CN116415173A - 基于小波散射变换的心电信号分类方法、系统及设备 - Google Patents
基于小波散射变换的心电信号分类方法、系统及设备 Download PDFInfo
- Publication number
- CN116415173A CN116415173A CN202310400260.7A CN202310400260A CN116415173A CN 116415173 A CN116415173 A CN 116415173A CN 202310400260 A CN202310400260 A CN 202310400260A CN 116415173 A CN116415173 A CN 116415173A
- Authority
- CN
- China
- Prior art keywords
- heart beat
- wavelet
- signal
- peak
- beat signal
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000009466 transformation Effects 0.000 title claims abstract description 51
- 239000006185 dispersion Substances 0.000 title claims abstract description 40
- 239000013598 vector Substances 0.000 claims abstract description 44
- 238000001228 spectrum Methods 0.000 claims abstract description 29
- 230000000877 morphologic effect Effects 0.000 claims abstract description 20
- 230000004927 fusion Effects 0.000 claims abstract description 12
- 238000004458 analytical method Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 11
- 230000000694 effects Effects 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 6
- 230000000747 cardiac effect Effects 0.000 claims 3
- 238000012549 training Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 230000004913 activation Effects 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 206010003119 arrhythmia Diseases 0.000 description 3
- 230000006793 arrhythmia Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000003759 clinical diagnosis Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 208000000418 Premature Cardiac Complexes Diseases 0.000 description 1
- 206010042602 Supraventricular extrasystoles Diseases 0.000 description 1
- 206010047289 Ventricular extrasystoles Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—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
- A61B5/24—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
- A61B5/352—Detecting R peaks, e.g. for synchronising diagnostic apparatus; Estimating R-R 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
- A61B5/363—Detecting tachycardia or bradycardia
-
- 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
