CN113749666A - 基于融合心室规则特征与XGBoost的心肌梗死分类方法 - Google Patents
基于融合心室规则特征与XGBoost的心肌梗死分类方法 Download PDFInfo
- Publication number
- CN113749666A CN113749666A CN202111067176.5A CN202111067176A CN113749666A CN 113749666 A CN113749666 A CN 113749666A CN 202111067176 A CN202111067176 A CN 202111067176A CN 113749666 A CN113749666 A CN 113749666A
- Authority
- CN
- China
- Prior art keywords
- xgboost
- fusion
- ventricular
- electrocardiosignals
- myocardial infarction
- 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.)
- Granted
Links
- 230000002861 ventricular Effects 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 29
- 208000010125 myocardial infarction Diseases 0.000 title claims abstract description 24
- 230000004927 fusion Effects 0.000 title claims abstract description 20
- 230000009466 transformation Effects 0.000 claims abstract description 25
- 230000006870 function Effects 0.000 claims abstract description 23
- 230000000694 effects Effects 0.000 claims abstract description 22
- 230000000877 morphologic effect Effects 0.000 claims abstract description 18
- 230000006835 compression Effects 0.000 claims abstract description 14
- 238000007906 compression Methods 0.000 claims abstract description 14
- 238000000513 principal component analysis Methods 0.000 claims abstract description 8
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 6
- 238000003066 decision tree Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000000638 solvent extraction Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 238000002474 experimental method Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 201000010099 disease Diseases 0.000 description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 4
- 230000010354 integration Effects 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000006793 arrhythmia Effects 0.000 description 1
- 206010003119 arrhythmia Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000000718 qrs complex Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
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]
-
- 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
- A61B5/355—Detecting T-waves
-
- 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
- A61B5/358—Detecting ST segments
-
