理。
一些机构试图通过目前流行的分类方法对心电信号进行分类，从而判断患者的心律状况，已知的是有部分机构使用支持向量机来进行分类，但是本领域技术人员是一种二值分类方法，其输出结果只有0和1，但是心律失常显然包括了将近十多种情况，仅进行二值分类的分类结果显然不能满足检测需求。同时，在提取心电特征进行分析时，通常仅仅分析RR间隔、QRS复合波段等，对心电信号的特征提取没有针对性，不能很好的获得心电信号的特征。
因而，亟需一种心律失常检测装置，可以有效的提取心电特征，同时能够利用神经网络算法对心电信号进行多分类，得到心律失常的具体类型，使检测结果更准确。
发明内容
根据本发明的目的，提供一种心律失常检测装置，包括心电采集设备和处理器，其特征在于，所述处理器对所述心电采集设备采集的心电信号进行处理，以自动检测患者的心律失常情况。
进一步地，所述处理器进行自动检测的过程包括预处理、特征提取、神经网络分类，最终得到该患者的心律失常情况。
优选地，所述的特征提取采用近邻保持算法，对心电信号进行压缩感知，具体过程为：
设数据集X＝(x1,x2,…,xm)，其中xi∈RD,i＝1,2,…,m，xi表示心电信号在高维空间的第i个信号，X表示高维空间的心电信号数据集，RD表示高维空间，近邻保持算法寻找一个最优的映射变换矩阵A，将RD空间的数据映射到一个相对低维的空间Rd，Rd表示低维空间，数据点xi在Rd中表示为yi，则映射可以表示为：
yi＝ATxi，其中yi表示心电信号在低维空间的第i个信号。
包括以下步骤：
(1)选择近邻：令G为一个有m个节点的邻接图，每个数据xi作为图的一个节点，如果点xi是点xj的K近邻，同时xj也是xi的K近邻，则为它们连接一条边；其中，xj表示心电信号在高维空间的第j个信号，j＝1,2,…,m；
(2)计算权值：用W代表临近图G的权值矩阵，Wij表示节点i到节点j的有向边的权值，则优化目标函数如下：
Figure BDA0002276057630000021
约束条件为
Figure BDA0002276057630000022
通过求解式(1)的最优化问题，可得到每条边的权值；
(3)确定映射矩阵：
XMXTa＝λXXTa (2)
求解式(2)的特征值和特征向量，其中M＝(I-W)T(I-W)，其中I为单位矩阵，
Figure BDA0002276057630000031
设a1,a2,…,ai分布为式(2)中i个特征向量的特征值，则映射矩阵可以表示为：
Figure BDA0002276057630000032
则高维空间数据点xi和对应的低维空间映射点yi具有如下关系：
yi＝ATxi (5)
由上述的步骤(1)-(3)，可以得到转换后的低维空间的心电信号。
进一步地，对心电信号进行特征提取后，训练支持向量机，利用支持向量机进行神经网络分类，通过已知类型的6类与心律失常相关的心电信号的特征信号作为训练集进行训练，得到训练好的支持向量机后，用该训练好的支持向量机对测试集的信号进行测试；其中，所述的6类与心律失常相关的心电信号的特征信号6类与心律失常相关的心电信号的特征信号包括：正常心拍、房性早搏、室性早搏、右束支传导阻滞、左束支传导阻滞、起搏心拍；所述的训练集信号包括心拍的特征和已经标识的类型。
优选地，本发明首先采用一对一法构造支持向量机分类器，当对一个测试样本进行分类识别时，分别使用构造好的多个分类器逐个对心电信号的特征信号进行分类，将该测试样本在每个分类器中的分类结果进行记录，由于同一个病人的心律失常情况是一定的，对多个测试样本在每个分类器中的分类结果进行保存，最终统计各个分类器的所有分类结果中占比最大的分类结果，作为该患者最终的心律失常检测判断结果。
