CN112353397A - 一种心电图信号身份识别方法 - Google Patents

一种心电图信号身份识别方法 Download PDF

Info

Publication number
CN112353397A
CN112353397A CN202011288643.2A CN202011288643A CN112353397A CN 112353397 A CN112353397 A CN 112353397A CN 202011288643 A CN202011288643 A CN 202011288643A CN 112353397 A CN112353397 A CN 112353397A
Authority
CN
China
Prior art keywords
wave
value
ecg
point
waves
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
Application number
CN202011288643.2A
Other languages
English (en)
Inventor
李宁
何复兴
秦曙光
朱龙辉
郑强荪
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 University of Technology
Original Assignee
Xian University of Technology
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 University of Technology filed Critical Xian University of Technology
Priority to CN202011288643.2A priority Critical patent/CN112353397A/zh
Publication of CN112353397A publication Critical patent/CN112353397A/zh
Pending legal-status Critical Current

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
    • A61B5/117—Identification of persons
    • 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
    • A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G06F17/148—Wavelet transforms
    • 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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Surgery (AREA)
  • Pathology (AREA)
  • Software Systems (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • Medical Informatics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Mathematical Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Signal Processing (AREA)
  • Physiology (AREA)
  • Pure & Applied Mathematics (AREA)
  • Evolutionary Biology (AREA)
  • Mathematical Optimization (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Psychiatry (AREA)
  • Computational Mathematics (AREA)
  • Computing Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Fuzzy Systems (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)

Abstract

本发明公开了一种心电图信号身份识别方法，具体按照如下步骤实施：步骤1，采集ECG信号并进行滤波处理，得到滤波后的ECG信号；步骤2，采用小波变换检测QRS波，得到Q、R、S时间点；步骤3，采用局部加窗小波变换检测P波和T波，得到P波和T波起止和峰值点；步骤4，通过QRS波、P波和T波时间点构造ECG特征值；步骤5，采用概率神经网络PNN算法对ECG进行身份识别。本发明的目的是提供一种心电图信号身份识别方法，能实现多目标分类且分类精度高以及对硬件设施要求小。

