CN111568409B - 基于双谱分析和图傅里叶变换的心电信号特征提取方法 - Google Patents
基于双谱分析和图傅里叶变换的心电信号特征提取方法 Download PDFInfo
- Publication number
- CN111568409B CN111568409B CN202010344136.XA CN202010344136A CN111568409B CN 111568409 B CN111568409 B CN 111568409B CN 202010344136 A CN202010344136 A CN 202010344136A CN 111568409 B CN111568409 B CN 111568409B
- Authority
- CN
- China
- Prior art keywords
- matrix
- bispectrum
- calculating
- fourier transform
- graph
- 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
Links
Images
Classifications
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Cardiology (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (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双谱分析和图傅里叶变换的心电信号特征提取方法,属于心电信号特征提取方法技术领域。本方法首先利用高阶谱算法将时域信号转换到高阶谱域,再利用图傅里叶变换,将双谱矩阵转换至特征值域,然后从特征谱矩阵中直接提取图谱特征在得到特征向量后可以根据AAMI标准,对图谱特征进行分类。本方法克服了现有双谱矩阵特征提取方法计算量大的问题,并且准确度高,能够对各种心电信号进行有效分析。
Description
技术领域
本发明涉及一种基于双谱分析和图傅里叶变换的心电信号特征提取方法,属于心电信号特征提取方法技术领域。
背景技术
心血管疾病已逐渐成为危害人类生命的最常见疾病之一,因此如何诊断和预防这类疾病已成为当今医学界面临的重要问题。心电信号不仅可以用来分析和鉴别心律失常、心肌梗死等多种疾病,还可以反映心肌细胞损伤程度、发育过程、心房和心室功能结构等,已成为心血管疾病诊断中一种简明有效的工具。
信号的高阶谱是一种非平稳信号分析工具,双谱作为高阶谱中阶次最低的,不仅包含了高阶谱的所有特性,并且计算最简单,因此得到广泛应用。在实际操作中,双谱矩阵较为复杂,目前大多数特征提取方法是在得到双谱矩阵的基础上,需要进一步地降维处理,例如围线积分、双谱切片、主成分分析、独立成分分析、核主成分分析等。
作为代数图论中一个非常重要的研究方向,图谱理论早在上个世纪五十年代就开始发展。图谱理论简单的说就是在图和矩阵之间建立起对应的关系,这是图谱理论的基本思想。这样把图的问题转移到存储矩阵之后,就可以通过研究矩阵谱的相关属性来研究图的问题。存储矩阵主要包括邻接矩阵和拉普拉斯矩阵。邻接矩阵的研究已经具有较长的历史,是一门相对成熟的学科。相较于邻接矩阵,近年来出现了更多关于图的拉普拉斯矩阵谱的研究。并且由图谱理论衍生的图信号处理也是近几年快速发展的一个应用。图傅里叶变换是图信号关于图拉普拉斯矩阵特征函数的展开,也是图信号处理的基础。
通过图傅里叶变换将建立在双谱基础上的双谱矩阵转化到特征值域,从特征值的统计量中提取特征,利用图谱特征构造特征向量的方法计算简单,可区分度高。
发明内容
为解决现有技术的不足,本发明提供出了一种基于双谱分析和图傅里叶变换的心电信号特征提取方法,不仅克服了现有双谱矩阵特征提取方法计算量大的问题,并且准确度高,能够对各种心电信号进行有效分析,实现对心律不齐等心血管疾病问题的有效诊断。
本发明为解决其技术问题采用如下技术方案:
一种基于双谱分析和图傅里叶变换的心电信号特征提取方法,包含如下步骤:
步骤A.心电信号预处理,使用滤波方法去除信号中的噪声,分离得到单个心拍数据;
步骤B.对心电信号进行高阶谱分析,计算得到信号的双谱矩阵S;
步骤C.利用二维图傅里叶变换将双谱矩阵映射到特征值域;
所述步骤A的具体过程如下:
步骤(A-1).将原始心电信号减去平均值消除直流分量;
步骤(A-2).通过中值滤波器消除基线漂移;
步骤(A-3).通过低通滤波器消除工频干扰和肌电噪声;
步骤(A-4).通过高通滤波器消除低频噪声;
步骤(A-5).寻找信号QRS复合波中的峰值R波位置,以峰值点为原点,该点和之前以及之后各取K个数据,形成长度为2K点的单个心拍数据h(t)。
所述步骤B的具体过程如下:
步骤(B-1).计算出单个心拍数据h(t)的三阶积累量
R3s(τ1,τ2)=E[h(t)h(t+τ1)h(t+τ2)],τ1,τ2∈(-∞,∞)
其中:h(t)为单个心拍数据,τ1和τ2为时间延迟;h(t+τ1)和h(t+τ2)为经过时间延迟τ1,τ2后的时移信号,最后得到三阶累计量R3s(τ1,τ2);
步骤(B-2).计算出单个心拍数据h(t)的双谱
式中,S为h(t)的双谱矩阵,ω1,ω2是两个独立的频率。
