CN111920397A - 基于稀疏最小二乘支持向量机的动脉硬化程度检测方法 - Google Patents

Abstract

基于稀疏最小二乘支持向量机的动脉硬化程度检测方法，包括：获取脉搏波信号；脉搏波信号的时域特征提取；脉搏波信号的频域特征提取；脉搏波信号的小波特征提取；对提取到的特征进行归一化处理，并将提取到的特征向量进行标记；设置参数；求解样本的近似基、特征值、特征向量，寻找一组特征向量的极大无关组以使数据进行稀疏化；计算每个测试样本与实际样本的差值，若不满足要求则返回重新设置参数训练；利用稀疏化的特征向量进行最小二乘支持向量机的训练，使其满足目标要求，算法结束。本发明的方法可以快速准确的识别动脉硬化样本，为实现智能诊断、缓解紧缺的医疗资源、减少医疗资源的浪费、提高就诊效率提供基础。

Description

基于稀疏最小二乘支持向量机的动脉硬化程度检测方法

技术领域：

本发明涉及属于智能医疗技术领域，具体涉及及基于稀疏最小二乘支持向量机的动脉硬化程度检测方法，

背景技术：

动脉硬化是动脉的一种非炎症性病变，可使动脉管壁增厚、变硬，失去弹性、管腔狭窄。动脉硬化是随着年龄增长而出现的血管疾病，其规律通常是在青少年时期发生，至中老年时期加重、发病。男性较女性多，近年来本病逐渐增多，成为老年人死亡主要原因之一。对于动脉硬化患者，其血管弹性、血管阻力、血压等反映心血管状态的血流参数发生一定变化，并且首先反映在脉搏波的变化中，因此，可以根据脉搏波的不同表征现象，及早的诊断出心血管疾病的潜在威胁因素，在评价心血管系统功能、预测心血管疾病的发作，以及对心血管疾病的早期诊断具有重要意义。

支持向量机是特征分类的一种经典研究方法。通过使用提取的脉搏波时域特征、频域特征、小波特征进行支持向量机的训练，建立脉搏波与动脉硬化的诊断模型。以脉搏波速度或踝臂指数作为评判动脉硬化的指标，存在无法了解整体的动脉系统运行功能的问题。为了解决这一问题，通过提取的脉搏波时域、频域等特征加入到动脉硬化的诊断指标中，获得了较高的识别率。然而，通过该方法进行动脉硬化的诊断，其计算成本会随着诊断特征的增加而增加，耗费巨额的计算机内存。因此，本发明根据极大线性无关组的线性表示思想，在特征空间中寻找一组能够线性表示全部数据的极大无关组作为支持向量，通过优化最小二乘支持向量机(LS-SVM)使其具有稀疏性，从而控制VC维大小，将模型风险控制在一定范围之内。

目前，对于心血管动脉硬化的诊断分析很多，但是，如何通过稀疏最小二乘支持向量机进行动脉硬化诊断则相对匮乏。本文即是通过稀疏最小二乘支持向量机的动脉硬化检测方法进行诊断分类。

发明内容：

本发明的目的就在于通过稀疏最小二乘支持向量机检测方法，来识别动脉硬化程度，对脉搏波信号进行分析，为实现智能诊断、缓解紧缺的医疗资源、减少医疗资源的浪费、提高就诊效率提供基础。