- 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
- A61B5/36—Detecting PQ interval, PR interval or QT interval
-
- 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
- A61B5/366—Detecting abnormal QRS complex, e.g. widening
-
- 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
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- 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
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/726—Details of waveform analysis characterised by using transforms using Wavelet transforms
-
- 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
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Cardiology (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明提供一种一种基于融合心室规则特征与XGBoost的心肌梗死分类方法，将采集的12导联心电信号采用小波变换去噪，然后通过墨西哥冒基函数对去噪后的心电信号进行小波分解；将处理后的心电信号进行特征提取，提取Q波、ST‑T段形态特征作为规则特征组，同时提取QT段形态特征作为心室活动特征；将提取到的QT段形态特征采用离散小波变化、主成分分析、局部保留投影三种方式进行压缩变换；将提取的规则特征组、压缩样本中的任一种或两者的融合特征输入到XGBoost模型中进行心电分类；采用本发明体用的方法对心电信号进行心肌梗死分离，准确率达99.6％以上。
Description
技术领域
本发明属于心电监测分类技术领域，具体为一种基于融合心室规则特征与XGBoost的 心肌梗死分类方法。
背景技术
最近几年国内外使用心电自动分析技术来辅助医生诊断心电图研究成为了比较热门 的研究方向。心电图类型识别的工作大致可以分为两个方面：分别是单标签心电图分类问 题和多标签心电图分类问题。根据不同时期所使用的技术方法不同又可以分为：传统的机 器学习分类器和深度神经网络心电图分类，例如基于机器学习的单标签心电图分类、基于 深度学习的单标签心电图分类、基于深度学习的多标签心电图分类。
基于机器学习的单标签心电图分类，是先从心电信号中提取特征参数，再将特征参数 送往不同的分类器中进行分类；虽然该方法达到较好效果，但是特征的选择对于最终的结 果影响占比很大，并且需要手工进行特征提取工作，对于ECG数据庞大的数据库浪费时 间和精力。
基于深度学习的单标签心电图分类，深度学习因为其能够自动提取数据特征的特性， 可以省去传统机器学习手工提取的步骤进行大量数据的自动学习，已被广泛应用于ECG 分类研究；随着深度学习(Deep learning，DL)理论的提出，很多研究人员将深度学习算 法引入心电图，通过深度学习方法实现心血管疾病的自动检测，结果表明将计算机应用于 心搏识别领域可以大大提高心律失常的诊断效率。
基于深度学习的多标签心电图分类，心电信号在一段时间范围内不只出现一个信号分 类结果，许多研究人员也注意到了这点；在2018年中国生理信号数据挑战赛中，竞赛的 数据为12导联的心电数据，对应的数据标签为9种疾病类型中的一个或多个；还有2019年“合肥高新杯心电人机智能大赛--心电异常事件预测”中的数据给出了8导联的定长数据对应疾病类型为55种心电异常事件类型中的一种或多种；因此开展多标签的心电图分类是有意义的；随着多标签的心电图分类研究工作的开展，提出了多种心电数据的多标签分类提供了可行的分析方法，但这些方法都是在单一数据库或私有数据库上进行的，不能反映模型在实际临床数据库中的应用效果。
发明内容
针对现有技术的不足，本发明提供了一种基于融合心室规则特征与XGBoost的心肌梗 死分类方法，解决了上述背景技术中提出的问题。
一种一种基于融合心室规则特征与XGBoost的心肌梗死分类方法，包括以下过程：
S1、将采集的12导联心电信号采用小波变换去除0.5Hz的低频噪声和60Hz以上的高 频噪声，然后通过墨西哥冒基函数对去噪后的心电信号进行小波分解，以分离QRS波；
S2、将经过步骤S1处理后的心电信号进行特征提取，提取Q波、ST-T段形态特征作为规则特征组，同时提取QT段形态特征作为心室活动特征；
S3、将步骤S2中提取到的QT段形态特征采用离散小波变化、主成分分析、局部保留投影三种方式进行压缩变换；
S4、将步骤S2中提取的规则特征组、步骤S3中的压缩样本中的任一种或两者的融合 特征输入到XGBoost模型中进行心电分类。
进一步，所述QT段波形特征的样本采集数量为1000，所述步骤S3中，1000个QT段形态特征经过压缩变换后得到32个压缩样本。