通过本发明的近邻保持方法提取的心电信号特征，能够将心电信号从高维映射到低维，对心电信号进行了压缩感知，解决了心电信号在时域中信号属性过于稀疏的的技术问题，本发明提取的心电特征信号，可以有效应用到后续的分类器的构建中，有效提高了支持向量机信号输入时的提取效率。
本发明在近邻保持方法中确定最大映射矩阵时，为了保持数据的完整性和有效性，采用了特定的选择最大映射矩阵A的方式，申请人经过实验验证，发现通过该最大映射矩阵A得到的心电特征，可以应用到不同的神经网络算法中，并且分类结果的准确率都可以达到97.69％。
本发明在构建支持向量机分类器的过程中，充分考虑了心电信号的非线性特性，选择了合适的核函数，建立了可靠的支持向量机分类器。
由于心律失常临床表现为多种形式，本发明考虑到SVM分类是二值分类，而心律失常具有多种情况，本发明选择了6种不同的与心律失常相关的心拍信号，首先采用一对一法构造分类器，当对一个测试样本进行分类识别时，分别使用构造好的分类器逐个对心电信号的特征信号进行分类，将该测试样本在每个分类器中的分类结果进行记录，由于同一个病人的心律失常情况是一定的，对多个测试样本在每个分类器中的分类结果进行保存，最终统计各个分类器的所有分类结果中占比最大的分类结果，作为该患者最终的心律失常检测判断结果，有效地提高了分类结果的准确性和有效性。
附图说明
图1为本发明的心律失常检测装置示意图；
图2为本发明的处理器进行处理过程的示意图；
图3为本发明建立分类器过程的示意图；
图4位本发明的使用SVM分类器完成多个分类的示意图。
具体实施方式
如图1所示，本发明的心律失常检测装置，包括心电采集设备和处理器心电采集设备采用便于受试者携带和使用的设备，比如手环、手机等，在这些移动终端内或者表面设置心电电极，患者在日常活动中即可进行心电信号的测量，同时通过这些设备将心电信号发送到处理器进行处理。如图2所示，处理器接收到心电信号后，对心电信号进行处理，包括预处理、特征提取、神经网络分类，最终进行分类，得到该患者的心律失常情况，并向患者进行反馈。
由于心电信号是低幅低频信号，因此，首先应当对心电信号进行预处理，去除心电信号中的噪声，同时保留心电信号的原始状态。对心电信号进行预处理包括低通滤波、前置放大、陷波滤波、工频放大，以得到经过去噪声的心电信号。也可以通过该小波分解消除心电信号中的非平稳噪声。
在对心电进行预处理后，处理器对心电信号进行特征提取。由于心电信号在时域上是稀疏信号，因此，为了更好的对信号进行分析，本申请将信心电信号投影到低维空间实现信号的压缩和特征提取。映射矩阵是压缩感知的一种，其通过使信号在变换域中被压缩或稀疏，将信号从高维空间投射到低维空间。近邻保持算法是一种降维技术，其在降维的同时，依然能保持数据集固有的局部邻域的流形结构不变，因此，本申请选择近邻保持算法来对心电信号进行压缩变换，具体的变换过程如下：
设数据集X＝(x1,x2,…,xm)，其中xi∈RD,i＝1,2,…,m，xi表示心电信号在高维空间的第i个信号，X表示高维空间的心电信号数据集，RD表示高维空间，近邻保持算法寻找一个最优的映射变换矩阵A，将RD空间的数据映射到一个相对低维的空间Rd，Rd表示低维空间，数据点xi在Rd中表示为yi，则这种映射可以表示为：
yi＝ATxi，其中yi表示心电信号在低维空间的第i个信号。
具体地，近邻保持算法的具体步骤如下：
(1)选择近邻：令G为一个有m个节点的邻接图，每个数据xi作为图的一个节点，如果点xi是点xj的K近邻，同时xj也是xi的K近邻，则为它们连接一条边；其中，xj表示心电信号在高维空间的第j个信号，j＝1,2,…,m；
(2)计算权值：用W代表临近图G的权值矩阵，Wij表示节点i到节点j的有向边的权值，则优化目标函数如下：
Figure BDA0002276057630000061
约束条件为