所述步骤C的具体过程如下:
步骤(C-1).计算对角矩阵D,点d(m,n)的计算公式为:
对角矩阵D由d(m,n)组合而成,w(i,j)为节点i和节点j之间的连接关系;
步骤(C-2).计算拉普拉斯矩阵L
L=D-W
式中:W为加权邻接矩阵,由元素w(m,n)组合而成,w(m,n)显示了节点m和节点n之间的连接关系,大小与节点之间距离有关;L是实对称矩阵;
步骤(C-3).计算对应于L的拉普拉斯特征值λl和拉普拉斯特征矩阵Xl,λl和Xl满足:
LXl=λlXl,l=0,1,...,N-1
其中,xl(m,n)为矩阵Xl中第m行、第n列的元素;
步骤(C-4).计算双谱矩阵S的二维图傅里叶变换
所述步骤D的具体过程如下:
步骤(D-1).计算图谱平坦度GSF
步骤(D-2).计算图谱亮度GSB
F为给定的边界特征值;
步骤(D-3).计算图谱滚降度GSR
这里β是系数。
最后,由特征值构成特征向量,根据AAMI标准对图谱特征进行分类。
本发明的有益效果如下:
1、本发明在预处理的基础上,采用双谱作为特征提取的第一步,利用双谱的优良性质,理论上消除了高斯噪声的影响。
2、使用二维图傅里叶变换作为第二步,将双谱矩阵转换为特征值谱,各类特征差距变大,可区分度提高。在特征值谱上直接提取特征,避免了特征的二次提取引入的误差和计算量。
附图说明
图1是心电信号特征提取步骤框图。
图2(a)是第100号记录的单个心拍信号预处理前的时域波形图,图2(b)是第100号记录的单个心拍信号预处理后的时域波形图。
图3是第100号记录的心电信号的单个心拍双谱图。
图4是经过二维图傅里叶变换之后,第100号记录的单个心拍的特征值图谱。
图5(a)是N类心电信号经过二维图傅里叶变换,转换到特征值域后提取的特征的箱型图,图5(b)是S类心电信号经过二维图傅里叶变换,转换到特征值域后提取的特征的箱型图,图5(c)是V类心电信号经过二维图傅里叶变换,转换到特征值域后提取的特征的箱型图。
具体实施方式
下面结合附图对本发明创造做进一步的说明。以MIT-BIH数据库中的数据为实施例,实施例包括以下步骤:
步骤A.心电信号预处理,使用多种滤波器方法去除信号中的噪声,分离得到单个心拍数据。
步骤(A-1).将原始心电信号减去平均值来消除直流分量。
步骤(A-2).通过中值滤波器来消除基线漂移。
步骤(A-3).通过低通滤波器来消除工频干扰和肌电噪声。
步骤(A-4).通过高通滤波器来消除低频噪声。
步骤(A-5).寻找信号QRS(QRS波代表两个心室兴奋传播过程的电位变化)复合波中的峰值R波位置。以峰值点为原点,该点和之前以及之后各取K=100个数据,形成长度为200点的单个心拍数据h(t)。
如图1所示为信号特征分类过程的框图。共分为四个步骤,首先是预处理得到单个心拍的信号,之后经过双谱计算得到对应的双谱矩阵,再采用二维图傅里叶变换,最后提取图谱特征。
如图2所示为数据库中第100号记录的心电信号预处理前后对比,采样频率为360Hz。
步骤B.对心电信号进行高阶谱分析,计算得到信号的双谱矩阵S,矩阵中第m行,第n列元素为s(m,n)。
步骤(B-1).计算出单个心拍数据h(t)的三阶积累量。
R3s(τ1,τ2)=E[h(t)h(t+τ1)h(t+τ2)],τ1,τ2∈(-∞,∞)
其中:h(t)为单个心拍数据,τ1和τ2为时间延迟;h(t+τ1)和h(t+τ2)为经过时间延迟τ1,τ2后的时移信号,最后得到三阶累计量R3s(τ1,τ2);
步骤(B-2).计算出单个心拍数据h(t)的双谱。
式中,S为h(t)的双谱矩阵,ω1,ω2是两个独立的频率。
得到单个心拍数据信号的双谱分析结果,如图3所示为数据库中第100号记录的心电信号的单个心拍双谱图。
步骤C.利用二维图傅里叶变换将双谱矩阵映射到特征值域。在二维图傅里叶变换中,无向图G(V,E,W),其中的V代表顶点的集合,E代表边集合。W为加权邻接矩阵,由元素w(m,n)组合而成,w(m,n)显示了节点m和节点n之间的连接关系,大小与节点之间距离有关。这里选择:
式中,m,n=1,2,...,N。
步骤(C-1).计算对角矩阵D。点d(m,n)的计算公式为:
对角矩阵D由d(m,n)组合而成,w(i,j)为节点i和节点j之间的连接关系。
步骤(C-2).计算拉普拉斯矩阵L。
L=D-W
式中L是实对称矩阵。
步骤(C-3)计算对应于L的拉普拉特征值λl和拉普拉斯特征矩阵Xl,λl和Xl满足:
LXl=λlXl,l=0,1,...,N-1
xl(m,n)为矩阵Xl中第m行,第n列的元素。
步骤(C-4).计算双谱矩阵S的二维图傅里叶变换。
得到单个心拍数据双谱图的图傅里叶变换结果,如图4所示为数据库中第100号记录的单个心拍数据双谱图经过图傅里叶变换之后的特征值谱图。
包括:图谱平坦度(GSF)、图谱亮度(GSB)和图谱滚降度(GSR)。步骤(D-1).计算图谱平坦度
步骤(D-2).计算图谱亮度
F为给定的边界特征值,这里取为25。
步骤(D-3).计算图谱滚降度
这里β是系数,选择为0.3。
