阅读说明：本技术 基于连续心搏活动序列特征-svm模型的心搏分类方法 (Heart beat classification method based on continuous heart beat activity sequence feature-SVM model ) 是由 李润川 申圣亚 张宏坡 陈刚 王宗敏 于 2020-05-22 设计创作，主要内容包括：本发明涉及一种基于连续心搏活动序列特征-SVM模型的心搏分类方法,包括以下步骤：S1、采用连续小波变化去除心电信号中的噪声；S2、对经过步骤S1处理后的心电信号进行分割截取出完整的心搏,然后从截取出的心搏中进行特征提取,并将提取到的特征按类别建立以下数据集：集合A＝{470单心搏形态特征},集合B＝{21个连续RR间期}集合C＝{491连续心搏全局序列特征}；S3、将步骤S2中的数据集中的任一个集合输入到采用SVM算法模型中进行心搏分类；本发明具有良好的心搏分类准确性。(The invention relates to a heart beat classification method based on a continuous heart beat activity sequence feature-SVM model, which comprises the following steps: s1, removing noise in the electrocardiosignals by adopting continuous wavelet change; s2, segmenting the electrocardiosignal processed in the step S1 to obtain complete heart beats, extracting features from the heart beats, and establishing the following data sets according to the extracted features: a set A is {470 single heart beat morphological characteristics }, a set B is {21 continuous RR intervals } and a set C is 491 continuous heart beat global sequence characteristics }; s3, inputting any set of the data sets in the step S2 into an SVM algorithm model for heart beat classification; the invention has good heart beat classification accuracy.)

基于连续心搏活动序列特征-SVM模型的心搏分类方法

技术领域

本发明属于心律失常分类方法技术领域，基于连续心搏活动序列特征-SVM模型的心搏分类方法。

背景技术

正常的心脏有四种生理功能：自律性，兴奋性，传导性和收缩性。心律失常指的是心脏冲动的起搏位置、传导出现误差或障碍导致心脏搏动的频率或节律失常。针对心搏波形的不断变化，计算机可以准确有效地读取心电图，并逐步给出诊断结果。目前在进行心电诊断时逐步采用智能分类的方式，例如目前现有的了GaussianNB(高斯贝叶斯)，LinearDiscriminantAnalysis(线性判别分析)，LogisticRegression(逻辑回归)，DecisionTree(决策树)，GBDT(梯度提升迭代决策树)，RandomForest(随机森林)，AdaBoost(自适应增强)被应用到心搏智能分类中，在进行智能心电分类中起到良好的提高心搏分类效率和准确性的效果，但是随着前述分类器在实践中的应用，发现前述的分类器在心搏分类方面应具有局限性，甚至是出现分类效率和准确性低下，不能满足日常对输入的心电信号快速准确分类的要求。

发明内容

本发明的目的是克服现有技术的不足而提供一种基于连续心搏活动序列特征-SVM模型的心搏分类方法。

本发明的技术方案如下：

一种基于连续心搏活动序列特征-SVM模型的心搏分类方法，包括以下步骤：

S1、采用连续小波变化去除心电信号中的噪声；

S2、对经过步骤S1处理后的心电信号进行分割截取出完整的心搏，然后从截取出的心搏中进行特征提取，并将提取到的特征按类别建立以下数据集：

集合A＝{470单心搏形态特征}，

集合B＝{21个连续RR间期}，

集合C＝{491连续心搏全局序列特征}；

S3、将步骤S2中的数据集中的任一个集合输入到采用SVM算法模型中进行心搏分类。

进一步，所述470单心搏形态特征的提取方法为，利用注释文件中确定的R峰位置，通过MIT-BIH心律失常数据库每个记录中所包含的两个导联分别提取R峰附近235个采样点。

与现有技术相比，本发明的有益效果是：

本发明将经过连续小波变换去除噪声后进行特征提取，将提取到的特征根据其类型建立三个集合，再将三个集合中的一个输入到SVM模型中进行心搏分类，采用集合A、集合B、集合C作为心电分类的输入，利用SVM模型作为分类器对前述集合中的心电信号进行分类，能够有效提高心电分类的准确度。

附图说明

图1为最优分隔超平面示意图。

具体实施方式

下面将结合本发明实施例中的附图，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。

一种基于连续心搏活动序列特征-SVM模型的心搏分类方法，包括以下步骤：

S1、采用连续小波变化去除心电信号中的噪声；

S2、对经过步骤S1处理后的心电信号进行分割截取出完整的心搏，然后从截取出的心搏中进行特征提取，并将提取到的特征按类别建立以下数据集：

集合A＝{470单心搏形态特征}，

集合B＝{21个连续RR间期}，

集合C＝{491连续心搏全局序列特征}；

S3、将步骤S2中的数据集中的任一个集合输入到采用SVM算法模型中进行心搏分类。

进一步，所述470单心搏形态特征的提取方法为，利用注释文件中确定的R峰位置，通过MIT-BIH心律失常数据库每个记录中所包含的两个导联分别提取R峰附近235个采样点。

本发明中采用的SVM模型是建立在统计学习理论VC维理论和结构风险最小化原理基础上的一种新机器学习法方法，该算法在解决小样本、非线性和高维模式识别问题中表现出许多特有的优势，并在很大程度上克服了“维数灾难”和“过学习”等问题，SVM的基本思想如图1所示，空心点和实心点分别表示不同的类别，H为分隔超平面，H₁和H₂的点背称作支持向量，H₁和H₂被称为分类间隔；最优分隔超平面就是要求在正确分开不同类别的前提下，分类间隔最大。