进一步，所述XGBoost模型是由多棵决策树组成的集成算法，设定步骤S2中提取的规则特征组、步骤S3中的压缩样本中的任一种或两者的融合特征为输入样本，记为x，利 用XGBoost模型对输入样本进行分类的过程如下：
S31、建立输出的预测模型如下：
其中，k为树的总个数，fk表示第k颗树，
表示对样本xi的预测结果；
S32、建立所述式1的损失函数表示如下：
其中
为样本的训练误差，而Ω(fk)表示第k颗树的正则项，公式如下：
其中T为树的叶子节点个数，w为每棵树的叶子节点的输出分数，γ可以控制叶子节 点的分数；
S33、训练损失函数，通过贪心算法寻找局部最优解，对式1进行优化，优化后的预测模型如下式：
并通过泰勒展开式对损失函数进行优化，得到下式：
定义
并将Gj和Hj带入式5，对式5进一步压缩，得到以下公式：
对式6中的wj求偏导，得到下式：
则最终损失函数为下式：
其中，最终函数制定了叶子节点的分数，来评估树的结构；对于树结构的划分表示为 如下公式：
与现有技术相比，本发明的有益效果如下：
本发明采集12导联心电信号，并采用小波变换和墨西哥冒基函数对采集的12导联心 电信号进行预处理，然后提取Q波、ST-T段形态特征作为规则特征组，同时提取QT段形态特征作为心室活动特征，在对心室活动特征进行压缩变换得到压缩样本，然后将规则特征组、压缩样本中的任一种或两者的融合输入到XGBoost模型中进行心电分类，采用本申请提供的心电分类方法，准确率达99.6％以上；尤其是，以规则特征组合压缩样本的融合特征输入到XGBoost模型中时，对心肌梗死的心电信号分类准确率达99.86％，有效的提高了心肌梗死的心电信号分类的准确率。
具体实施方式
下面将结合本发明实施例中的，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。
一种一种基于融合心室规则特征与XGBoost的心肌梗死分类方法，其特征在于，包括 以下过程：
S1、将采集的12导联心电信号采用小波变换去除0.5Hz的低频噪声和60Hz以上的高 频噪声，然后通过墨西哥冒基函数对去噪后的心电信号进行小波分解，以分离QRS波；
S2、将经过步骤S1处理后的心电信号进行特征提取，提取Q波、ST-T段形态特征作为规则特征组，同时提取QT段形态特征作为心室活动特征；
S3、将步骤S2中提取到的QT段形态特征采用离散小波变化、主成分分析、局部保留投影三种方式进行压缩变换；
S4、将步骤S2中提取的规则特征组、步骤S3中的压缩样本中的任一种或两者的融合 特征输入到XGBoost模型中进行心电分类。
进一步，所述QT段波形特征的样本采集数量为1000，所述步骤S3中，1000个QT段形态特征经过压缩变换后得到32个压缩样本。
进一步，所述XGBoost模型是由多棵决策树组成的集成算法，设定步骤S2中提取的规则特征组、步骤S3中的压缩样本中的任一种或两者的融合特征为输入样本，记为x，利 用XGBoost模型对输入样本进行分类的过程如下：
S31、建立输出的预测模型如下：
其中，k为树的总个数，fk表示第k颗树，
表示对样本xi的预测结果；
S32、建立所述式1的损失函数表示如下：
其中
为样本的训练误差，而Ω(fk)表示第k颗树的正则项，公式如下：
其中T为树的叶子节点个数，w为每棵树的叶子节点的输出分数，γ可以控制叶子节 点的分数；
S33、训练损失函数，通过贪心算法寻找局部最优解，对式1进行优化，优化后的预测模型如下式：
并通过泰勒展开式对损失函数进行优化，得到下式：
定义
并将Gj和Hj带入式5，对式5进一步压缩，得到以下公式：
对式6中的wj求偏导，得到下式：
则最终损失函数为下式：
其中，最终函数制定了叶子节点的分数，来评估树的结构；对于树结构的划分表示为 如下公式：
本发明中，利用小波变换去除0.5Hz和60Hz以上的噪声，其本质是把信号中的不同频率部分分解到不同的尺度空间上，然后对噪声对应尺度上的小波系数去除，把有用信号得到的小波系数保留，最后将信号重构；采用墨西哥冒基函数去噪后的心电信号进行小波分解，以分离QRS波，同时将不同频率的心电信号分解在不同尺度下，从而区分QRS复合 波和T波，每个QRS波之后的0.1～0.6*RR间期为T波的检测窗口，根据小波变化的剧烈 程度判断是否为T波；在提取心电信号时，考虑到心肌梗死不是单纯体现在一种固定的特 征上，是对Q波，ST-T段的综合测量，因此规则特征组是对医生诊断心肌梗死的特征映 射，因此未对规则特征组进行特征压缩；对于心室活动特征，由于包含了QT段的全部采 样点，单纯提取整个波段的样本往往会夹杂着冗余信息，同时其维度过高导致计算复杂， 因此需要对其进行变换压缩；本发明将提取到的采用QT段形态特征采用离散小波变化、 主成分分析、局部保留投影三种方式进行压缩变换，其中离散小波变换一种时域-频域变 换分析的方法，它通过高通滤波和低通滤波将信号分解为不同的频率分量，使用db4小波 对心室的活动信号进行5级分解，心电信号经过db4小波函数处理后的系数更加光滑，同 时保证和原始波形更为相近；主成分分析是一种基于正交变换的降维方法，通过将具有相 关性的指标重新组合成无关的综合指标，该技术通过线性投影，将高维数据映射到低维空 间中，同时保证投影后的数据方差最大，并且考虑心电数据波段间以及相邻导联数据一般 具有相关性，造成较大冗余，因此提取全局关键特征；局部保留投影是一种线性降维技术， 其降低空间维度的同时，能较好的保持内部固定的局部结构，该技术在构建表示各样本间 远近关系的邻接矩阵后，通过引入Laplace Beltrami算子特征函数并计算最佳线性近似，得 到局部保留投影，考虑相同结构的心室活动特征具有相似性，提取这些邻近特征的共性可 以有效压缩特征；XGBoost是基于GBDT的改进算法，与GBDT相似，它是一种由多棵决 策树组成的集成算法，其基本思想为建立K个决策树，使得树群的预测值尽量接近真实值 (准确率)而且有尽量大的泛化能力，不同在于XGBoost将目标函数泰勒展开至二阶，保 留了更多目标函数的相关信息，使得算法更快收敛到全局最优，提高了模型的性能。