得到单个心拍数据信号在特征值域的图谱特征,图5所示为MIT-BIH数据库中根据美国医疗器械促进协会(Association for the Advancement of MedicalInstrumentation,AAMI)标准划分得到四类心电信号的图谱平坦度,图谱亮度和图谱滚降度的箱型分布图,其中:N类(正常或者束支传导阻滞节拍)共67994个;S类(室上性异常节拍)共2577个;V类(心室异常节拍)共4249个;F类(融合节拍)共784个。从图中可以看出,四类信号的图谱平坦度和图谱滚降度特征有较明显的区分。最后,由特征值构成特征向量,根据AAMI标准对图谱特征进行分类。
Claims (4)
1.一种基于双谱分析和图傅里叶变换的心电信号特征提取方法,其特征在于,包含如下步骤:
步骤A.心电信号预处理,使用滤波方法去除信号中的噪声,分离得到单个心拍数据;
步骤B.对心电信号进行高阶谱分析,计算得到信号的双谱矩阵S;步骤C.利用二维图傅里叶变换将双谱矩阵映射到特征值域,具体过程如下:
步骤(C-1).计算对角矩阵D,点d(m,n)的计算公式为:
对角矩阵D由d(m,n)组合而成,w(i,j)为节点i和节点j之间的连接关系;
步骤(C-2).计算拉普拉斯矩阵L
L=D-W
式中:W为加权邻接矩阵,由元素w(m,n)组合而成,w(m,n)显示了节点m和节点n之间的连接关系,大小与节点之间距离有关;L是实对称矩阵;
步骤(C-3).计算对应于L的拉普拉斯特征值λl和拉普拉斯特征矩阵Xl,λl和Xl满足:
LXl=λlXl,l=0,1,...,N-1
其中,xl(m,n)为矩阵Xl中第m行、第n列的元素;
步骤(C-4).计算双谱矩阵S的二维图傅里叶变换
2.根据权利要求1所述的基于双谱分析和图傅里叶变换的心电信号特征提取方法,其特征在于,所述步骤A的具体过程如下:
步骤(A-1).将原始心电信号减去平均值消除直流分量;
步骤(A-2).通过中值滤波器消除基线漂移;
步骤(A-3).通过低通滤波器消除工频干扰和肌电噪声;
步骤(A-4).通过高通滤波器消除低频噪声;
步骤(A-5).寻找信号QRS复合波中的峰值R波位置,以峰值点为原点,该点和之前以及之后各取K个数据,形成长度为2K点的单个心拍数据h(t)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010344136.XA CN111568409B (zh) | 2020-04-27 | 2020-04-27 | 基于双谱分析和图傅里叶变换的心电信号特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010344136.XA CN111568409B (zh) | 2020-04-27 | 2020-04-27 | 基于双谱分析和图傅里叶变换的心电信号特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111568409A CN111568409A (zh) | 2020-08-25 |
CN111568409B true CN111568409B (zh) | 2021-03-16 |
Family
ID=72109118
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010344136.XA Active CN111568409B (zh) | 2020-04-27 | 2020-04-27 | 基于双谱分析和图傅里叶变换的心电信号特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111568409B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112545528B (zh) * | 2020-12-28 | 2022-07-12 | 北京理工大学 | 基于分数阶傅里叶变换和张量分解的心电t波特征提取方法 |
CN115099287B (zh) * | 2022-08-24 | 2022-11-11 | 山东大学 | 基于图傅里叶变换的空间可变基因识别与分析系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101470194A (zh) * | 2007-12-26 | 2009-07-01 | 中国科学院声学研究所 | 一种水雷目标的识别方法 |
CN102222318A (zh) * | 2010-04-16 | 2011-10-19 | 深圳迈瑞生物医疗电子股份有限公司 | 一种滤线栅伪影检测及抑制方法及其装置 |
CN104820786A (zh) * | 2015-05-13 | 2015-08-05 | 西安交通大学 | 一种瞬时加权同步挤压小波双谱分析方法 |
US9757045B2 (en) * | 2004-01-27 | 2017-09-12 | Universiteit Gent | System and method for adaptive drug delivery |
CN107832787A (zh) * | 2017-10-31 | 2018-03-23 | 杭州电子科技大学 | 基于双谱自编码特征的雷达辐射源识别方法 |
CN109165678A (zh) * | 2018-07-28 | 2019-01-08 | 中国人民解放军战略支援部队信息工程大学 | 基于双谱三维图像纹理特征的辐射源识别方法及装置 |