为实现上述目的，本发明的技术方案具体如下：

基于稀疏最小二乘支持向量机的动脉硬化程度检测方法，包括以下步骤：

步骤1)获取脉搏波信号，对脉搏波信号进行滤波去噪处理；

步骤2)脉搏波信号的时域特征提取，提取脉搏波的上升时间相对值、K值以及主波斜率；

步骤3)脉搏波信号的频域特征提取，提取脉搏波信号频域的前四次谐波幅值；

步骤4)脉搏波信号的小波特征提取，使用db5小波对脉搏波信号进行8层小波分解，计算每层的能量以及小波熵作为特征值；

步骤5)对提取到的特征进行归一化处理，并将提取到的特征向量进行标记；

步骤6)设置参数；

步骤7)求解样本的近似基、特征值、特征向量，寻找一组特征向量的极大无关组以使数据进行稀疏化；

步骤8)计算每个测试样本与实际样本的差值，若满足要求则步骤9，否则返回步骤6重新设置参数训练；

步骤9)利用稀疏化的特征向量进行最小二乘支持向量机的训练，使其满足目标要求，算法结束。

进一步的，所述步骤2)中，主波斜率特征的提取方法如下：

选取主波峰值后20个点的斜率，取其平均值作为主波斜率特征：

其中，Q为主波斜率，j为主波峰值点，A(i)为i点幅值。

进一步的，所述步骤2)中，脉搏波上升时间提取方法为：

其中，T_r为上升时间在一个脉搏周期的相对值，t₁为上升时间，T为一个脉搏波周期。

进一步的，所述步骤2)中，K值提取方法如下：

进一步的，所述步骤4)具体包括：

小波熵特征提取方法为

其中,E_total为各尺度上的信号总能量，P_j为各层能量在总能量中的占比

与现有技术相比，本发明的有益技术效果：

本发明的方法可以快速准确的识别动脉硬化程度，为实现智能诊断、缓解紧缺的医疗资源、减少医疗资源的浪费、提高就诊效率提供基础。

附图说明

图1为发明方法流程图；

图2为脉搏波信号频谱图；

图3为脉搏波信号经小波变换后各细节信号及概貌信号；

图4为贡献率最高的两个特征其σ与C参数的选取对分类的影响。

具体实施方式

下面将结合本发明实施中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如附图1所示，基于稀疏最小二乘支持向量机的动脉硬化程度检测方法，包括以下步骤：

步骤1)获取脉搏波信号，对脉搏波信号进行滤波去噪处理；

步骤2)脉搏波信号的时域特征提取，提取脉搏波的上升时间相对值、K值以及主波斜率；

步骤3)脉搏波信号的频域特征提取，提取脉搏波信号频域的前四次谐波幅值；

步骤4)脉搏波信号的小波特征提取，使用db5小波对脉搏波信号进行8层小波分解，计算每层的能量以及小波熵作为特征值；

步骤5)对提取到的特征进行归一化处理，并将提取到的特征向量进行标记；

步骤6)设置参数；

步骤7)求解样本的近似基、特征值、特征向量，寻找一组特征向量的极大无关组以使数据进行稀疏化；

步骤8)计算每个测试样本与实际样本的差值，若满足要求则步骤9，否则返回步骤6重新设置参数训练；

步骤9)利用稀疏化的特征向量进行最小二乘支持向量机的训练，使其满足目标要求，算法结束。

本发明通过以下技术方案来实现上述目的：基于稀疏最小二乘支持向量机的动脉硬化程度检测方法，包括以下步骤：

步骤1)获取脉搏波信号，对脉搏波信号进行滤波去噪处理；

步骤2)脉搏波信号的时域特征提取，提取脉搏波的上升时间相对值、K值以及主波斜率；

步骤3)脉搏波信号的频域特征提取，提取脉搏波信号频域的前四次谐波幅值；

步骤4)脉搏波信号的小波特征提取，使用db5小波对脉搏波信号进行8层小波分解，计算每层的能量以及小波熵作为特征值；

步骤5)对提取到的特征进行归一化处理，并将提取到的特征向量进行标记；

步骤6)设置参数；

步骤7)求解样本的近似基、特征值、特征向量，寻找一组特征向量的极大无关组以使数据进行稀疏化；

步骤8)计算每个测试样本与实际样本的差值，若满足要求则步骤9，否则返回步骤6重新设置参数训练；

步骤9)利用稀疏化的特征向量进行最小二乘支持向量机的训练，使其满足目标要求，算法结束。

基于稀疏最小二乘支持向量机的动脉硬化检测的基本方法：

时域特征提取是在脉搏波波形图中进行特征信息提取，提取时域脉搏信号的峰值数量、主波斜率、上升时间以及K值。本发明采用差分法对脉搏波峰数进行识别。选取主波峰值后20个点的斜率，取其平均值作为主波斜率特征，其方法为：

其中，Q为主波斜率，j为主波峰值点，A(i)为i点幅值。脉搏波上升时间提取方法为：

其中，T_r为上升时间在一个脉搏周期的相对值，t₁为上升时间，T为一个脉搏波周期。K值是以脉搏图的面积变化为基础的特征量，其提取方法如下：

频域中提取前四次谐波幅值作为特征。频域是以脉搏波信号所具有的全部频率分量的集合形式表示特征信息,保留了脉搏波具有的全部信息，反映了脉搏波的整体特征。小波特征表征脉搏波精细的特征，将各层信号的能量在总能量中的占比和小波熵一起作为小波域的特征信息。各层能量占比为

小波熵特征提取方法为

其中,E_total为各尺度上的信号总能量，P_j为各层能量在总能量中的占比。

对于稀疏最小二乘支持向量机的建立，将支持向量机的不等式约束转换为等式约束，最终归结为如下二次规划问题：

其中，C为结构风险与模型推广能力之间的平衡系数，e_k为误差变量。对于特征向量的稀疏化，本发明通过将原始空间数据映射到高维空间，去除近似线性相关的特征向量，得到的稀疏支持向量。获取