实验分析过程如下：
1、实验数据选用
本发明实验用的数据集选自PTB数据集，PTB数据集是德国国家计量研究所提供的数 字心电数据库。PTB心电图诊断数据库包括290例MI、其他疾病和健康对照患者的549份记录。每个受试者收集1到5条记录。每条记录约2分钟，包括15个同时测量的信号：传 统的12导联和3个Frank导联心电信号。本发明中，使用12导联心电图，重点对8种心 肌梗死和健康以及其他疾病对照数据进行分析和分类。
为了验证算法定位以及提取特征的性能，本发明在自由数据集上进行了验证。协同中 心心电数据库为的12导联心电图记录。这些记录来自2017年郑州大学第一附属医院的100 个不同程度的受试者。受试者为21至91岁的男性，29至89岁的女性。记录每个导联128 采样/秒进行数字化，通过重采样至360采样/秒，信号电压在5mV内，8位分辨率。从收集的24小时动态心电图记录中随机选取较为清晰的数据，白天、晚上各一小时。每条数 据大约130万个采样点。
这项工作在将心肌梗死同健康(H)与其他疾病(0)分类的同时，对前(A)，前外侧(AL)， 前间隔(AS)，下(I)，下外侧(IL)，下后外侧(IP)，后下外侧(IPL)，后(P) 这8个部位的心肌梗死进行了分类。提取的数据如下表所示。
表1使用的心拍总数
2、实验分析
评价指标
本发明使用使用灵敏度、特异度、正预测性和准确性来评估分类器的性能。敏感度(Se) l是指被判定为阳性的样本在所有阳性病例中所占的比例。特异性(Sp)是指所有阴性病例中 被判定为阴性病例的样本比例。正预测值(+p)P也称为精度。准确率(ACC)是正确分类的 样本与总样本的。其中为了更加客观比较上述四个评价指标的计算公式如下：
实验1
为了充分挖掘心电信号在心肌梗死上的医学意义，本文提取QT段共1000个样本作为 心室活动特征，每个心搏共12000个样本。同时为去除心室活动特征的冗余信息，实验1通过离散小波变换(PCA)，主成分分析(DWT)以及局部保留投影(LPP)三种不同技术 对心室活动特征进行变换压缩。表2是三种变换技术对心室活动特征的变换效果。其中， 离散小波变换在降低特征维度的同时，使其尽可能接近原始信号波形，保留了全局关键特 征，因此整体具有较高的分类精度，最高达到了99.70％。而主成分分析由于其变换性质， 在变换的过程中仅仅考虑了局部奇异特征，反而忽略了关键的细节特征，因此分类精度相 对较低。而局部保留投影虽然大多数分类器上具有较高性能，但对于个别分类器上性能较 差。
表2各分类器在PCA、DWT、LPP上的性能比价
实验2
为了理解和充分利用心肌梗死的全局特征，对比并分析了规则特征，心室活动特征及 其融合特征的性能差异，并用总精度作为比较的最终指标，对XGBoost模型进行实验。表 3是三种特征在XGBoost上的分类性能比较。结果显示基于医生诊断规则的特征组具有较 高的分类性能，其平均准确率为99.67％。这表明医生的诊断规则对于识别心肌梗死具有良 好的效果，其本身可作为强特征被用。基于心室活动特征的心肌梗死分类具有显著的性能， 高达99.70％的精度。其由于具有较高的维度，包含较多的心脏活动信息，因此相比较规则 特征有所提高，但提升并不明显。融合心室规则特征利用了波段之间的联系信息和全局的 心室活动信息，其最终分类精度为99.86％。相比较规则特征，该特征补充了内部的具体细 节信息；而对于心室活动特征，则是明确了波段间的关联信息。因此，相比较规则特征与 心室活动特征性能具有一定提升。
表3三种特征集在XGBoost上的分类性能
实验3
比较XGBoost与传统分类器之间的性能。本发明选取最邻近(KNN)高斯朴素贝叶斯(GNB)，线性判别分类器(LDA)，决策树(DT)，支持向量机(SVM)，逻辑回归(LR) 这6种基本分类器与XGBoost的性能差异。比较结果如表4所示。结果显示相比较基础的 分类器，XGBoost在分类方面具有显著的性能。支持向量机的性能受特征维度影响较大， 分类性能并不稳定。此外，决策树和KNN具有稳定且较好的性能，。
表4 XGBoost与其他基本分类器之间的性能比较
实验4
对比XGBoost与其他集成策略的分类器的性能。其结果如表7所示。结果显示，同属集成学习的分类器在每个特征集都具有较高的性能表，但其中性能最优的为XGBoost。
表7 XGBoost与其他集成分类器之间的性能比较