Figure BDA0002276057630000062
通过求解式(1)的最优化问题，可得到每条边的权值；
(3)确定映射矩阵：
XMXTa＝λXXTa (2)
求解式(2)的特征值和特征向量，其中M＝(I-W)T(I-W)，其中I为单位矩阵，
Figure BDA0002276057630000063
设a1,a2,…,ai分布为式(2)中i个特征向量的特征值，则映射矩阵可以表示为：
Figure BDA0002276057630000064
则高维空间数据点xi和对应的低维空间映射点yi具有如下关系：
yi＝ATxi (5)
由上述的步骤(1)-(3)，可以得到转换后的低维空间的心电信号。
通常，在获取最大映射变换矩阵时，会选取最大的特征值或者前几个最大特征值组成的向量来进行变换，这种选择最大映射矩阵A的方式忽略了在变换过程中整个数据的完成性，对局部邻域的流形结构造成一定的影响，而本申请通过特定的映射矩阵的选择，最大限度的保证在降维的过程中，心电信号内在的特征不丢失，这对于进行后续的神经网络分类是有利的。
在得到映射后的心电信号后，对信号进行特征提取，并且将特征心电信号输入到支持向量机进行分类。
在利用支持向量机时，首先对支持向量机进行训练，本申请对6类与心律失常相关的心拍信号：正常心拍、房性早搏、室性早搏、右束支传导阻滞、左束支传导阻滞、起搏心拍，进行分类。将得到心电信号分为训练集和测试集，由训练集信号对支持向量机进行分类，具体的分类如图3所示，训练集信号包括心拍的特征和已经标识的类型，通过训练后，利用支持向量机对测试集心拍的特征进行分类，从而辨别心拍的类型。
下面具体介绍本申请的支持向量机的具体设计过程：
支持向量机的通过构建最优分类平面完成分类任务，最优分类平面将分属两类的样本数据间的距离最大化，H表示两种样本的最优分类面，H1、H2分别为两类样本所在平面，它们之间的距离称为分类间隔，分类间隔跟随分类面改变，其中，最优分类面能过保证在得到最大分类间隔的前提下降两种样本正确分类。其中，分类面方程为：
μ·s+b＝0 (6)
其中s是输入数据，μ表示法向量，b表示偏置值，如果样本线性可分，则样本集(si,ti)，si是输入的数据，ti是分类面的数据，ti∈{+1,-1}，并且满足以下关系：
yi[μ·si+b＝0]-1＝0 (7)，其中，i＝1,2,…,m
此时，分类间隔为
Figure BDA0002276057630000081
要得到最大分类间隔即要使||μ||2最小，满足式(7)且使||μ||2最小的分类面即为最优分类面；
在线性可分情况下，求取最优分类面的问题，可以表示为如下的函数，即在式(7)条件下，求式(8)的最小值：
Figure BDA0002276057630000082
为此，可定义如下的拉格朗日函数：
Figure BDA0002276057630000083
其中，ci≥0为每个样本对应的拉格朗日系数；
求解式(9)的最小值，可以对μ和b求偏导后转化为求解式(10)的问题：
Figure BDA0002276057630000084
在满足式(10)的约束条件下，求取式(11)取最大值时的解ci：
Figure BDA0002276057630000085
其中Q(c)为求解ci时构造的函数，z＝1,2，…，m
解ci对应的样本就是支持向量，若
Figure BDA0002276057630000086
为最优解，则最优分类面的权向量为：
Figure BDA0002276057630000087
求得支持向量及权向量后，可以对其中任意一对支持向量求取平均是求出分类器中的阈值，即：
Figure BDA0002276057630000091
其中，s*(1)和s*(-1)分别代表两类样本中的支持向量；
基于求得支持向量与相关参数，可得到最优分类判别函数：