Description

一种心电图信号身份识别方法
技术领域
本发明属于医学信号处理方法技术领域，涉及一种心电图信号身份识别方法。
背景技术
随着信息技术的发展，信息安全问题变得越来越重要。传统的生物识别系统主要利用指纹、人脸、虹膜等生理特征进行识别。尽管这些生物识别系统具有识别率更高，识别速度更快和可测量性更高的优点，但它们也具有一些缺点，例如易于复制和伪造。近年来，心电图信号(ECG)被证明对身份识别是有效的。心电图信号只能在活体内测量，所以它们不容易被伪造。随着ECG数据收集技术的发展，诸如智能手表之类的便携式ECG信号收集设备已经以高度方便和智能的方式进行了设计。因此，基于ECG的身份识别具有更广泛的应用。
基于ECG的身份识别研究主要分为两大方面，第一个为ECG信号检测。ECG信号检测分为基准检测和非基准检测，基准点检测方法是从ECG信号提取P波、QRS波和T波的特征点，然后根据时间和幅值等特征进行分类识别。但是，由于检测点位置的微小变化可能导致分类错误，故识别精度不高。非基准检测方法基于傅里叶变换、经验模态分解、小波变换从ECG信号在提取信息，无需使用特征点。但是，由于信息量大，识别规模小时间长。因此如何减少特征信息的同时提高精度成为研究的主要方向。
第二个为ECG身份识别。ECG身份识别方法有支持向量机和反向传播神经网络，这些方法不适用于多目标分类，精度不够高。还有深度学习、卷积神经网络、以及一些改进方法，这些方法精度较高，但要求非常高的计算机设备。
发明内容
本发明的目的是提供一种心电图信号身份识别方法，能实现多目标分类且分类精度高以及对硬件设施要求小。
本发明所采用的技术方案是，一种心电图信号身份识别方法，具体按照如下步骤实施：
步骤1，采集ECG信号并进行滤波处理，得到滤波后的ECG信号；
步骤2，采用小波变换检测QRS波，得到Q、R、S时间点；
步骤3，采用局部加窗小波变换检测P波和T波，得到P波和T波起止和峰值点；
步骤4，通过QRS波、P波和T波时间点构造ECG特征值；
步骤5，采用概率神经网络PNN算法对ECG进行身份识别。
本发明的特征还在于，
步骤1具体为：采用ECG装置收集ECG信号，并通过蓝牙传输到电脑PC，接着采用数字滤波处理ECG信号，得到滤波后的ECG信号。
步骤2具体为：
步骤2.1，采用二进样条小波滤波器对波后的ECG信号进行四层离散小波分解，得到四次尺度分解后的ECG信号；
步骤2.2，基于步骤2.1得到的四次尺度分解后的ECG信号，寻找四次尺度上的极大值极小值对；
步骤2.3，采用1/5四次尺度最大值作为阈值X，在四次尺度下找到大于阈值的极值对过零点；
步骤2.4，在时域过零点前后各n个点寻找极大值点即为R波峰值点，n<10；
步骤2.5，一次尺度下检测Q波和S波：Q波为一次尺度R波峰值前三个极值点的位置；S波为一次尺度R波峰值后三个极值点的位置。
步骤3具体为：
步骤3.1，读取滤波后的ECG数据，按照步骤2检测QRS波，得到Q、R、S时间点，并计算R峰值平均距离D，即就是：计算R峰值跟下一个R峰值之间的距离，然后对所有距离求平均值即为平均距离D；
步骤3.2，设定两个采样窗口大小为W1和W2，Q波向前W1个采样点为P的检测窗口WP，S波向后W2个采样点为T波的检测窗口WT，分别对WP和WT内信号进行四层小波变换，倘若在四次尺度下找到了小于阈值Y的时间点，即就是P波和T波的峰值，小波频域峰值点对应时域的峰值点；
步骤3.3，倘若在四次尺度没有找到小于阈值Y的时间点，WP向左平移a×n，WT向右平移a×n，重复进行步骤3.2，直到WP+a×n>D/2或WT+a×n>2/3D结束；
其中，a为每次平移量，n为平移次数；