- A61B5/7253—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
- 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
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Cardiology (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Fuzzy Systems (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (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小波散射变换的心电信号分类方法、系统及设备。该方法包括:步骤1、计算获取的心电信号中每个心拍信号的R峰间隔特征向量;步骤2、将所述心电信号分割为以单个心跳为单位的一组心拍信号;步骤3、将心拍信号进行小波散射变换,获得心拍信号的散射频谱;步骤4、将散射频谱输入特征编码器,获得心拍信号的形态学特征向量;步骤5、将R峰间隔特征向量与形态学特征向量输入特征融合分类器,获得所述心拍信号的类别。本发明方法可以从小样本心电数据中,提取不同类别心电信号各自的代表性时频特征,实现对心电信号的准确分类。
Description
技术领域
本发明涉及心电信号分析的技术领域,具体涉及一种基于小波散射变换的心电信号分类方法、系统及设备。
背景技术
心电信号(ECG),是通过置于患者体表的金属电极所采集到的电信号,其可以实时反映患者心脏的活动,在临床诊断中提供了重要的参考信息。然而部分医疗场景中需要对患者的生理状态进行长期检测,此时所获得的心电信号数据量大,由专业医师进行人工分析所需要的时间成本较高,不利于进行及时、准确的临床诊断。为此,学界出现了大量心电信号自动处理方法。这些方法一般包括预处理、特征提取和分类环节。在传统的心电信号分类方法中,预处理和特征提取依赖于特定的信号处理方法与相关领域的专业知识,存在着无法完整表达心电信号的底层特征的问题。
近年来,随着硬件运算能力的提升,深度学习技术对非线性映射的优秀表达能力,在图像识别、自然语言处理等领域都得到了广泛验证。其自然也被引入心电信号分析领域,多种端到端的心电信号分类方法被相应提出。与传统分类方法不同,这些方法无需对心电信号进行预处理和特征提取,直接将心电信号输入由神经网络构成的分类器,即可输出相应的心电信号类别。然而神经网络的参数量大,且参数的准确性依赖于训练样本的训练与反馈调整,这使基于神经网络的分类器需要大量的训练数据和标签,才可以获得较好的泛化能力。
受卷积神经网络(convolutional neural network,CNN)的架构的启发,Mallat提出了小波散射变换。小波散射变换的算法结构与CNN类似,同样包含有卷积、非线性运算和池化等环节。与CNN不同的是,小波散射变换的卷积核为固定的小波滤波器,不需要通过训练进行学习。信号进行半离散小波变换,再进行非线性取模操作,最后通过低通滤波器滤波,即可得到表达信号抽象时频特征的散射频谱。获得的散射频谱可以继续迭代进行小波散射变换,以获得更高维度的特征。严格的数学理论证明,通过小波散射变换得到的特征,具有平移不变性、形变稳定性的性质。这使得小波散射变换在信号特征提取相关任务上具有一定的优势。
发明内容
本发明的目的在于解决现有技术中心电信号分类准确性和鲁棒性较差的问题,并提供一种基于小波散射变换的心电信号分类方法。该方法可以从小样本心电数据中,提取不同类别心电信号各自的代表性时频特征,实现对心电信号的准确分类,克服了基于深度学习的方法需要大量训练数据的局限。
本发明具体采用的技术方案如下:
第一方面,本发明提供了一种基于小波散射变换的心电信号分类方法,其包括如下步骤:
S1、计算获取的心电信号中每个心拍信号的R峰间隔特征向量;
S2、将所述心电信号分割为以单个心跳为单位的一组心拍信号;
S3、将S2获得的心拍信号进行小波散射变换,获得所述心拍信号的散射频谱;
S4、将S3获得的散射频谱输入特征编码器,获得所述心拍信号的形态学特征向量;
S5,将S1获得的R峰间隔特征向量与S4获得的形态学特征向量输入特征融合分类器,获得所述心拍信号的类别。
作为优选,所述S1中的心电信号为ECG信号,通过置于患者体表的电极采集获得,用于记录心脏活动所产生的电活动变化。
作为优选,所述S1的具体实现方法如下:
S101、运用Pan-Tompkin算法,检测心电信号中各个心跳的R峰所在时间点;
S102、将S101中检测到的每个心跳的R峰所在时间点,与前一个心跳的R峰所在时间点相减,获得各个心跳与前一个心跳的间隔时间作为前间隔时间;
S103、将S101中检测到的每个心跳的R峰所在时间点与后一个心跳的R峰所在时间点相减,获得各个心跳与后一个心跳的间隔时间作为后间隔时间;