CN109674465A (zh) * | 2019-03-05 | 2019-04-26 | 邢台医学高等专科学校 | 一种心电图自动识别系统 |
CN109938695A (zh) * | 2019-03-08 | 2019-06-28 | 度特斯(大连)实业有限公司 | 一种基于异质度指标的人体疾病风险预测方法及设备 |
CN110081967A (zh) * | 2019-05-30 | 2019-08-02 | 重庆大学 | 基于谱图小波变换的机械振动信号阈值降噪方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6936016B2 (en) * | 2002-05-17 | 2005-08-30 | Bertec Corporation | Method for analysis of abnormal body tremors |
US7135000B2 (en) * | 2003-01-17 | 2006-11-14 | Kuo-Yuan Chang | Heart state monitor method |
US20060195035A1 (en) * | 2005-02-28 | 2006-08-31 | Dehchuan Sun | Non-invasive radial artery blood pressure waveform measuring apparatus system and uses thereof |
CN101777117B (zh) * | 2010-01-26 | 2012-02-01 | 哈尔滨工程大学 | 一种手指静脉特征提取于匹配识别方法 |
CN102231213A (zh) * | 2011-06-29 | 2011-11-02 | 哈尔滨工业大学深圳研究生院 | Ecg门禁卡身份识别方法及系统 |
CN104865569B (zh) * | 2015-05-29 | 2017-06-09 | 武汉大学 | 一种基于单频网外辐射源雷达的飞机目标识别方法 |
CN110327055A (zh) * | 2019-07-29 | 2019-10-15 | 桂林电子科技大学 | 一种基于高阶谱和卷积神经网络的心冲击信号的分类方法 |
-
2020
- 2020-04-27 CN CN202010344136.XA patent/CN111568409B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9757045B2 (en) * | 2004-01-27 | 2017-09-12 | Universiteit Gent | System and method for adaptive drug delivery |
CN101470194A (zh) * | 2007-12-26 | 2009-07-01 | 中国科学院声学研究所 | 一种水雷目标的识别方法 |
CN102222318A (zh) * | 2010-04-16 | 2011-10-19 | 深圳迈瑞生物医疗电子股份有限公司 | 一种滤线栅伪影检测及抑制方法及其装置 |
CN104820786A (zh) * | 2015-05-13 | 2015-08-05 | 西安交通大学 | 一种瞬时加权同步挤压小波双谱分析方法 |
CN107832787A (zh) * | 2017-10-31 | 2018-03-23 | 杭州电子科技大学 | 基于双谱自编码特征的雷达辐射源识别方法 |
CN109165678A (zh) * | 2018-07-28 | 2019-01-08 | 中国人民解放军战略支援部队信息工程大学 | 基于双谱三维图像纹理特征的辐射源识别方法及装置 |
CN109674465A (zh) * | 2019-03-05 | 2019-04-26 | 邢台医学高等专科学校 | 一种心电图自动识别系统 |
CN109938695A (zh) * | 2019-03-08 | 2019-06-28 | 度特斯(大连)实业有限公司 | 一种基于异质度指标的人体疾病风险预测方法及设备 |
CN110081967A (zh) * | 2019-05-30 | 2019-08-02 | 重庆大学 | 基于谱图小波变换的机械振动信号阈值降噪方法 |
Non-Patent Citations (2)
Title |
---|
Frequency Analysis of Signal-Averaged Electrocardiogram in Patients With Right Ventricular Tachycardia;OSAMU KINOSHITA,SHIRO KAMAKURA,TOHRU OHE,et al;《J Am Coll Cardiol》;19921231;全文 * |
数字图像被动取证技术综述;陈园园,于在河;《吉林大学学报(信息科学版)》;20141130;第32卷(第6期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111568409A (zh) | 2020-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Karpagachelvi et al. | ECG feature extraction techniques-a survey approach | |