Figure BDA0002276057630000092
式(6)-(14)只是对线性样本进行分类，但是由于心电信号是非线性信号，在对心电信号进行分析时，需要进行映射，把非线性问题转变成线性问题，进而求取最优分类面，假定非线性映射为如式(15)所示：
Figure BDA0002276057630000093
Figure BDA0002276057630000094
为映射函数,则式(11)就可转化为：
Figure BDA0002276057630000095
引入变量ξi和惩罚系数U，ξi≥0，U≥0，则式(7)和(8)转变为：
Figure BDA0002276057630000096
Subject to ti(μ·si+b)≥1-ξi (17)
点积运算
Figure BDA0002276057630000097
没有涉及单独映射函数
Figure BDA0002276057630000098
的运算，因此，如果能够找到一个核函数K使其满足
Figure BDA0002276057630000099
那么在进行计算时，只需要通过原始的函数进行內积运算就能完成，因此，最重要的是选择核函数，本申请选择径向基核函数作为核函数，径向基核函数为：
Figure BDA00022760576300000910
其中σ为正实数，P为核函数的分量。
自此，可以得到本申请的SVM分类器，在得到SVM分类器后，通过训练集对SVM分类器进行训练，通过反馈不断调整SVM分类器，使其更加准确。
考虑到SVM分类是二值分类，而心律失常具有多种情况，正如本申请所探讨的六种心电节拍分类情况，是一个多分类的问题，如图4所示，本申请在考虑到这种情况下，首先采用一对一法构造分类器，当对一个测试样本进行分类识别时，分别使用构造好的分类器逐个对心电信号的特征信号进行分类，将该测试样本在每个分类器中的分类结果进行记录，由于同一个病人的心律失常情况是一定的，对多个测试样本在每个分类器中的分类结果进行保存，最终统计各个分类器的所有分类结果中占比最大的分类结果，作为该患者最终的心律失常检测判断结果。
本发明考虑到常规的仅仅在时域通过RR间隔等判断心律失常情况存在的缺陷，同时考虑到心电信号在时域的特征，在对心电信号进行预处理后，通过近邻保持方法提取的心电信号特征，能够将心电信号从高维映射到低维，对心电信号进行了压缩感知，解决了心电信号在时域中信号属性过于稀疏的的技术问题，本发明提取的心电特征信号，可以有效应用到后续的分类器的构建中，有效提高了支持向量机信号输入时的提取效率。
本发明在近邻保持方法中确定最大映射矩阵时，为了保持数据的完整性和有效性，采用了特定的选择最大映射矩阵A的方式，申请人经过实验验证，发现通过该最大映射矩阵A得到的心电特征，可以应用到不同的神经网络算法中，并且分类结果的准确率都可以达到97.69％。
本发明在构建支持向量机分类器的过程中，充分考虑了心电信号的非线性特性，选择了合适的核函数，建立了可靠的支持向量机分类器。
由于心律失常临床表现为多种形式，本发明考虑到SVM分类是二值分类，而心律失常具有多种情况，本发明选择了6种不同的与心律失常相关的心拍信号，首先采用一对一法构造分类器，当对一个测试样本进行分类识别时，分别使用构造好的分类器逐个对心电信号的特征信号进行分类，将该测试样本在每个分类器中的分类结果进行记录，由于同一个病人的心律失常情况是一定的，对多个测试样本在每个分类器中的分类结果进行保存，最终统计各个分类器的所有分类结果中占比最大的分类结果，作为该患者最终的心律失常检测判断结果，有效地提高了分类结果的准确性和有效性。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (3)