步骤3.4，找到P波和T波峰值后，在四次尺度找最大值点，近似认为为P波和T波的起始点，P波和T波的终止点和起始点关于峰值点对称。
步骤4具体为：通过步骤2和步骤3得到Q、R、S、P、T、PBegin、Pend、TBegin和Tend时间点，通过这些时间点和ECG信号构成16个距离特征值，分别为R-R、R-Q、R-S、R-P、R-T、R-PBegin、R-Pend、R-TBegin、R-Tend、Q-P、Q-PBegin、S-T、S-Tend、P-T、PBegin-Pend、TBegin-Tend，6个幅值特征值，分别为：R-Q、R-S、Q-P、S-T、PBegin-P、TBegin-T，其中，字母后加Begin则代表起点，加end则代表终止点，不加则代表峰值点。
步骤5具体为：
步骤5.1，采用步骤4中22个特征值，即就是16个距离特征值和6个幅值特征值作为PNN网络输入，不同的身份给予数字标签作为输出，得到训练集P，并训练PNN网络；
步骤5.2，将训练集P中的每个输入特征值分别增加和减少10％，以获得两个新的训练集P1和P2，并根据PNN网络将这两个新的训练集用于仿真得到两个结果A1和A2，A1和A2的差即为变动该特征值后对输出产生的影响值IV，然后将IV按照样本数平均得到该特征值对于网络输出的平均影响值MIV，最后，根据绝对MIV对输入变量进行排序，选择绝对值大于0.1的MIV重新作为PNN网络输入；
步骤5.3，MIV筛选后的ECG特征值作为输入，输出仍为身份数字标签，随机给定PNN中平滑因子δ并训练，利用鲸鱼优化算法WOA寻找最优平滑因子δ，当识别误差小于给定或超出迭代范围停止训练，则当前参数模型为最优ECG身份识别模型。
本发明的有益效果是
本发明首先采用小波变换提取QRS波时间点，采用局部加窗小波变换进行P波和T波的提取，得到P波和T波的时间点，局部加窗小波变换可以避免R峰值过大造成小波变换提取精度较低这一问题；其次采用PNN算法进行ECG身份识别，PNN多目标分类算法具有过程简单、收敛速度快、样本容错率高的优点；最后分别从精度和复杂度两个方面对PNN算法改进，一方面利用MIV算法进行变量筛选，简化了算法的复杂度，同时可以剔除ECG检测过程或提取过程误差较大的特征值；另一方面，提出一种WOA-PNN的算法，利用鲸鱼优化算法(WOA)优化PNN中的平滑因子，在单个和多个周期进行ECG身份识别，解决了PNN算法平滑因子需要人为给的问题，同时提高模型分类的精度，解决了现有心电图身份识别规模小、硬件设施要求较高的问题。
附图说明
图1是本发明一种心电图信号身份识别方法的总流程图；
图2是本发明一种心电图信号身份识别方法中R波峰值检测示意图；
图3是本发明一种心电图信号身份识别方法中P波和T波峰值检测示意图；
图4是本发明一种心电图信号身份识别方法中概率神经网络基本结构图；
图5是本发明一种心电图信号身份识别方法中WOA-PNN算法的心电图信号身份识别流程图；
图6是本发明一种心电图信号身份识别方法中QRS波检测结果图；
图7是本发明一种心电图信号身份识别方法中P波和T波检测结果图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明一种心电图信号身份识别方法，其流程如图1所示，具体按照如下步骤实施：
步骤1，采集ECG信号并进行滤波处理，得到滤波后的ECG信号；具体为：采用ECG装置收集ECG信号，并通过蓝牙传输到电脑PC，接着采用数字滤波处理ECG信号，得到滤波后的ECG信号；
步骤2，采用小波变换检测QRS波，得到Q、R、S时间点；如图2所示，具体为：
步骤2.1，采用二进样条小波滤波器对波后的ECG信号进行四层离散小波分解，得到四次尺度分解后的ECG信号；