S104、将S102和S103中获得的各个心跳的前间隔时间、后间隔时间分别归一化,获得归一化前间隔时间和归一化后间隔时间;
S105、将S104中获得的各个心跳的归一化前间隔时间与归一化后间隔时间相减,获得各个心跳的间隔时间差;
S106、将S104和S105中获得的归一化前间隔时间、归一化后间隔时间、间隔时间差组合,构成R峰间隔特征向量。
作为优选,所述S2的具体实现方法如下:
S201、运用Pan-Tompkin算法,检测心电信号中各个心跳的R峰所在时间点;
S202、根据S201获得的R峰所在时间点,计算得到所述心电信号中相邻两个R峰之间的中点;
S203、将S202中获得的R峰之间的中点作为心拍信号的端点,利用这些端点对所述心电信号进行分割,得到一组心拍信号;
S204、对于S203中得到的各心拍信号,若心拍信号的R峰与信号端点之间的时间间隔小于0.4秒,则将心拍信号补零直至R峰与端点之间的时间间隔为0.4秒;若心拍信号的R峰与信号端点之间的时间间隔大于0.4秒,则将心拍信号超出0.4秒的部分截断。
作为优选,所述S3的具体过程如下:
S301、将S2中得到的心拍信号与低通滤波器卷积,获得零阶散射参数,其表达式如下:
S(0)x(t)=x★φJ
其中,x表示所述心拍信号,φJ表示中心频率为零的低通滤波器,S(0)x表示信号x的零阶散射参数,★表示卷积运算;
S302、将所述心拍信号与分析小波卷积并取模,获得一阶小波参数,再将一阶小波参数与低通滤波器再次进行卷积,获得一阶散射参数,其表达式如下:
S303、将S302获得的一阶小波参数与分析小波卷积并取模,获得二阶小波参数,再将二阶小波参数与低通滤波器进行卷积,获得二阶散射参数,表达式如下:
S304、由信号x的一阶散射参数和二阶散射参数构成所述心拍信号的散射频谱。
作为优选,所述S4中的特征编码器为全连接神经网络。
作为优选,作为特征编码器的全连接神经网络中包含1个隐藏层和1个输出层,且隐含层和输出层均包含32个节点,选取线性整流单元作为激活函数。
作为优选,所述S5中的特征融合分类器为全连接神经网络。
作为优选,作为特征融合分类器的全连接神经网络中包含1个隐藏层和1个输出层,且隐藏层包含8个节点并选取ReLU作为激活函数,输出层包含5个节点并选取归一化指数函数作为激活函数。
作为优选,所述特征编码器和特征融合分类器均预先进行训练,将训练得到的最优模型参数用于进行实际推理。
第二方面,本发明提供了一种基于小波散射变换的心电信号分类系统,其包括:
R峰间隔特征向量计算模块,用于计算获取的心电信号中每个心拍信号的R峰间隔特征向量;
心拍信号分割模块,用于将所述心电信号分割为以单个心跳为单位的一组心拍信号;
散射频谱处理模块,用于将心拍信号分割模块获得的心拍信号进行小波散射变换,获得所述心拍信号的散射频谱;
形态学特征向量计算模块,用于将散射频谱处理模块获得的散射频谱输入特征编码器,获得所述心拍信号的形态学特征向量;
心拍信号分类模块,用于将R峰间隔特征向量计算模块获得的R峰间隔特征向量与形态学特征向量计算模块获得的形态学特征向量输入特征融合分类器,获得所述心拍信号的类别。
第三方面,本发明提供了一种计算机可读存储介质,所述存储介质上存储有计算机程序,当所述计算机程序被处理器执行时,实现如上述第一方面任一方案所述的基于小波散射变换的心电信号分类方法。
第四方面,本发明提供了一种计算机电子设备,其包括存储器和处理器;
所述存储器,用于存储计算机程序;
所述处理器,用于当执行所述计算机程序时,实现如上述第一方面任一方案所述的基于小波散射变换的心电信号分类方法。
与现有技术相比,本发明的有益效果包括:
(1)本发明无需使用大量数据和标签进行训练,使用小样本心电信号数据即可完成各类心电信号的特征提取和分类。
(2)当心电信号中存在噪声,或心电信号存在一定的形变或平移时,本发明的方法依然能够提取心电信号中的代表性的特征进行分类,具有优良的鲁棒性。
附图说明
图1为实施例中采集的心电信号片段绘图。
图2为实施例中运用本发明的方法得到的散射频谱图。
图3为本发明实施例中的心电信号分类方法流程图。
图4为本发明实施例中的基于小波散射变换的心电信号分类系统模块组成图。
具体实施方式
下面以MIT-BIH心律失常数据库的心电信号分类为例,对此基于小波散射变换的心电信号分类方法的实施方案及效果加以阐述。
本实施例中,MIT-BIH心律失常数据库共包含48个时长30分钟的ECG记录,共包含超过十万个心跳。根据美国医疗仪器促进协会(The Association for the Advancementof Medical Instrumentation,AAMI)提出的标准,各个心跳划分为以下五种类别:N(非异位心跳)、S(室上性异位心跳)、V(心室异位心跳)、F(混合心跳)、Q(无法识别)。
实施例中所使用的心电信号如图1所示。图1中横坐标为采样点序数,单位为样本点(1个样本点对应一个数据的采样间隔),纵坐标为心电信号幅值,单位为毫伏(mV)。