1.一种心律失常检测装置，其特征在于，包括心电采集设备和处理器，其特征在于，所述处理器对所述心电采集设备采集的心电信号进行处理，以自动检测患者的心律失常情况；所述的处理包括特征提取，所述的特征提取采用近邻保持算法，对心电信号进行压缩感知，具体过程为：
设数据集X＝(x1,x2,…,xm)，其中xi∈RD,i＝1,2,…,m，xi表示心电信号在高维空间的第i个信号，X表示高维空间的心电信号数据集，RD表示高维空间，近邻保持算法寻找一个最优的映射变换矩阵A，将RD空间的数据映射到一个相对低维的空间Rd，Rd表示低维空间，数据点xi在Rd中表示为yi，则映射可以表示为：
yi＝ATxi，其中yi表示心电信号在低维空间的第i个信号；
包括以下步骤：
(1)选择近邻：令G为一个有m个节点的邻接图，每个数据xi作为图的一个节点，如果点xi是点xj的K近邻，同时xj也是xi的K近邻，则为它们连接一条边；其中，xj表示心电信号在高维空间的第j个信号，j＝1,2,…,m；
(2)计算权值：用W代表临近图G的权值矩阵，Wij表示节点i到节点j的有向边的权值，则优化目标函数如下：
Figure FDA0003602164490000011
约束条件为
Figure FDA0003602164490000012
通过求解式(1)的最优化问题，可得到每条边的权值；
(3)确定映射矩阵：
XMXTa＝λXXTa (2)
求解式(2)的特征值和特征向量，其中M＝(I-W)T(I-W)，其中I为单位矩阵，
Figure FDA0003602164490000021
设a1,a2,…,ai分布为式(2)中i个特征向量的特征值，则映射矩阵可以表示为：
Figure FDA0003602164490000022
则高维空间数据点xi和对应的低维空间映射点yi具有如下关系：
yi＝ATxi (5)
由上述的步骤(1)-(3)，可以得到转换后的低维空间的心电信号；
对心电信号进行特征提取后，训练支持向量机，利用支持向量机进行神经网络分类，通过已知类型的6类与心律失常相关的心电信号的特征信号作为训练集进行训练，得到训练好的支持向量机后，用该训练好的支持向量机对测试集的信号进行测试；其中，所述的6类与心律失常相关的心电信号的6类与心律失常相关的心电信号的特征信号包括：正常心拍、房性早搏、室性早搏、右束支传导阻滞、左束支传导阻滞、起搏心拍；所述的训练集包括心拍的特征和已经标识的类型；
所述的支持向量机通过以下过程获得：
支持向量机通过构建最优分类平面完成分类任务，最优分类平面将分属两类的样本数据间的距离最大化，H表示两种样本的最优分类面，H1、H2分别为两类样本所在平面，它们之间的距离称为分类间隔，分类间隔跟随分类面改变，其中，最优分类面能过保证在得到最大分类间隔的前提下将两种样本正确分类；
其中，分类面方程为：
μ·s+b＝0 (6)
其中s是输入数据，μ表示法向量，b表示偏置值，如果样本线性可分，则样本集(si,ti)，si是输入的数据，ti是分类面的数据，ti∈{+1,-1}，并且满足以下关系：
yi[μ·si+b＝0]-1＝0(7)，其中，i＝1,2,…,m
此时，分类间隔为
Figure FDA0003602164490000034
要得到最大分类间隔即要使||μ||2最小，满足式(7)且使||μ||2最小的分类面即为最优分类面；
在线性可分情况下，求取最优分类面的问题，可以表示为在式(7)条件下，求式(8)的最小值：
Figure FDA0003602164490000032
为此，可定义如下的拉格朗日函数：
Figure FDA0003602164490000033
其中，ci≥0为每个样本对应的拉格朗日系数；
求解式(9)的最小值，可以对μ和b求偏导后转化为求解式(10)的问题：
Figure FDA0003602164490000041
在满足式(10)的约束条件下，求取式(11)取最大值时的解ci：
Figure FDA0003602164490000042
其中Q(c)为求解ci时构造的函数，z＝1,2，…，m
解ci对应的样本就是支持向量，若
Figure FDA0003602164490000043
为最优解，则最优分类面的权向量为：
Figure FDA0003602164490000044
求得支持向量及权向量后，可以对其中任意一对支持向量求取平均值以求出分类器中的阈值，即：
Figure FDA0003602164490000045
其中，s*(1)和s*(-1)分别代表两类样本中的支持向量；
基于求得支持向量与相关参数，可得到最优分类判别函数：
Figure FDA0003602164490000046
式(6)-(14)只是对线性样本进行分类，但是由于心电信号是非线性信号，在对心电信号进行分析时，需要进行映射，把非线性问题转变成线性问题，进而求取最优分类面，假定非线性映射为如式(15)所示：
Figure FDA0003602164490000047
Figure FDA0003602164490000048
为映射函数,则式(11)就可转化为：
Figure FDA0003602164490000051
引入变量ξi和惩罚系数U，ξi≥0，U≥0，则式(7)和(8)转变为：
Figure FDA0003602164490000052
Subject to ti(μ·si+b)≥1-ξi (17)
点积运算
Figure FDA0003602164490000053
没有涉及单独映射函数
Figure FDA0003602164490000054
的运算，因此，如果能够找到一个核函数K使其满足
Figure FDA0003602164490000055
那么在进行计算时，只需要通过原始的函数进行內积运算就能完成，选择径向基核函数作为核函数，径向基核函数为：
Figure FDA0003602164490000056
其中σ为正实数，P为核函数的分量；
自此，可以得到SVM分类器，在得到SVM分类器后，对测试集的数据进行测试分类；
首先采用一对一法构造支持向量机分类器，当对一个测试样本进行分类识别时，分别使用构造好的多个分类器逐个对心电信号的特征信号进行分类，将该测试样本在每个分类器中的分类结果进行记录，由于同一个病人的心律失常情况是一定的，对多个测试样本在每个分类器中的分类结果进行保存，最终统计各个分类器的所有分类结果中占比最大的分类结果，作为该患者最终的心律失常检测判断结果。
2.根据权利要求1所述的装置，其特征在于，所述处理器进行自动检测的过程包括预处理、特征提取、神经网络分类，最终得到该患者的心律失常情况。
3.根据权利要求2所述的装置，其特征在于，所处的心电预处理对心电信号进行低通滤波、前置放大、陷波滤波、工频放大，以得到经过去噪的心电信号。
CN201911123324.3A 2019-11-16 2019-11-16 一种心律失常检测装置 Active CN110751131B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911123324.3A CN110751131B (zh) 2019-11-16 2019-11-16 一种心律失常检测装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911123324.3A CN110751131B (zh) 2019-11-16 2019-11-16 一种心律失常检测装置