步骤2.2，基于步骤2.1得到的四次尺度分解后的ECG信号，寻找四次尺度上的极大值极小值对；
步骤2.3，采用1/5四次尺度最大值作为阈值X，在四次尺度下找到大于阈值的极值对过零点；
步骤2.4，在时域过零点前后各n个点寻找极大值点即为R波峰值点，n<10；
步骤2.5，一次尺度下检测Q波和S波：Q波为一次尺度R波峰值前三个极值点的位置；S波为一次尺度R波峰值后三个极值点的位置；
步骤3，采用局部加窗小波变换检测P波和T波，得到P波和T波起止和峰值点，如图3所示，具体为：
步骤3.1，读取滤波后的ECG数据，按照步骤2检测QRS波，得到Q、R、S时间点，并计算R峰值平均距离D，即就是：计算R峰值跟下一个R峰值之间的距离，然后对所有距离求平均值即为平均距离D；
步骤3.2，设定两个采样窗口大小为W1和W2，Q波向前W1个采样点为P的检测窗口WP，S波向后W2个采样点为T波的检测窗口WT，分别对WP和WT内信号进行四层小波变换，倘若在四次尺度下找到了小于阈值Y的时间点，即就是P波和T波的峰值，小波频域峰值点对应时域的峰值点；
步骤3.3，倘若在四次尺度没有找到小于阈值Y的时间点，WP向左平移a×n，WT向右平移a×n，重复进行步骤3.2，直到WP+a×n>D/2或WT+a×n>2/3D结束，Y＝-0.2；这里D/2和2/3D为了避免P波和T波检测范围越界；
其中，a为每次平移量，n为平移次数；
步骤3.4，找到P波和T波峰值后，在四次尺度找最大值点，认为为P波和T波的起始点，P波和T波的终止点和起始点关于峰值点对称；
步骤4，通过QRS波、P波和T波时间点构造ECG特征值；具体为：通过步骤2和步骤3得到Q、R、S、P、T、PBegin、Pend、TBegin和Tend时间点，通过这些时间点和ECG信号构成16个距离特征值，分别为R-R、R-Q、R-S、R-P、R-T、R-PBegin、R-Pend、R-TBegin、R-Tend、Q-P、Q-PBegin、S-T、S-Tend、P-T、PBegin-Pend、TBegin-Tend，6个幅值特征值，分别为：R-Q、R-S、Q-P、S-T、PBegin-P、TBegin-T，其中，字母后加Begin则代表起点，加end则代表终止点，不加则代表峰值点；
步骤5，采用概率神经网络PNN算法对ECG进行身份识别，PNN网络如图4所示，具体为：
步骤5.1，采用步骤4中22个特征值，即就是16个距离特征值和6个幅值特征值作为PNN网络输入，不同的身份给予数字标签作为输出，得到训练集P，并训练PNN网络；
步骤5.2，将训练集P中的每个输入特征值分别增加和减少10％，以获得两个新的训练集P1和P2，并根据PNN网络将这两个新的训练集用于仿真得到两个结果A1和A2，A1和A2的差即为变动该特征值后对输出产生的影响值IV，然后将IV按照样本数平均得到该特征值对于网络输出的平均影响值MIV，最后，根据绝对MIV对输入变量进行排序，选择绝对值大于0.1的MIV重新作为PNN网络输入；
步骤5.3，MIV筛选后的ECG特征值作为输入，输出仍为身份数字标签，随机给定PNN中平滑因子δ并训练，利用鲸鱼优化算法WOA寻找最优平滑因子δ，优化过程如图5所示，当识别误差小于给定或超出迭代范围停止训练，则当前参数模型为最优ECG身份识别模型。
实施例
本发明采用的原始心电数据都来自于(MIT-BIH)心率不齐心电数据库，MIT-BIH数据库是由美国麻省理工学院提供的，目前全世界认可度最高的三大开源心电数据库之一。MIT-BIH心律失常数据库包含来自BIH心律失常实验室研究的47位受试者的48个半小时两通道动态心电图记录摘录。本发明从中提取出45名受试者，每个受试者200个心电信号周期，一共9000组心电信号数据。