如图3所示,本实施例中具体采用的一种基于小波散射变换的心电信号分类方法,包括以下步骤:
步骤1,计算获取的心电信号中每个心拍信号的R峰间隔特征向量。
其中,心电信号为ECG信号,通过置于患者体表的电极采集获得,用于记录心脏活动所产生的电活动变化。
步骤1-1,运用Pan-Tompkin算法,检测心电信号中各个心跳的R峰所在时间点;
步骤1-2,将步骤1-1中检测到的每个心跳的R峰所在时间点,与前一个心跳的R峰所在时间点相减,获得各个心跳与前一个心跳的间隔时间,即前间隔时间;
步骤1-3,将步骤1-1中检测到的每个心跳的R峰所在时间点,与后一个心跳的R峰所在时间点相减,获得各个心跳与后一个心跳的间隔时间,即后间隔时间;
步骤1-4,将步骤1-2、步骤1-3获得的各个心跳的前间隔时间、后间隔时间分别归一化,获得归一化的心跳间隔时间,即分别得到归一化前间隔时间和归一化后间隔时间;
步骤1-5,将步骤1-4中获得的各个心跳的归一化前间隔时间与归一化后间隔时间相减,获得各个心跳的间隔时间差;
步骤1-6,将步骤1-4、步骤1-5获得的归一化前间隔时间、归一化后间隔时间以及间隔时间差组合,构成R峰间隔特征向量。
步骤2,将获取的心电信号分割为以单个心跳为单位的一组心拍信号;
步骤2-1,运用Pan-Tompkin算法,检测心电信号中各个心跳的R峰所在时间点;
步骤2-2,根据步骤2-1获得的R峰所在时间点,计算得到心电信号中相邻两个R峰之间的中点;
步骤2-3,将步骤2-2中获得的相邻两个R峰之间的中点,作为各个心拍信号的端点,利用这些端点对心电信号进行分割,得到一组心拍信号;
步骤2-4,对于步骤2-3中得到的各心拍信号进行长度统一,若心拍信号的R峰与信号端点之间的时间间隔小于0.4秒,则将心拍信号补零直至R峰与端点之间的时间间隔为0.4秒;若心拍信号的R峰与信号端点之间的时间间隔大于0.4秒,则将心拍信号超出0.4秒的部分截断。
步骤3,将步骤2获得的心拍信号进行小波散射变换,获得心拍信号的散射频谱。
小波散射变换需要设置不变性尺度(invariance scale)和质量因数(qualityfactor)两个主要参数。其中,不变性尺度设定了低通滤波器的时间支撑长度,质量因数设定了各阶小波散射变换中每倍频程包含的小波滤波器个数。
本实施例中设置低通滤波器的时间支撑长度为32个样本点,一阶小波卷积中每倍频程包含8个小波滤波器,二阶小波卷积中每倍频程包含1个小波滤波器。
步骤3-1,将步骤2获得的心拍信号与低通滤波器卷积,获得零阶散射参数,本步骤整个过程的表达式如下:
S(0)x(t)=x★φJ
其中,x表示所述心拍信号,φJ表示中心频率为零的低通滤波器,S(0)x表示信号x的零阶散射参数,★表示卷积运算。
步骤3-2,将步骤2获得的心拍信号与分析小波卷积并取模,获得一阶小波参数,再将一阶小波参数与低通滤波器再次进行卷积,获得一阶散射参数,本步骤整个过程的表达式如下:
步骤3-3,将步骤2获得的一阶小波参数与分析小波卷积并取模,获得二阶小波参数,再将二阶小波参数与低通滤波器进行卷积,获得二阶散射参数,本步骤整个过程的表达式如下:
心电信号进行小波散射变换后得到的散射频谱如图2所示。其中,上下两部分分别代表图1所展示的心电信号的一阶散射频谱和二阶散射频谱,横坐标表示小波散射变换的时间窗口数,纵坐标表示小波散射变换使用的小波滤波器数目,滤波器的中心频率随滤波器数目增加而以指数速度递减。
最终,由信号x的一阶散射参数和二阶散射参数构成心拍信号的散射频谱。
步骤4,将步骤3获得的散射频谱输入特征编码器,获得心拍信号的形态学特征向量。
本实施例中,特征编码器为全连接神经网络,共包含1个隐藏层和1个输出层。隐含层和输出层均包含32个节点,选取线性整流单元(rectified linear unit,ReLU)作为激活函数。通过该特征编码器,可获得长度为32的心跳形态学特征向量。
步骤5,将步骤1获得的R峰间隔特征向量与步骤4获得的形态学特征向量输入特征融合分类器,获得心拍信号的类别。
本实施例中,特征融合分类器为全连接神经网络,共包含1个隐藏层和1个输出层。隐藏层包含8个节点,选取ReLU作为激活函数;输出层包含5个节点,选取归一化指数函数(softmax)作为激活函数。
本实施例中,将MIT-BIH心律失常数据库按照跨患者(inter-patient)方案划分训练集和测试集,通过训练集进行模型训练和验证,将最优模型参数使用测试集进行测试。根据AAMI提出的标准,心拍分类方法应关注S类、V类心拍的分类效果,本发明在测试集上的分类结果统计指标如表1。可以看出本发明在S类、V类的分类指标较优,具有良好的分类效果。
表1测试集分类结果统计指标
需要特别说明的是,上述分类结果可用于辅助确定心拍类别,但并非直接用于疾病的诊断治疗目的,其分类结果可用于非疾病诊断目的,例如科学研究、测试等领域。
基于同一发明构思,本发明的另一较佳实施例中还提供了与上述实施例提供的基于小波散射变换的心电信号分类方法对应的基于小波散射变换的心电信号分类系统。如图4所示,该基于小波散射变换的心电信号分类系统中包括5个基本的模块,分别为:
R峰间隔特征向量计算模块,用于计算获取的心电信号中每个心拍信号的R峰间隔特征向量;
心拍信号分割模块,用于将所述心电信号分割为以单个心跳为单位的一组心拍信号;
散射频谱处理模块,用于将心拍信号分割模块获得的心拍信号进行小波散射变换,获得所述心拍信号的散射频谱;
形态学特征向量计算模块,用于将散射频谱处理模块获得的散射频谱输入特征编码器,获得所述心拍信号的形态学特征向量;
心拍信号分类模块,用于将R峰间隔特征向量计算模块获得的R峰间隔特征向量与形态学特征向量计算模块获得的形态学特征向量输入特征融合分类器,获得所述心拍信号的类别。
由于本发明实施例中的基于小波散射变换的心电信号分类系统解决问题的原理与本发明上述实施例的基于小波散射变换的心电信号分类方法相似,因此该实施例中系统的各模块具体实现形式未尽之处亦可可以参见上述方法的具体实现形式,重复之处不再赘述。
同样的,基于同一发明构思,本发明的另一较佳实施例中还提供了与上述实施例提供的基于小波散射变换的心电信号分类方法对应的一种计算机电子设备,其包括存储器和处理器;
所述存储器,用于存储计算机程序;
所述处理器,用于当执行所述计算机程序时,实现如前所述的基于小波散射变换的心电信号分类方法。
此外,上述的存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
由此,基于同一发明构思,本发明的另一较佳实施例中还提供了与上述实施例提供的基于小波散射变换的心电信号分类方法对应的一种计算机可读存储介质,该所述存储介质上存储有计算机程序,当所述计算机程序被处理器执行时,能实现如前所述的基于小波散射变换的心电信号分类方法。
具体而言,在上述两个实施例的计算机可读存储介质中,存储的计算机程序被处理器执行,可执行前述S1~S5的步骤。
可以理解的是,上述存储介质可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。同时存储介质还可以是U盘、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
可以理解的是,上述的处理器可以是通用处理器,包括中央处理器(CentralProcessing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessing,DSP)、专用集成电路(Application Specific IntegratedCircuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
另外需要说明的是,所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。在本申请所提供的各实施例中,所述的系统和方法中对于步骤或者模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个模块或步骤可以结合或者可以集成到一起,一个模块或者步骤亦可进行拆分。
以上所述的实施例只是本发明的一种较佳的方案,然其并非用以限制本发明。有关技术领域的普通技术人员,在不脱离本发明的精神和范围的情况下,还可以做出各种变化和变型。因此凡采取等同替换或等效变换的方式所获得的技术方案,均落在本发明的保护范围内。
Claims (10)
1.一种基于小波散射变换的心电信号分类方法,其特征在于,包括如下步骤:
S1、计算获取的心电信号中每个心拍信号的R峰间隔特征向量;
S2、将所述心电信号分割为以单个心跳为单位的一组心拍信号;
S3、将S2获得的心拍信号进行小波散射变换,获得所述心拍信号的散射频谱;
S4、将S3获得的散射频谱输入特征编码器,获得所述心拍信号的形态学特征向量;
S5,将S1获得的R峰间隔特征向量与S4获得的形态学特征向量输入特征融合分类器,获得所述心拍信号的类别。
2.如权利要求1所述的一种基于小波散射变换的心电信号分类方法,其特征在于,所述S1中的心电信号为ECG信号,通过置于患者体表的电极采集获得,用于记录心脏活动所产生的电活动变化。
3.根据权利要求1所述的一种基于小波散射变换的心电信号分类方法,其特征在于,所述S1的具体实现方法如下:
S101、运用Pan-Tompkin算法,检测心电信号中各个心跳的R峰所在时间点;
S102、将S101中检测到的每个心跳的R峰所在时间点,与前一个心跳的R峰所在时间点相减,获得各个心跳与前一个心跳的间隔时间作为前间隔时间;
S103、将S101中检测到的每个心跳的R峰所在时间点与后一个心跳的R峰所在时间点相减,获得各个心跳与后一个心跳的间隔时间作为后间隔时间;
S104、将S102和S103中获得的各个心跳的前间隔时间、后间隔时间分别归一化,获得归一化前间隔时间和归一化后间隔时间;
S105、将S104中获得的各个心跳的归一化前间隔时间与归一化后间隔时间相减,获得各个心跳的间隔时间差;