Publications (2)

Publication Number Publication Date
CN110751131A CN110751131A (zh) 2020-02-04
CN110751131B true CN110751131B (zh) 2022-09-02

Family

ID=69283500

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911123324.3A Active CN110751131B (zh) 2019-11-16 2019-11-16 一种心律失常检测装置

Country Status (1)

Country Link
CN (1) CN110751131B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111134662B (zh) * 2020-02-17 2021-04-16 武汉大学 一种基于迁移学习和置信度选择的心电异常信号识别方法及装置
CN111407261B (zh) * 2020-03-31 2024-05-21 京东方科技集团股份有限公司 生物信号的周期信息的测量方法及装置、电子设备
CN114886404B (zh) * 2022-07-13 2022-10-28 西南民族大学 一种电子设备、装置及存储介质
CN116503673B (zh) * 2023-06-26 2023-09-19 亿慧云智能科技（深圳）股份有限公司 一种基于心电图的心律失常识别检测方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104834940A (zh) * 2015-05-12 2015-08-12 杭州电子科技大学 一种基于支持向量机的医疗影像检查疾病分类方法
WO2017128455A1 (zh) * 2016-01-25 2017-08-03 合肥工业大学 一种基于广义多核支持向量机的模拟电路故障诊断方法
CN107909048A (zh) * 2017-11-28 2018-04-13 天津大学 一种基于s变换的心律失常多分类方法
CN109998525A (zh) * 2019-04-03 2019-07-12 哈尔滨理工大学 一种基于判别式深度置信网络的心律失常自动分类方法
CN110226921A (zh) * 2019-06-27 2019-09-13 广州视源电子科技股份有限公司 心电信号检测分类方法、装置、电子设备和存储介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103251405B (zh) * 2013-04-18 2015-04-08 深圳市科曼医疗设备有限公司 心律失常分析系统
WO2019205067A1 (en) * 2018-04-27 2019-10-31 Vita-Course Technologies Co., Ltd. Systems and methods for determining an arrhythmia type

