基于相关性分析特征选择的J波检测分类方法技术

本发明专利技术涉及J波的检测识别分类方法，具体为基于相关性分析特征选择的J波检测分类方法，该方法包括以下步骤：ECG信号经过预处理，对信号进行去噪与分段；对分段后的信号进行三层小波包分解，对第三层系数进行分析，同时计算研究片段与基线间的面积；计算第三层系数的2、3、4阶累积量特征与能量特征；对累积量特征与能量特征进行相关性分析，根据分类效果进行特征选择；使用选择后的特征作为支持向量机（SVM）分类器的输入，进行正常信号与J波信号进行分类识别，成功检测J波信号。本发明专利技术使用相关性分析的特征选择方法进行特征筛选，去除冗余特征，提高分类准确率。

【技术实现步骤摘要】

本专利技术涉及J波的检测识别分类方法，具体为基于相关性分析特征选择的J波检测分类方法。
技术介绍
J点是心电图(Electrocardiogran，ECG)上QRS波群和ST段交界处的一个突发性转折，它标志着心室除极结束、复极的开始，J点之后的顿挫称为J波。由J波引起的恶性心律失常、猝死或其他严重的心血管疾病的总称，称为J波综合征。其中包括Brugada综合征、特发性心室颤动(室颤)、急性冠状动脉综合征的超急期和早期复极综合征等，会引起恶性心律失常、猝死或其他严重的心血管疾病。心电图是辅助医生诊断心脏疾病的重要工具，通过对心电图的分析，从J波的病理特性进行分析，通过计算机等辅助设备从信号处理角度对J波进行提取、识别，准确快速地检测出J波，对于医生更加精确的诊断J波综合征、减小J波综合征的致死率具有很大的帮助。而在现有检测J波的方法中，所提取的特征中可能存在相关的特征，一方面会导致分析特征、训练模型所需要的时间延长；另一方面会产生“维数灾难”。因此对所提取的特征进行相关性分析，除冗余特征，选择最有效的特征组合，达到提高J波检测准确率的目的，在临床上与现实中都具有很重要的意义。
技术实现思路
本专利技术为了解决上述问题，提供了基于相关性分析特征选择的J波检测分类方法。本专利技术是采用如下的技术方案实现的：基于相关性分析特征选择的J波检测分类方法，包括以下步骤：由心电图机得到若干ECG信号，ECG信号中包括正常心电信号和J波信号，ECG信号均分为训练组信号和测试组信号，对ECG信号经过预处理，对ECG信号进行去噪与分段；对分段后的ECG信号进行三层小波包分解，对第三层分解系数进行分析，计算第三层分解系数的2、3、4阶累积量特征；计算第三层分解系数的能量，同时计算ECG信号与基线间的面积，计算得到的能量、面积和上述的累积量特征形成初始特征集(X1,X2,…Xi…Xj…Xm)；根据分类贡献相关度作为选择的依据来判断特征集是否冗余：计算特征Xi与类集C之间的信息增益IG(Xi|C)，进而计算出特征Xi与类集C之间的分类贡献度，即：其中，H(Xi)为特征Xi的信息熵(Entropy)，H(C)为类集C的信息熵，表示类集出现的概率，类集C中包括正常心电信号和J波信号，根据C&C(Xi,C)来对初始特征集中的特征进行降序排列；选择训练组信号的前n个特征输入到支持向量机分类器中，对支持向量机分类器进行训练，再将测试组信号的前n个特征输入到支持向量机分类器中，记录支持向量机分类器分类的准确性，再选择训练组信号的前n+1个特征，输入到支持向量机分类器中，对支持向量机分类器进行训练，随后将测试组信号的前n+1个特征输入到支持向量机分类器中，记录支持向量机分类器分类的准确性，如果此准确性比前一个准确性增加，则再增加一个特征重复上述步骤，直到特征增加到n+k+1时，记录的准确性比n+k个特征时记录的准确性低，则将前n+k个特征组成的特征集作为最终特征集，k等于0、1、2、3、或m-n；对待测的ECG信号提取初始特征集，选择初始特征集中n+k个特征组成的特征集作为最终特征集，输入到支持向量机分类器，将待测的ECG信号分类。