S106、将S104和S105中获得的归一化前间隔时间、归一化后间隔时间、间隔时间差组合,构成R峰间隔特征向量。
4.根据权利要求1所述的一种基于小波散射变换的心电信号分类方法,其特征在于,所述S2的具体实现方法如下:
S201、运用Pan-Tompkin算法,检测心电信号中各个心跳的R峰所在时间点;
S202、根据S201获得的R峰所在时间点,计算得到所述心电信号中相邻两个R峰之间的中点;
S203、将S202中获得的R峰之间的中点作为心拍信号的端点,利用这些端点对所述心电信号进行分割,得到一组心拍信号;
S204、对于S203中得到的各心拍信号,若心拍信号的R峰与信号端点之间的时间间隔小于0.4秒,则将心拍信号补零直至R峰与端点之间的时间间隔为0.4秒;若心拍信号的R峰与信号端点之间的时间间隔大于0.4秒,则将心拍信号超出0.4秒的部分截断。
5.根据权利要求1所述的一种基于小波散射变换的心电信号分类方法,其特征在于,所述S3的具体过程如下:
S301、将S2中得到的心拍信号与低通滤波器卷积,获得零阶散射参数,其表达式如下:
S(0)x(t)=x★φJ
其中,x表示所述心拍信号,φJ表示中心频率为零的低通滤波器,S(0)x表示信号x的零阶散射参数,★表示卷积运算;
S302、将所述心拍信号与分析小波卷积并取模,获得一阶小波参数,再将一阶小波参数与低通滤波器再次进行卷积,获得一阶散射参数,其表达式如下:
S303、将S302获得的一阶小波参数与分析小波卷积并取模,获得二阶小波参数,再将二阶小波参数与低通滤波器进行卷积,获得二阶散射参数,表达式如下:
S304、由信号x的一阶散射参数和二阶散射参数构成所述心拍信号的散射频谱。
6.根据权利要求1所述的一种基于小波散射变换的心电信号分类方法,其特征在于,所述S4中的特征编码器为全连接神经网络。
7.根据权利要求1所述的一种基于小波散射变换的心电信号分类方法,其特征在于,所述S5中的特征融合分类器为全连接神经网络。
8.一种基于小波散射变换的心电信号分类系统,其特征在于,包括:
R峰间隔特征向量计算模块,用于计算获取的心电信号中每个心拍信号的R峰间隔特征向量;
心拍信号分割模块,用于将所述心电信号分割为以单个心跳为单位的一组心拍信号;
散射频谱处理模块,用于将心拍信号分割模块获得的心拍信号进行小波散射变换,获得所述心拍信号的散射频谱;
形态学特征向量计算模块,用于将散射频谱处理模块获得的散射频谱输入特征编码器,获得所述心拍信号的形态学特征向量;
心拍信号分类模块,用于将R峰间隔特征向量计算模块获得的R峰间隔特征向量与形态学特征向量计算模块获得的形态学特征向量输入特征融合分类器,获得所述心拍信号的类别。
9.一种计算机可读存储介质,其特征在于,所述存储介质上存储有计算机程序,当所述计算机程序被处理器执行时,实现如权利要求1~7任一所述的基于小波散射变换的心电信号分类方法。
10.一种计算机电子设备,其特征在于,包括存储器和处理器;
所述存储器,用于存储计算机程序;
所述处理器,用于当执行所述计算机程序时,实现如权利要求1~7任一所述的基于小波散射变换的心电信号分类方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310400260.7A CN116415173A (zh) | 2023-04-14 | 2023-04-14 | 基于小波散射变换的心电信号分类方法、系统及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310400260.7A CN116415173A (zh) | 2023-04-14 | 2023-04-14 | 基于小波散射变换的心电信号分类方法、系统及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116415173A true CN116415173A (zh) | 2023-07-11 |
Family
ID=87049333
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310400260.7A Pending CN116415173A (zh) | 2023-04-14 | 2023-04-14 | 基于小波散射变换的心电信号分类方法、系统及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116415173A (zh) |
-
2023
- 2023-04-14 CN CN202310400260.7A patent/CN116415173A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230143594A1 (en) | Systems and methods for reduced lead electrocardiogram diagnosis using deep neural networks and rule-based systems | |