CN111568409B (zh) | 基于双谱分析和图傅里叶变换的心电信号特征提取方法 | |
CN104367317A (zh) | 多尺度特征融合的心电图心电信号分类方法 | |
CN101972143A (zh) | 基于盲源提取的房颤监测方法 | |
Lee et al. | Personal identification using a robust eigen ECG network based on time-frequency representations of ECG signals | |
Diery et al. | Automated ECG diagnostic P-wave analysis using wavelets | |
Chashmi et al. | An efficient and automatic ECG arrhythmia diagnosis system using DWT and HOS features and entropy-based feature selection procedure | |
CN112985809A (zh) | 基于信号多维度精细画像的滚动轴承故障诊断方法 | |
Kumar et al. | Advanced DSP Technique to Remove Baseline Noise from ECG Signal | |
Behbahani et al. | Detection of QRS complexes in the ECG signal using multiresolution wavelet and thresholding method | |
Prashar et al. | Semiautomatic detection of cardiac diseases employing dual tree complex wavelet transform | |
CN111956209B (zh) | 一种基于ewt和结构特征提取的心电信号r波识别方法 | |
CN113317803A (zh) | 一种基于图论和机器学习的神经症特征提取方法 | |
Orozco-Duque et al. | Classification of premature ventricular contraction based on discrete wavelet transform for real time applications | |
CN111887843A (zh) | 融合性癫痫发作期自动检测方法及系统 | |
CN115553784B (zh) | 基于心电、心音信号耦合分析的冠心病评估方法及系统 | |
Don et al. | Analysis of electrocardiogram signals of arrhythmia and ischemia using fractal and statistical features | |
Khandait et al. | ECG signal processing using classifier to analyses cardiovascular disease | |
Adib et al. | ECG beat classification using discrete wavelet coefficients | |
Arvinti et al. | Adaptive thresholding algorithm for noisy electrocardiograms using reverse biorthogonal mother wavelets | |
Prashar et al. | Morphology analysis and time interval measurements using mallat tree decomposition for CVD Detection | |
Sunjing et al. | Heart sound signals based on CNN classification research | |
Srinivasulu et al. | Novel method to find the parameter for noise removal from multi-channel ecg waveforms | |
Giri et al. | Classification of supraventricular arrhythmias using wavelet decomposition | |
Chawla | Parametrization and correction of electrocardiogram signals using independent component analysis |
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 |