特征选择(FeatureSelection)技术也称特征子集选择，或属性选择，是指从全部特征中选取一个特征子集，使构造出来的模型更好，最终使用选择出的特征进行识别分类时达到更好的效果。在实际应用中，特征数量往往较多，其中可能存在不相关的特征，特征之间也可能存在相互依赖，容易导致分析特征、训练模型所需的时间延长，另外会导致复杂度增加，即特征个数越多，模型也会越复杂，其推广能力会下降。通过特征选择能剔除冗余的特征，从而达到减少特征个数，提高模型精确度，减少运行时间的目的。另一方面，选取出真正相关的特征简化了模型，使研究人员易于理解数据产生的过程。本专利研究了基于相关性分析的特征选择方法，对所提取特征进行分析，按照分类贡献度(Classificationcontributioncorrelation，C&C)进行特征的降序排列，将相关性大的特征进行选择性的去除，达到减少特征个数，提高分类准确率的目的。为临床的诊断和治疗提供了一种新的有效的方法。本专利技术利用小波包分解，通过对分解系数计算累积量特征与能量特征，结合与基线所围面积作为特征，使用相关性分析的特征选择方法进行特征筛选，去除冗余特征，提高分类准确率。附图说明图1为特征选择的流程图。图2为本专利技术的流程图。具体实施方式基于相关性分析特征选择的J波检测分类方法，包括以下步骤：由心电图机得到若干ECG信号，ECG信号中包括正常心电信号和J波信号，ECG信号均分为训练组信号和测试组信号，对ECG信号经过预处理，对ECG信号进行去噪与分段；对分段后的ECG信号进行三层小波包分解，对第三层分解系数进行分析，计算第三层分解系数的2、3、4阶累积量特征，小波包变换(WPT)是小波变换(WT)的延伸，其基本思想是让信息能量集中，在细节中寻找有序性，把其中的规律筛选出来，为信号提供一种更加精细的分析方法。小波变换只对信号的低频的近似系数进行分解，对高频部分也即信号的细节部分没有进行进一步的分解。因此，小波变换能够很好的表征以低频信息为主要成分的信号，用在检测是否含有J波的特征提取上，却容易丢失原始ECG信号的大量的细节信息(细小边缘或纹理)等重要信息。本专利技术使用小波包分解对ECG信号进行分析时，对高频成分也提供了更精细的分解，使包含大量中、高频信息的信号也能得到更好地时频局部化分析，避免了丢失信号信息这一问题。另外如果原始信号具有很好的高斯性，则描述信号的粗糙像的一阶、二阶统计量特征在识别中有很好的效果。但是ECG信号不具备这一特性，为了准确地描述ECG信号，将原信号中隐藏的信息表现出来，就需要使用描述信号细节信息的高阶统计量特征，高阶统计量是指阶数大于二阶的统计量。计算第三层分解系数的能量，同时计算ECG信号与基线间的面积，计算得到的能量、面积和上述的累积量特征形成初始特征集(X1,X2,…Xi…Xj…Xm)；若仅仅考虑累积量特征比较单一，有可能会导致信号的误检，因此计算分解系数的能量，同时，计算信号ST段与基线间的面积，三者结合作为分类器的输入。根据分类贡献相关度作为选择的依据来判断特征集是否冗余：提取的特征中若存在相关的特征，一方面会导致分析特征、训练模型所需要的时间延长；另一方面会产生“维数灾难”。因此本专利对特征进行相关性分析，进而选择最有效的特征组合，来去除冗余特征，结合面积特征，达到提高J波检测准确率的目的。特征选择时一般首先从特征全集中产生出一个特征子集，然后用评价函数对该特征子集进行评价，评价的结果与停止准则进行比较，若评价结果比停止准则好就停止，否则就继续产生下一组特征子集，继续进行特征选择。计算特征Xi与类集C之间的信息增益IG(Xi|C)，进而计算出特征Xi与类集C之间的分类贡献度，即：式中，H(Xi)为特征Xi的信息熵(Entropy)，其定义为：Pi为初始特征集(X1,X2,…Xi…Xj…Xm)中Xi被取到的概率，其中，H(C)为类集C的信息熵，计算公式为：P(cl)表示类集出现的概率，类集C中包括正常心电信号和J波信号，根据C&C(Xi本文档来自技高网...