综上所述，本发明提供的心肌梗死分类方法，在预处理过程中，通过小波变换去除基 线漂移和高频噪声，同时切割心搏的各个波段。然后提取各个波段的特征，依据医生诊断 规则，计算Q波、ST段以及T波的特征描述。提取QT段内的样本并统一维度，并对比多 个变换技术对该波段进行变换压缩，得到基于DWT变换的心室活动特征具有较高的性能。 通过融合规则特征以及心室全局活动特征得到心机梗死最全面的特征信息。最后在 XGBoost分类器上进行分类，比较多个常规分类器，以及其他集成策略，最佳的集成分类 器得到了总精度99.86％的性能。以上所述，仅为本发明较佳的具体实施方式，但本发明的 保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根 据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之 内。
Claims (3)
1.一种基于融合心室规则特征与XGBoost的心肌梗死分类方法，其特征在于，包括以下过程：
S1、将采集的12导联心电信号采用小波变换去除0.5Hz的低频噪声和60Hz以上的高频噪声，然后通过墨西哥冒基函数对去噪后的心电信号进行小波分解，以分离QRS波；
S2、将经过步骤S1处理后的心电信号进行特征提取，提取Q波、ST-T段形态特征作为规则特征组，同时提取QT段形态特征作为心室活动特征；
S3、将步骤S2中提取到的QT段形态特征采用离散小波变化、主成分分析、局部保留投影三种方式进行压缩变换；
S4、将步骤S2中提取的规则特征组、步骤S3中的压缩样本中的任一种或两者的融合特征输入到XGBoost模型中进行心电分类。
2.根据权利要求1所述的基于融合心室规则特征与XGBoost的心肌梗死分类方法，其特征在于：所述QT段波形特征的样本采集数量为1000，所述步骤S3中，1000个QT段形态特征经过压缩变换后得到32个压缩样本。
3.根据权利要求1所述的基于融合心室规则特征与XGBoost的心肌梗死分类方法，其特征在于：所述XGBoost模型是由多棵决策树组成的集成算法，设定步骤S2中提取的规则特征组、步骤S3中的压缩样本中的任一种或两者的融合特征为输入样本，记为x，利用XGBoost模型对输入样本进行分类的过程如下：
S31、建立输出的预测模型如下：
其中，k为树的总个数，fk表示第k颗树，
表示对样本xi的预测结果；
S32、建立所述式1的损失函数表示如下：
其中
为样本的训练误差，而Ω(fk)表示第k颗树的正则项，公式如下：
其中T为树的叶子节点个数，w为每棵树的叶子节点的输出分数，γ可以控制叶子节点的分数；
S33、训练损失函数，通过贪心算法寻找局部最优解，对式1进行优化，优化后的预测模型如下式：
并通过泰勒展开式对损失函数进行优化，得到下式：
定义
并将Gj和Hj带入式5，对式5进一步压缩，得到以下公式：
对式6中的wj求偏导，得到下式：
则最终损失函数为下式：
其中，最终函数制定了叶子节点的分数，来评估树的结构；对于树结构的划分表示为如下公式：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111067176.5A CN113749666B (zh) | 2021-09-10 | 2021-09-10 | 基于融合心室规则特征与XGBoost的心肌梗死分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111067176.5A CN113749666B (zh) | 2021-09-10 | 2021-09-10 | 基于融合心室规则特征与XGBoost的心肌梗死分类方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113749666A true CN113749666A (zh) | 2021-12-07 |
| CN113749666B CN113749666B (zh) | 2023-10-27 |
Family
ID=78795079
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111067176.5A Active CN113749666B (zh) | 2021-09-10 | 2021-09-10 | 基于融合心室规则特征与XGBoost的心肌梗死分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113749666B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106650609A (zh) * | 2016-10-26 | 2017-05-10 | 太原理工大学 | 基于调q小波变换和高阶累积量的j波检测及分类方法 |
| US20170367604A1 (en) * | 2013-11-08 | 2017-12-28 | Spangler Scientific Llc | Non-invasive prediction of risk for sudden cardiac death |
| CN109009071A (zh) * | 2018-07-11 | 2018-12-18 | 上海夏先机电科技发展有限公司 | 一种识别心电波图像特征点的方法和装置 |
| CN109846471A (zh) * | 2019-01-30 | 2019-06-07 | 郑州大学 | 一种基于BiGRU深度神经网络的心肌梗死检测方法 |