如图6为本发明QRS波检测结果图，R波峰值检测结果为100％，Q波和S波检测结果在80％以上，这是因为数据库中受试者为心律不齐患者，导致Q波和S波消失。图7为本发明P波和T波检测结果图，在识别P波过程基本正确，T波在检测中仍然有偏差，但是仍然可以将所提取的位置点作为特征应用于身份识别中，提高心电信号身份识别精度。
采用MIV算法筛选变量排序如表1，影响度由大到小依次排列，R波的检测精度是最高的，故R-R特征值较为精确，故其的影响程度也是最高的。P波和T波相关特征值影响程度大于Q波和S波相关特征值影响程度，可得出P波和T波检测的必要性，Q波和S波时间相对短，提取结果不明显。所有幅值特征值的影响程度为0，幅值特征是在距离特征的前提上引入心律不齐的信号得到的，故在距离特征不正确的前提下，幅值特征误差很大。
表1基于MIV算法的特征值影响度
距离特征值 R-R T<sub>Begin</sub>-T<sub>end</sub> R-T<sub>end</sub> R-P<sub>Begin</sub> S-T<sub>end</sub> R-P
MIV影响度 1.0862 0.6744 0.570 0.4713 0.3176 0.2987
距离特征值 Q-P<sub>Begin</sub> R-P<sub>end</sub> P-T Q-P S-T R-T
MIV影响度 0.2449 0.2138 0.1724 0.07955 0.04933 0.02933
距离特征值 R-T<sub>Begin</sub> P<sub>Begin</sub>-P<sub>end</sub> R-Q R-S
MIV影响度 0.01 0.00644 0.00222 0.00022
幅值特征值 R-Q R-S Q-P S-T P<sub>Begin</sub>-P T<sub>Begin</sub>-T
MIV影响度 0 0 0 0 0 0
表2为不同特征值个数的PNN算法的心电图身份识别，其中特征值按照MIV由大到小依次加入，可以看出在前6个特征值身份识别精度达到了90％以上，第13个特征值加入后身份识别精度达到极值点，后面的特征值对分类精度影响较小，另外第13个特征值点对应MIV值为0.1，故本文采用所有MIV值大于0.1的特征值进行心电图身份识别，剔除了9个特征值，同比简化了算法40.91％的复杂度。
表2不同特征值个数的PNN算法的心电图身份识别(MIV值由大到小加入)
Figure BDA0002783191530000091
Figure BDA0002783191530000101
综合前面的实验，本发明以70％的数据作为训练数据，30％的数据作为测试数据，并采用MIV大于0.1的特征值作为PNN输入变量，身份识别精度为94.48％。为了提高识别精度，本发明设定种群规模为10，迭代次数为100的WOA算法自适应寻优PNN网络中的平滑因子δ。经过22次迭代后分类误差从5.52％降低到4.52％，误差降低了19.93％，得到的平滑因子值δ为5.6801。
本发明尝试了多个心电周期信号进行身份识别，识别结果如下表3，WOA-PNN算法精度总是比PNN算法精度高，3个周期精度在98％以上，7个周期精度可以达到100％。
表3多个ECG周期身份识别
1 2 3 4
PNN 0.9448 0.9676 0.9808 0.9840
WOA-PNN 0.9548 0.9738 0.9854 0.9881
5 6 7 8
PNN 0.9970 0.9976 0.9992 0.9994
WOA-PNN 0.9988 0.9988 1.0000 1.0000