【技术保护点】
基于相关性分析特征选择的J波检测分类方法，其特征在于包括以下步骤：由心电图机得到若干ECG信号，ECG信号中包括正常心电信号和J波信号，ECG信号均分为训练组信号和测试组信号，对ECG信号经过预处理，对ECG信号进行去噪与分段；对分段后的ECG信号进行三层小波包分解，对第三层分解系数进行分析，计算第三层分解系数的2、3、4阶累积量特征；计算第三层分解系数的能量，同时计算ECG信号与基线间的面积，计算得到的能量、面积和上述的累积量特征形成初始特征集(X1,X2,…Xi…Xj…Xm)；根据分类贡献相关度作为选择的依据来判断特征集是否冗余：计算特征Xi与类集C之间的信息增益IG(Xi|C)，进而计算出特征Xi与类集C之间的分类贡献度，即：H(Xi)为特征Xi的信息熵，H(C)为类集C的信息熵，表示类集出现的概率，类集C中包括正常心电信号和J波信号，根据C&C(Xi,C)来对初始特征集中的特征进行降序排列；选择训练组信号的前n个特征输入到支持向量机分类器中，对支持向量机分类器进行训练，再将测试组信号的前n个特征输入到支持向量机分类器中，记录支持向量机分类器分类的准确性，再选择训练组信号的前n+1个特征，输入到支持向量机分类器中，对支持向量机分类器进行训练，随后将测试组信号的前n+1个特征输入到支持向量机分类器中，记录支持向量机分类器分类的准确性，如果此准确性比前一个准确性增加，则再增加一个特征重复上述步骤，直到特征增加到n+k+1时，记录的准确性比n+k个特征时记录的准确性低，则将前n+k个特征组成的特征集作为最终特征集，k等于0、1、2、3、或m‑n；对待测的ECG信号提取初始特征集，选择初始特征集中n+k个特征组成的特征集作为最终特征集，输入到支持向量机分类器，将待测的ECG信号分类。...

【技术特征摘要】
1.基于相关性分析特征选择的J波检测分类方法，其特征在于包括以下步骤：由心电图机得到若干ECG信号，ECG信号中包括正常心电信号和J波信号，ECG信号均分为训练组信号和测试组信号，对ECG信号经过预处理，对ECG信号进行去噪与分段；对分段后的ECG信号进行三层小波包分解，对第三层分解系数进行分析，计算第三层分解系数的2、3、4阶累积量特征；计算第三层分解系数的能量，同时计算ECG信号与基线间的面积，计算得到的能量、面积和上述的累积量特征形成初始特征集(X1,X2,…Xi…Xj…Xm)；根据分类贡献相关度作为选择的依据来判断特征集是否冗余：计算特征Xi与类集C之间的信息增益IG(Xi|C)，进而计算出特征Xi与类集C之间的分类贡献度，即：H(Xi)为特征Xi的信息熵，H(C)为类集C的信息熵，表示类集出现的概率，类集C中包括正常心电信号和J波信号，根...

【专利技术属性】
技术研发人员：李灯熬，赵菊敏，牛慧颖，
申请(专利权)人：太原理工大学，
类型：发明
国别省市：山西;14