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104834940A (zh) * 2015-05-12 2015-08-12 杭州电子科技大学 一种基于支持向量机的医疗影像检查疾病分类方法
WO2017128455A1 (zh) * 2016-01-25 2017-08-03 合肥工业大学 一种基于广义多核支持向量机的模拟电路故障诊断方法
CN107909048A (zh) * 2017-11-28 2018-04-13 天津大学 一种基于s变换的心律失常多分类方法
CN109998525A (zh) * 2019-04-03 2019-07-12 哈尔滨理工大学 一种基于判别式深度置信网络的心律失常自动分类方法
CN110226921A (zh) * 2019-06-27 2019-09-13 广州视源电子科技股份有限公司 心电信号检测分类方法、装置、电子设备和存储介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
基于近邻保持嵌入算法的心律失常心拍分类;高兴姣等;《生物医学工程学杂志》;20160229;第34卷(第1期);第1-6页 *
支持向量机理论与算法研究综述;丁世飞等;《电子科技大学学报》;20110131;第40卷(第1期);第2-10页 *
支持向量机理论及算法研究综述;汪海燕等;《计算机应用研究》;20140531;第31卷(第5期);第1281-1286页 *
高兴姣等.基于近邻保持嵌入算法的心律失常心拍分类.《生物医学工程学杂志》.2016,第34卷(第1期), *

Also Published As

Publication number Publication date
CN110751131A (zh) 2020-02-04

Similar Documents

Publication Publication Date Title
Sangaiah et al. An intelligent learning approach for improving ECG signal classification and arrhythmia analysis
CN110751131B (zh) 一种心律失常检测装置
Wang et al. A high-precision arrhythmia classification method based on dual fully connected neural network
Nayak et al. A review on the nonlinear dynamical system analysis of electrocardiogram signal
Oweis et al. QRS detection and heart rate variability analysis: A survey
Fraser et al. Automated biosignal quality analysis for electromyography using a one-class support vector machine
Übeyli Recurrent neural networks employing Lyapunov exponents for analysis of ECG signals
Diker et al. A novel application based on spectrogram and convolutional neural network for ECG classification
Mei et al. Automatic atrial fibrillation detection based on heart rate variability and spectral features
JP2020536693A (ja) 人工知能自己学習に基づく心電図自動解析方法及び装置
Zhao et al. ECG classification using deep CNN improved by wavelet transform
de Chazal et al. Automatic classification of ECG beats using waveform shape and heart beat interval features
WO2019161611A1 (zh) 心电信息处理方法和心电工作站
Orhan Real-time CHF detection from ECG signals using a novel discretization method
Altan et al. A multistage deep belief networks application on arrhythmia classification
CN113509186B (zh) 基于深度卷积神经网络的ecg分类系统与方法
Rohmantri et al. Arrhythmia classification using 2D convolutional neural network
CN116194044A (zh) 用于分析心律的方法和系统
Prabhakararao et al. A weighted SVM based approach for automatic detection of posterior myocardial infarction using VCG signals
Mazidi et al. Premature ventricular contraction (PVC) detection system based on tunable Q-factor wavelet transform
Nahak et al. Evaluation of handcrafted features and learned representations for the classification of arrhythmia and congestive heart failure in ECG
Ganguly et al. A non-invasive approach for fetal arrhythmia detection and classification from ecg signals
Übeyli Support vector machines for detection of electrocardiographic changes in partial epileptic patients
Zhao et al. PVC recognition for wearable ECGs using modified frequency slice wavelet transform and convolutional neural network
EBRAHIMNEZHAD et al. Classification of arrhythmias using linear predictive coefficients and probabilistic neural network

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
TR01 Transfer of patent right

Effective date of registration: 20230220

Address after: 050000 No. 215 Heping West Road, Hebei, Shijiazhuang

Patentee after: THE SECOND HOSPITAL OF HEBEI MEDICAL University

Address before: Department of Cardiology, 14th Floor, North Campus, Second Hospital of Hebei Medical University, No. 309, Zhonghua North Street, Xinhua District, Shijiazhuang City, Hebei Province, 050000

Patentee before: Li Ruibin

TR01 Transfer of patent right