CN111990989A (zh) | 一种基于生成对抗及卷积循环网络的心电信号识别方法 | |
CN111160139A (zh) | 心电信号的处理方法、装置及终端设备 | |
CN107951485A (zh) | 基于人工智能自学习的动态心电图分析方法和装置 | |
CN106815570B (zh) | 一种基于动态模式识别的心电信号st-t段识别方法 | |
Cao et al. | Atrial fibrillation detection using an improved multi-scale decomposition enhanced residual convolutional neural network | |
Yoon et al. | Deep learning-based electrocardiogram signal noise detection and screening model | |
CN113095302B (zh) | 用于心律失常分类的深度模型、利用该模型的方法及装置 | |
CN111310570A (zh) | 一种基于vmd和wpd的脑电信号情感识别方法及系统 | |
Ullah et al. | An End‐to‐End Cardiac Arrhythmia Recognition Method with an Effective DenseNet Model on Imbalanced Datasets Using ECG Signal | |
Gupta et al. | Higher order derivative-based integrated model for cuff-less blood pressure estimation and stratification using PPG signals | |
CN116361688A (zh) | 用于心电节律自动分类的多模态特征融合模型构建方法 | |
Vasconcellos et al. | Siamese convolutional neural network for heartbeat classification using limited 12-lead ECG datasets | |
Allam et al. | A deformable CNN architecture for predicting clinical acceptability of ECG signal | |
Zubair et al. | Removal of motion artifacts from ECG signals by combination of recurrent neural networks and deep neural networks | |
Arsene | Design of deep convolutional neural network architectures for denoising electrocardiographic signals | |
CN110786847B (zh) | 心电信号的建库方法和分析方法 | |
CN116415173A (zh) | 基于小波散射变换的心电信号分类方法、系统及设备 | |
Liu et al. | FGSQA-Net: A weakly supervised approach to fine-grained electrocardiogram signal quality assessment | |
CN112989971A (zh) | 一种不同数据源的心电数据融合方法及装置 | |
Abagaro et al. | Automated ECG signals analysis for cardiac abnormality detection and classification | |
CN111685754B (zh) | 针对可穿戴ecg采集设备的心率计算方法及系统 | |
Assadi et al. | PVC arrhythmia classification based on fractional order system modeling | |
Shaik et al. | Arrhythmia Detection Using ECG-Based Classification with Prioritized Feature Subset Vector-Associated Generative Adversarial Network | |
CN117547283B (zh) | 心电信号数据分类方法、装置、计算机设备及介质 |
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 |