| CN110384482A (zh) * | 2019-06-26 | 2019-10-29 | 广州视源电子科技股份有限公司 | 心电信号分类方法、装置、计算机设备和存储介质 |
| CN110934579A (zh) * | 2019-10-31 | 2020-03-31 | 郑州大学第一附属医院 | 一种基于深度学习的心电数据分类方法 |
| EP3698707A1 (en) * | 2018-02-24 | 2020-08-26 | Lepu Medical Technology (Beijing) Co., Ltd. | Electrocardiogram information dynamic monitoring method and dynamic monitoring system |
| CN112633195A (zh) * | 2020-12-28 | 2021-04-09 | 杭州电子科技大学 | 一种基于频域特征与深度学习的心肌梗塞识别分类方法 |
-
2021
- 2021-09-10 CN CN202111067176.5A patent/CN113749666B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170367604A1 (en) * | 2013-11-08 | 2017-12-28 | Spangler Scientific Llc | Non-invasive prediction of risk for sudden cardiac death |
| CN106650609A (zh) * | 2016-10-26 | 2017-05-10 | 太原理工大学 | 基于调q小波变换和高阶累积量的j波检测及分类方法 |
| EP3698707A1 (en) * | 2018-02-24 | 2020-08-26 | Lepu Medical Technology (Beijing) Co., Ltd. | Electrocardiogram information dynamic monitoring method and dynamic monitoring system |
| CN109009071A (zh) * | 2018-07-11 | 2018-12-18 | 上海夏先机电科技发展有限公司 | 一种识别心电波图像特征点的方法和装置 |
| CN109846471A (zh) * | 2019-01-30 | 2019-06-07 | 郑州大学 | 一种基于BiGRU深度神经网络的心肌梗死检测方法 |
| CN110384482A (zh) * | 2019-06-26 | 2019-10-29 | 广州视源电子科技股份有限公司 | 心电信号分类方法、装置、计算机设备和存储介质 |
| CN110934579A (zh) * | 2019-10-31 | 2020-03-31 | 郑州大学第一附属医院 | 一种基于深度学习的心电数据分类方法 |
| CN112633195A (zh) * | 2020-12-28 | 2021-04-09 | 杭州电子科技大学 | 一种基于频域特征与深度学习的心肌梗塞识别分类方法 |
Non-Patent Citations (3)
| Title |
|---|
| 卞伟康;张代民;蒋孝馨;朱彦蓉;陈绍良;: "人工智能在心血管病诊疗中的应用", 中华高血压杂志, no. 02, pages 32 - 39 * |
| 师黎;杨岑玉;费敏锐;: "基于小波变换的心电信号R波及ST段的提取", 仪器仪表学报, no. 04, pages 804 - 809 * |
| 王改改: "XGBoost从入门到实战，非常详细", Retrieved from the Internet <URL:zhuanlan.zhihu.com/p/258564378> * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113749666B (zh) | 2023-10-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Han et al. | ML–ResNet: A novel network to detect and locate myocardial infarction using 12 leads ECG | |
| Karpagachelvi et al. | ECG feature extraction techniques-a survey approach | |
| Bhagyalakshmi et al. | GB-SVNN: Genetic BAT assisted support vector neural network for arrhythmia classification using ECG signals | |