Claims (6)

1.一种心电图信号身份识别方法，其特征在于，具体按照如下步骤实施：
步骤1，采集ECG信号并进行滤波处理，得到滤波后的ECG信号；
步骤2，采用小波变换检测QRS波，得到Q、R、S时间点；
步骤3，采用局部加窗小波变换检测P波和T波，得到P波和T波起止和峰值点；
步骤4，通过QRS波、P波和T波时间点构造ECG特征值；
步骤5，采用概率神经网络PNN算法对ECG进行身份识别。
2.根据权利要求1所述的一种心电图信号身份识别方法，其特征在于，所述步骤1具体为：采用ECG装置收集ECG信号，并通过蓝牙传输到电脑PC，接着采用数字滤波处理ECG信号，得到滤波后的ECG信号。
3.根据权利要求1所述的一种心电图信号身份识别方法，其特征在于，所述步骤2具体为：
步骤2.1，采用二进样条小波滤波器对波后的ECG信号进行四层离散小波分解，得到四次尺度分解后的ECG信号；
步骤2.2，基于步骤2.1得到的四次尺度分解后的ECG信号，寻找四次尺度上的极大值极小值对；
步骤2.3，采用1/5四次尺度最大值作为阈值X，在四次尺度下找到大于阈值的极值对过零点；
步骤2.4，在时域过零点前后各n个点寻找极大值点即为R波峰值点，n<10；
步骤2.5，一次尺度下检测Q波和S波：Q波为一次尺度R波峰值前三个极值点的位置；S波为一次尺度R波峰值后三个极值点的位置。
4.根据权利要求3所述的一种心电图信号身份识别方法，其特征在于，所述步骤3具体为：
步骤3.1，读取滤波后的ECG数据，按照步骤2检测QRS波，得到Q、R、S时间点，并计算R峰值平均距离D，即就是：计算R峰值跟下一个R峰值之间的距离，然后对所有距离求平均值即为平均距离D；
步骤3.2，设定两个采样窗口大小为W1和W2，Q波向前W1个采样点为P的检测窗口WP，S波向后W2个采样点为T波的检测窗口WT，分别对WP和WT内信号进行四层小波变换，倘若在四次尺度下找到了小于阈值Y的时间点，即就是P波和T波的峰值，小波频域峰值点对应时域的峰值点；
步骤3.3，倘若在四次尺度没有找到小于阈值Y的时间点，WP向左平移a×n，WT向右平移a×n，重复进行步骤3.2，直到WP+a×n>D/2或WT+a×n>2/3D结束；
其中，a为每次平移量，n为平移次数；
步骤3.4，找到P波和T波峰值后，在四次尺度找最大值点，近似认为为P波和T波的起始点，P波和T波的终止点和起始点关于峰值点对称。
5.根据权利要求4所述的一种心电图信号身份识别方法，其特征在于，所述步骤4具体为：通过步骤2和步骤3得到Q、R、S、P、T、PBegin、Pend、TBegin和Tend时间点，通过这些时间点和ECG信号构成16个距离特征值，分别为R-R、R-Q、R-S、R-P、R-T、R-PBegin、R-Pend、R-TBegin、R-Tend、Q-P、Q-PBegin、S-T、S-Tend、P-T、PBegin-Pend、TBegin-Tend，6个幅值特征值，分别为：R-Q、R-S、Q-P、S-T、PBegin-P、TBegin-T，其中，字母后加Begin则代表起点，加end则代表终止点，不加则代表峰值点。
6.根据权利要求5所述的一种心电图信号身份识别方法，其特征在于，所述步骤5具体为：
步骤5.1，采用步骤4中22个特征值，即就是16个距离特征值和6个幅值特征值作为PNN网络输入，不同的身份给予数字标签作为输出，得到训练集P，并训练PNN网络；
步骤5.2，将训练集P中的每个输入特征值分别增加和减少10％，以获得两个新的训练集P1和P2，并根据PNN网络将这两个新的训练集用于仿真得到两个结果A1和A2，A1和A2的差即为变动该特征值后对输出产生的影响值IV，然后将IV按照样本数平均得到该特征值对于网络输出的平均影响值MIV，最后，根据绝对MIV对输入变量进行排序，选择绝对值大于0.1的MIV重新作为PNN网络输入；
步骤5.3，MIV筛选后的ECG特征值作为输入，输出仍为身份数字标签，随机给定PNN中平滑因子δ并训练，利用鲸鱼优化算法WOA寻找最优平滑因子δ，当识别误差小于给定或超出迭代范围停止训练，则当前参数模型为最优ECG身份识别模型。
CN202011288643.2A 2020-11-17 2020-11-17 一种心电图信号身份识别方法 Pending CN112353397A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011288643.2A CN112353397A (zh) 2020-11-17 2020-11-17 一种心电图信号身份识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011288643.2A CN112353397A (zh) 2020-11-17 2020-11-17 一种心电图信号身份识别方法