假设线性分类平面的形式为：

g(x)＝w^Tx+b (1)；

其中，w是分类权重向量，b是分类阈值，将判别函数进行归一化处理，使判别函数对于两类样本都满足|g(x)|≥1即，

y_i(w^Tx_i+b)-1≥0，i＝1，2，…，l (2)；

(2)

其中y_i是样本的类别标记，x_i是相应的样本。

求分类间隔Margin＝2/(||w||)的最大，等价于求最小。

引入拉格朗日乘子a_i，根据Karush-Kuhn-Tucker(KKT)条件，上述问题可以转化为在约束条件(4)下使泛函数w(a)最大化，泛函数w(a)的表达式如(5)所示。

∑^l _i＝1α_i y_i＝0，α_i≥0，i＝1，2，…，l (4)；

w(α)＝∑^l _i＝1α_i-1/2 ∑^l _i＝1∑^l _j＝1α_iα_jy_i y_j＜x^T _ix_j＞ (5)；

二次规划可以求得a_i，将a_i代入(6)求得w；

w＝∑^l _i＝1α_i y_jx_x (6)；

选择不为零的a_i，代入(7)求得b；

α_i(y_j(w^Tx_i+b)-1)＝0 (7)：

通过推导，决策函数变为以下公式：

f(x)＝sign(∑_svy_jα_i＜x^T _ix_j＞+b) (8)；

将测试样本代入式(8)中，如果f(x)＝1则属于该类别，否则不属于该类别。

实验及结果：

以下实验均在MIT-BIH心律失常数据库上进行，根据ANSI/AAMI EC 57，每个心搏被分为N(正常或束支传导阻滞)、S(室上异常心搏)、V(室性异常心搏)、F(融合心搏)、Q(未分类心搏)。

本实施例需要计算TP，FP，TN和FN四个数值进而得出心搏分类结果，其中，TP_N表示N类真阳性心搏，FP_N表示N类假阳性心搏，TN_N表示N类真阴性心搏，FNN表示N类假阴性心搏。其它心搏类别的分类结果按照同样的方式计算。表1显示了分类结果的混淆矩阵。本实施例实验中N，S，V，F，Q表示心搏的真实类别；n，s，v，f，q表示预测结果。

表1：分类结果的混淆矩阵

TP_N＝N_N (9)

FP_N＝Ns+Nv+Nf+Nq (10)

TN_N＝Ss+Sv+Sf+Sq+Vs+Vv+Vf+Vq+Fs+Fv+Ff+Fq+Qs+Qv+Qf+Qq (11)

FN_N＝Sn+Vn+Fn+Qn (12)

本实施使用灵敏度、特异性、阳性预测值和准确度评估分类器性能。灵敏度(se)指被判断为正例的样本占所有正例的比例。灵敏度越高，正确预测的样本越多。特异性(sp)指被判断为负例的样本占所有负例的比例。阳性预测值(+p)在文献中也称为精确度。准确度是被正确分类的样本数占总样本数的比率，反映了测试结果与实际结果之间的一致性。上述四个评价指标的计算公式如下：

Se＝TP/(TP+FN) (13)

Sp＝TN/(TN+FP) (14)

+p＝TP/(TP+FP) (15)

Acc＝(TP+TN)/(TP+TN+FP+FN) (16)。

对于采用前述集合A、B、C、D、E中的一个或多个组成的不同特征组合的实验结果进行分析，分析过程如下：

实验I

实验I基于集合A、集合B、集合C作为输入，以GaussianNB(高斯贝叶斯)，LinearDiscriminantAnalysis(线性判别分析)，LogisticRegression(逻辑回归)，DecisionTree(决策树)，GBDT(梯度提升迭代决策树)，RandomForest(随机森林)，AdaBoost(自适应增强)作为参照分类器，以SVM模型作为实验分类器进行心搏分类分析，基于不同数据集的不同模型分类器的分类结果如下表2。

表2基于不同数据集的不同模型的分类结果

实验II

实验II基于集合A与SVM模型进行心搏分类。实验结果显示，心搏分类的平均分类准确度为98.96％，但仅使用单心搏形态特征具有一定的局部性。该实验方法的缺点是单心搏形态特征过于片面。表3是仅有470单心搏形态特征的SVM模型的分类性能。

表3基于集合A与SVM模型的分类结果及性能

实验III

实验III基于集合B与SVM模型进行心搏分类。实验结果显示，N，S，V和Q类的分类精度明显较低。平均分类准确度达到88.46％。表4显示仅有连续心搏间期活动特征的SVM模型的分类结果。。该实验方法的缺点在于连续心搏间期活动特征也是不够全面。

表4基于集合B与SVM模型的分类结果及性能

实验IV

实验IV基于集合C与SVM模型进行心搏分类。实验结果显示，分类的平均准确度达到99.12％。与实验II相比，实验IV的总体准确度提高了0.16％。与实验III相比，总体准确度提高了10.66％。表5显示了仅有QRS面积特征的Adaboost+随机森林模型的分类结果及性能。

表5基于集合D与sVM模型的分类结果及性能

综上所述，本申请提供的一种基于连续心搏活动序列特征-SVM模型的心搏分类方法，采用集合A＝{470单心搏形态特征}，集合B＝{21个连续RR间期}，集合C＝{491连续心搏全局序列特征}作为输入，利用SVM模型作为分类器对心电信号进行心搏分类，分类准确率能够达到99.12％，相对于传统的分类器对输入的心电信号数据集具有较高的分类准确性。

尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之。