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 PDFInfo
- 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
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
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)
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。
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)
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)
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 |
-
2020
- 2020-11-17 CN CN202011288643.2A patent/CN112353397A/zh active Pending
Patent Citations (6)
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)
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)
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 |