| Zeng et al. | Classification of myocardial infarction based on hybrid feature extraction and artificial intelligence tools by adopting tunable-Q wavelet transform (TQWT), variational mode decomposition (VMD) and neural networks | |
| Ma et al. | Multi-classification of arrhythmias using ResNet with CBAM on CWGAN-GP augmented ECG Gramian Angular Summation Field | |
| Wu et al. | Personalizing a generic ECG heartbeat classification for arrhythmia detection: a deep learning approach | |
| Chashmi et al. | An efficient and automatic ECG arrhythmia diagnosis system using DWT and HOS features and entropy-based feature selection procedure | |
| CN112932498A (zh) | 一种基于深度学习的强泛化能力的t波形态分类系统 | |
| Zhang et al. | Interpretable detection and location of myocardial infarction based on ventricular fusion rule features | |
| Kar et al. | A technical review on statistical feature extraction of ECG signal | |
| Wang et al. | Automatic diagnosis of ECG disease based on intelligent simulation modeling | |
| Bonizzi et al. | Detection of atrial fibrillation episodes from short single lead recordings by means of ensemble learning | |
| Liu et al. | Automatic Arrhythmia Detection Based on Convolutional Neural Networks. | |
| CN113749666B (zh) | 基于融合心室规则特征与XGBoost的心肌梗死分类方法 | |
| Avanzato et al. | Heart disease recognition based on extended ECG sequence database and deep learning techniques | |
| Jiang et al. | Heartbeat classification system based on modified stacked denoising autoencoders and neural networks | |
| CN115813401A (zh) | 一种基于动态学习的心电图分类方法及系统 | |
| Xu et al. | Reconstruction of 12-lead electrocardiogram based on GVM | |
| CN114048784A (zh) | 基于共空间模式模糊小波包的脑电信号疲劳特征提取方法 | |
| Adib et al. | ECG beat classification using discrete wavelet coefficients | |
| CN114091530A (zh) | 心电分类方法、基于域自适应的心电分类模型训练方法 | |
| Ge et al. | Discrimination of myocardial infarction stages by subjective feature extraction | |
| Showmik et al. | Beat-wise Classification of Arrhythmia Using Novel Combination of ECG Signal-Specific and Signal-Independent Features with ML Algorithms | |
| Shafaatfar et al. | Improving the Efficiency of Automatic Cardiac Arrhythmias Classification by a Novel Patient-Specific Feature Space Mapping | |
| Liu et al. | Adaptive atrial fibrillation detection focused on atrial activity 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 |