基于超完备特征的异常心电识别方法技术

一种信号处理技术领域的基于超完备特征的异常心电识别方法。本发明专利技术先用二次样条小波对连续的心电数据进行Ｒ点检测，根据Ｒ点位置对心电数据进行分段和数据预处理，然后分别用独立分量分析方法和离散小波变换方法对每个心跳进行特征提取得到一个超完备的特征集，并利用互信息方法进行特征收缩，最后利用支持向量机方法对提取的特征向量进行训练得到一个支持向量机模型，利用此支持向量机模型对新的心跳数据段进行自动分类识别。

【技术实现步骤摘要】

本专利技术涉及的是一种信号处理
的方法，具体是一种。
技术介绍
心电图(ECG)在临床医学上常被用来检测心脏活动情况，具有非常重要的临床价值。在心电图仪记录纸上记录一个完整的心电图波形，主要包括P波(心电图各波中最先出现的是代表左右两心房兴奋过程的P波)、QRS波群(代表两个心室兴奋传播过程的电位变化，典型的QRS波群包括三个相连的波动，第一个向下的波为Q波，继Q波后一个狭高向上的波为R波，与R波相连接的又一个向下的波为S波)、S-T段(由QRS波群结束到T波开始的平线)、T波(是继QRS波群后的一个波幅较低而波宽较长的电波，反映心室兴奋后再极化过程)。医学工作者就是根据心电图波形变化来分析、诊断心脏疾病的。但是人工诊断受到个人专业知识和临床经验的很大限制，同时诊断速度也慢，不能实时处理，五十年代末以来，随着计算机技术的发展，人们开始了对心电自动分析技术的研究。波形检测识别和参数提取是心电自动分析系统的关键，其准确性和可靠性决定着诊断的效果，乃至涉及挽救病人生命的成败。心律失常是衡量心脏电活动稳定性的一个重要指标。特别地，一些室性心律失常常被认为是生命受到威胁的前兆。心电自动分析的目标是进行心律失常诊断。目前临床上所用的心电自动分析系统都是运用磁带等记录介质预先记录下被监护对象在一段时间，如24小时内的三个导联心电图，然后由快速回放分析系统进行分析诊断。实际上是结合节律分析和QRS波形态分析，对每一搏进行模板归类，再依据预先确定的诊断标准来诊断。由于心律失常形态多样，心电自动波形检测还不完善，目前还没有统一的诊断标准，可以说心律失常分析尚处于初级阶段。经对现有技术的文献检索发现，M.I.Owis等在《Medical and BiologicalEngineering and Computing》(医学生物工程与计算)(2003年第1期227-231页)上发表的“Characterisation of electrocardiogram signals based on blind sourceseparation”(基于盲源分离的心电特征)，该文中提出用独立分量分析方法提取特征并对五类心电心跳进行分类，具体为用独立分量分析方法对心电信号进行分解，选择其中的219个分量作为特征，然后使用了贝叶斯最小误差分类器、最近邻分类器、最小距离分类器三种分类器分别作了比较，最终表明，使用219个分量，最近邻分类器对5类心电信号得到最好的结果，对正常心跳可达到100％分类准确度，其他四类分别是68.8％，68.8％，84.4％，87.5％。其不足在于只能对正常心跳达到很好的结果，其他四类准确度不高，而且仅仅对5类心电信号分类，其次由于使用的分量数目太多，使训练阶段计算复杂度非常高，如果采用的特征向量维数太高，就会影响识别时的性能，从而不能做到实时的心电自动识别。通常，一个实值信号可以用一组基函数的线性组合来表示，它是一种对高维数据空间编码的有效方法，比如，傅立叶或者小波都能提供一种对信号的有效表示，但是他们不能明确表示欠定信号。此时用所谓的超完备基来表示就成为了一种更通用的替代方法，它允许基函数的数目超过输入信号的维数。超完备基通过组合一系列的完备基(比如，傅立叶，小波)或者在完备基上加入一些基函数来组成。在超完备基下，信号的分解不是唯一的，但是这能提供一些有利条件，首先在表示数据的结构中非常灵活，并且在超完备基仅包含单类基函数时能得到更稀疏表示。另外，超完备表示提高了对信号中噪声表示的稳定性。本专利技术正是采用了超完备基的特性来提取心电信号的超完备特征。
技术实现思路