一组极大无关支持向量的具体方法可以通过以下步骤完成：

(1)建立集合

(2)对于k＝2,...,N的

求极小值：

(3)如果求得的极小值等于0，把相应的

加入到集合X_A中，否则加入到集合X_l中；

(4)返回步骤(2)，直到完成

的计算。

由Lagrange条件：

可得-2K₀+2Kλ＝0，其中K₀＝[k(x₁,x_k),...,k(x_l,x_k)]^T,K为矩阵，其元素K_ij＝k(x_i,x_j)，当核函数采用径向基高斯函数时，矩阵K正定，所以λ_min＝K^-1K₀即为f(λ)的极小值点。

当核函数取径向基高斯函数K(x_i，x_j)＝exp(-||x_i-x_j||²/σ²)时，σ可以在一定程度上控制VC维(记为d_vc)，当σ→0⁺时，d_vc趋向于无穷大，反之，当σ→+∞，d_vc趋向于零。当训练数据足够多时，将分类器的d_vc调整到合适的大小，根据Hoeffding不等式：

可使得E_in(g)≈E_out(g)。其中，P_D[·]为事件发生概率，E_in(g)为经验风险，E_out(g)为期望风险，ε为大于零的极小值，N为样本量，d_vc为分类器的VC维。

这时通过寻找一个最佳的决策函数将经验风险降低到目标误差内，即使得E_in(g)≈0，则可以使得E_in(g)≈E_out(g)≈0。由此可以保证分类器的分类精度达到设定要求。当d_vc确定，设(7)式中信任指数δ，

有：

可以得到E_out(g)的置信区间为：

其中

为模型复杂度，是关于N,d_vc,δ的函数，记为Ω(N,d_vc,δ)。据此可以提前预测动脉硬化诊断模型的最大风险区间。

为了便于叙述，使用MIMIC waveform database数据库中的脉搏波数据，以此数据库数据作示意性分析介绍。图2是对脉搏波信号进行快速傅里叶变换的频谱图，提取前四次谐波幅值作为特征。图3为脉搏波信号经小波变换后各细节信号及概貌信号。图4为选取贡献率最高的两个特征其σ与C参数的选取对分类的影响。可以看出以此为特征判定类别，可以准确识别动脉硬化样本。

Claims (5)

1.基于稀疏最小二乘支持向量机的动脉硬化程度检测方法，其特征在于，包括以下步骤：

步骤1)获取脉搏波信号，对脉搏波信号进行滤波去噪处理；

步骤2)脉搏波信号的时域特征提取，提取脉搏波的上升时间相对值、K值以及主波斜率；

步骤3)脉搏波信号的频域特征提取，提取脉搏波信号频域的前四次谐波幅值；

步骤4)脉搏波信号的小波特征提取，使用db5小波对脉搏波信号进行8层小波分解，计算每层的能量以及小波熵作为特征值；

步骤5)对提取到的特征进行归一化处理，并将提取到的特征向量进行标记；

步骤6)设置参数；

步骤7)求解样本的近似基、特征值、特征向量，寻找一组特征向量的极大无关组以使数据进行稀疏化；

步骤8)计算每个测试样本与实际样本的差值，若满足要求则步骤9，否则返回步骤6重新设置参数训练；

步骤9)利用稀疏化的特征向量进行最小二乘支持向量机的训练，使其满足目标要求，算法结束。

2.根据权利要求1所述的基于稀疏最小二乘支持向量机的动脉硬化程度检测方法，其特征在于：所述步骤2)中，主波斜率特征的提取方法如下：

选取主波峰值后20个点的斜率，取其平均值作为主波斜率特征：

其中，Q为主波斜率，j为主波峰值点，A(i)为i点幅值。

3.根据权利要求1所述的基于稀疏最小二乘支持向量机的动脉硬化程度检测方法，其特征在于：所述步骤2)中，脉搏波上升时间提取方法为：

其中，T_r为上升时间在一个脉搏周期的相对值，t₁为上升时间，T为一个脉搏波周期。

4.根据权利要求1所述的基于稀疏最小二乘支持向量机的动脉硬化程度检测方法，其特征在于：所述步骤2)中，K值提取方法如下：

5.根据权利要求1所述的基于稀疏最小二乘支持向量机的动脉硬化程度检测方法，其特征在于：所述步骤4)具体包括：

小波熵特征提取方法为

其中,E_total为各尺度上的信号总能量，P_j为各层能量在总能量中的占比。

Images