Publications (1)

Publication Number Publication Date
CN112353397A true CN112353397A (zh) 2021-02-12

Family

ID=74515196

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011288643.2A Pending CN112353397A (zh) 2020-11-17 2020-11-17 一种心电图信号身份识别方法

Country Status (1)

Country Link
CN (1) CN112353397A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113749665A (zh) * 2021-08-19 2021-12-07 深圳邦健生物医疗设备股份有限公司 异常指标的捕捉方法、装置、设备和介质
CN113768516A (zh) * 2021-09-27 2021-12-10 牛海成 一种基于人工智能的心电图异常程度检测方法及系统
CN113951891A (zh) * 2021-11-11 2022-01-21 西安博远恒达电气科技有限公司 基于时空组合特征向量的ecg身份识别方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110190648A1 (en) * 2010-02-03 2011-08-04 Zhijun Gu Electrocardiogram Analysis and Parameter Estimation
CN103083013A (zh) * 2013-01-18 2013-05-08 哈尔滨工业大学深圳研究生院 基于形态学与小波变换的心电信号qrs复波检测方法
KR20140087918A (ko) * 2012-12-31 2014-07-09 부산대학교 산학협력단 차감 동작 기법 기반의 심전도 신호의 ｒ파 검출 시스템 및 방법
CN107361764A (zh) * 2017-06-16 2017-11-21 华南理工大学 一种心电信号特征波形r波的快速提取方法
CN108272451A (zh) * 2018-02-11 2018-07-13 上海交通大学 一种基于改进小波变换的qrs波识别方法
CN110811673A (zh) * 2018-08-13 2020-02-21 史沛然 基于概率神经网络模型的心音分析系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110190648A1 (en) * 2010-02-03 2011-08-04 Zhijun Gu Electrocardiogram Analysis and Parameter Estimation
KR20140087918A (ko) * 2012-12-31 2014-07-09 부산대학교 산학협력단 차감 동작 기법 기반의 심전도 신호의 ｒ파 검출 시스템 및 방법
CN103083013A (zh) * 2013-01-18 2013-05-08 哈尔滨工业大学深圳研究生院 基于形态学与小波变换的心电信号qrs复波检测方法
CN107361764A (zh) * 2017-06-16 2017-11-21 华南理工大学 一种心电信号特征波形r波的快速提取方法
CN108272451A (zh) * 2018-02-11 2018-07-13 上海交通大学 一种基于改进小波变换的qrs波识别方法
CN110811673A (zh) * 2018-08-13 2020-02-21 史沛然 基于概率神经网络模型的心音分析系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
SANWAN: "ECG信号读取:检测QRS，P，T波(基于小波去噪与检测)，基于BP神经网络的身份识别", HTTP://WWW.BUBUKO.COM/INDODETALL-226147.HTML, pages 1 - 4 *
彭辉;: "小波变换和支持向量机相融合的ECG身份识别算法", 微电子学与计算机, no. 03 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113749665A (zh) * 2021-08-19 2021-12-07 深圳邦健生物医疗设备股份有限公司 异常指标的捕捉方法、装置、设备和介质
CN113749665B (zh) * 2021-08-19 2024-02-02 深圳邦健生物医疗设备股份有限公司 异常指标的捕捉方法、装置、设备和介质
CN113768516A (zh) * 2021-09-27 2021-12-10 牛海成 一种基于人工智能的心电图异常程度检测方法及系统
CN113768516B (zh) * 2021-09-27 2024-05-14 吉林省辰一科技有限公司 一种基于人工智能的心电图异常程度检测方法及系统
CN113951891A (zh) * 2021-11-11 2022-01-21 西安博远恒达电气科技有限公司 基于时空组合特征向量的ecg身份识别方法

Similar Documents

Publication Publication Date Title
CN112353397A (zh) 一种心电图信号身份识别方法
Mahmud et al. Deeparrnet: An efficient deep cnn architecture for automatic arrhythmia detection and classification from denoised ecg beats
CN106951753B (zh) 一种心电信号的认证方法和认证装置
CN107203692A (zh) 基于深度卷积神经网络的房颤检测的实现方法
CN110353673B (zh) 一种基于标准互信息的脑电通道选择方法
CN110141218B (zh) 一种心电信号分类方法、装置及程序产品、存储介质
Chen et al. Region aggregation network: improving convolutional neural network for ECG characteristic detection
Huang et al. Sparse representation-based heartbeat classification using independent component analysis
CN113057648A (zh) 一种基于复合lstm结构的ecg信号分类方法
CN112257518A (zh) 基于wt与woa-pnn算法的ecg身份识别方法
CN111310656A (zh) 基于多线性主成分分析的单次运动想象脑电信号识别方法
CN108852348A (zh) 头皮脑电的采集位点排序方法及系统
CN112107310A (zh) 基于iwt与aga-bp模型的ecg身份识别方法
Yao et al. Interpretation of electrocardiogram heartbeat by CNN and GRU
CN113116300A (zh) 一种基于模型融合的生理信号分类方法
Kuila et al. Feature extraction of electrocardiogram signal using machine learning classification
CN113569924B (zh) 一种基于支持向量机多核协作的情绪辨识分类方法
CN113128384B (zh) 一种基于深度学习的脑卒中康复系统脑机接口软件关键技术方法
CN112336369B (zh) 一种多通道心音信号的冠心病风险指数评估系统
Akuthota et al. EEG based motor imagery BCI using four class iterative filtering & four class Filter Bank common spatial pattern
CN116150670A (zh) 一种基于特征去相关解耦的任务无关脑纹识别方法
CN110443276A (zh) 基于深度卷积网络与灰度递归图分析的时间序列分类方法
CN115544476A (zh) Ecg身份识别方法、装置、电子设备及存储介质
CN112270359A (zh) 一种一维序列升维聚类方法及系统
CN112686091A (zh) 基于深度神经网络的两步骤心律失常分类方法

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