本专利技术的目的在于克服现有技术的不足，提供一种基于超完备特征提取方法的心电自动识别方法。使其能对14类心率失常数据快速提取特征并得到很高的分类精度，从而能实时对心电进行分类识别，可以用于临床医学和医学监护系统。本专利技术是通过以下技术方案实现的，本专利技术对心电图信号进行自动分类识别的过程主要包括三部分，数据预处理部分、特征提取部分，模式分类部分。数据预处理过程首先用二次样条小波对连续的心电图信号中的QRS波群中R点(QRS波群中R波顶点)位置进行检测，根据R点位置对心电数据进行分段和数据预处理，特征提取过程是关系整个识别效果的最关键部分，也是本专利技术的主要部分，分别用独立分量分析方法和离散小波变换方法对每个心跳进行特征提取得到一个超完备的特征集，并利用互信息方法进行特征收缩，最后，最后利用支持向量机方法对提取的特征向量进行训练得到一个支持向量机模型，利用此支持向量机模型对新的心跳数据段进行自动分类识别。所述的数据预处理部分主要分为两个部分，首先是QRS波的R点位置检测，其次是把连续的心电信号分段，分段是建立在对R点位置准确计算的基础上的。由于心电信号是非平稳的随机信号，再加上心电测量过程中容易受各种信号的干扰，而小波分析方法是典型的时频分析方法，在对R点位置检测中，使用小波多尺度分析方法可以很容易的检测到R点位置并且准确率非常高。在R点检测中，使用二次样条小波对连续的心电信号进行多尺度分解，分解后在各个尺度上对应源信号的R点位置处均有一个模极大值对与之对应，在3、4尺度上能量最大，模极大值对也更为明显。利用此原理首先在小波变换的4尺度上找到大于某一域值(一般选择最大值得2/3)的所有模极大值对，模极大值是成对出现，即存在一个极大值与一个相邻的极小值对应，由于某些原因可能极大值数目不等于极小值数目，则根据每一个极大值对应最相邻的一个极小值的方法消除冗余的模极值，确定了一一对应的模极大值后，分别在1，2，3尺度上找对应得模极大值对，最后在第1尺度上计算每个模极大值对的中间过零点的位置也就是要找的对应原始心跳的R点位置。R点检测结束后，在采样率为360Hz的情况下，为了得到每个完整的心跳波形，以R点位置为中心，取它之前120点，之后180个点作为一个心跳数据段，这样通常都包含了一个完整的心跳波形(P波，QRS波，T波)。为了减少基线漂移对分类的影响，需要对数据进行标准化操作，去均值使每个心跳都是零均值。从而完成了心电数据的分段与预处理操作。所述的特征提取部分是心电自动诊断识别的关键部分，也是本专利技术的主要内容，特征提取的好坏直接影响到识别的准确率与可靠性。本专利技术采取的特征提取方法是同时采用独立分量分析方法和小波分析方法分别提取两个特征集组成了一个超完备的特征集。然后利用基于互信息的特征收缩算法找到对分类起重要作用的一些特征来进行后续的分类，具体说明如下(1)独立分量分析方法提取心电特征时，首先要利用许多样本来训练一个独立分量特征基，FastICA(快速独立分量分析方法)是基于固定点算法来优化最大负熵从而找到独立分量，收敛速度快并且容易实现。选取10000个经过数据预处理分段后的正常心跳数据作为训练样本，每个心跳是一个300维的列向量。使用FastICA方法计算出18个独立分量基以及每个心跳的独立分量系数，这样原始心跳数据可以由变换后的独立分量系数来表示，从而达到特征提取的目的，其实质是经过变换把原来的信号投影到新的独立分量特征基上，最终训练得到一个解混矩阵W。然后利用矩阵W可以计算任意心跳的独立分量分解从而得到独立分量特征系数。(2)小波分析方法特征提取首本文档来自技高网...

【技术保护点】
一种基于超完备特征的异常心电识别方法，其特征在于，先用二次样条小波对连续的心电数据进行Ｒ点检测，根据Ｒ点位置对心电数据进行分段和数据预处理，然后分别用独立分量分析方法和离散小波变换方法对每个心跳进行特征提取得到一个超完备的特征集，并利用互信息方法进行特征收缩，最后利用支持向量机方法对提取的特征向量进行训练得到一个支持向量机模型，利用此支持向量机模型对新的心跳数据段进行自动分类识别。

【技术特征摘要】

【专利技术属性】
技术研发人员：赵启斌，张丽清，蒋星，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：31[中国|上海]