基于shapelet将心电信号转换成图结构的分类方法技术

本发明专利技术公开了一种基于shapelet将心电信号转换成图结构的分类方法，属于心跳信息分析技术领域。获取心电信号数据集，用小波变换去噪算法对心电信号降噪处理，采用小波模极大值结合可变阈值法对降噪处理的信号处理,利用获得的心电信号R波峰位置信息，采用shapelet算法提取每个信号周期的P

【技术实现步骤摘要】
基于shapelet将心电信号转换成图结构的分类方法


[0001]本专利技术提供一种基于shapelet将心电信号转换成图结构的分类方法，属于心跳信息分析


技术介绍

[0002]由于在对人体状态监测中，心电图容易受到各种干扰信号的影响，临床往往要基于人工根据常识主观忽略受严重干扰的心电波形，再进行判断。这种基于人工分析的心电图识别不但效率低、实时性差，而且容易导致诊断结果误判。
[0003]传统分析方法常通过提取心电信号特征对信号进行分类。近年来，随着深度神经网络技术和人工智能等技术的兴起，应用深度学习方法对心电信号分类的研究也日渐增多。然而，无论是传统分析方法还是机器学习分类的方法都只是对心电信号的分类，即识别心电信号是正常信号还是异常信号，现有技术中缺乏对心电信号中的异常事件分类的相关方案。随着对时间序列研究的不断深入，当前数据挖掘、深度学习、机器学习等技术广泛用于金融、医疗、生物等诸多领域，其目的是为了获得不同序列的特征，同时心电图数据也是一种时间序列数据，而时间序列shapelet算法在处理时间序列领域内的问题能够发挥有效的作用。时间序列建模旨在发现按时间顺序排列的数据中的时间关系。这里的关键问题是如何提取时间序列的代表特征。以前框架的很大一部分范围从经典的特征工程和表示学习到基于深度学习的模型，而大部分深度学习的模型都是端到端的学习方式，虽然这些方法取得了良好的性能但它们也因缺乏可解释性而受到批评。另一方面，时间序列shapelet是代表一个类别的时间序列子序列，可以在分类场景中提供直接可解释和解释性的见解。
[0004]事实上，心电信号中的异常事件对于心电信号分析至关重要，心电信号中的异常事件包括心肌梗塞、心力衰竭、心律失常、束支传导阻滞、后壁心肌梗死等等，然而现有技术中对心电信号中的异常事件分类的相关方案缺乏一定的解释性和准确度。本专利技术采用的时间序列shapelet能够有效的对心电信号进行提取特征并利用深度学习模型GCN对数据集进行分类，从而使结果更加准确。

技术实现思路

[0005]针对上述现有技术存在的问题，本专利技术提供一种基于shapelet将心电信号转换成图结构的分类方法能够有效的进行心电信号的识别，该方法省时省力，能够有效的分析心电图数据，提高识别效率和准确率。
[0006]为实现上述技术目的，本专利技术的一种基于shapelet将心电信号转换成图结构的分类方法，其特征在于：通过时间序列shapelet算法将不同的心电图数据信号转化为shapelet特征序列，利用shapelet特征序列构建shapelet转换矩阵，利用shapelet转换矩阵捕捉shapelet随时间演化过程，以体现心电信号特征随时间的变化；
[0007]具体步骤如下：
[0008]S1：从诊断心电数据库中获取代表不同心脏特征的多组心电图数据信号，将多组
心电图数据信号组成心电图数据集T＝{t1,
····
,t
|T|
}；
[0009]S2：对获取的心电图数据集进行预处理，利用小波变换去噪算法对心电图数据集中的各组心电图数据信号进行降噪处理；
[0010]S3：采用小波模极大值结合可变阈值法对降噪后的每组心电图数据集进行处理：先使用Mallat算法对降噪后的心电图数据集进行变换，再通过对心电图数据集零点进行定位，从而对心电图数据集在时域空间上的R波峰值定位；
[0011]S4：利用R波峰值的定位信息以及心电图的周期信息，将对应该组心电图数据集划分为多个子序列，通过时间序列shapelet算法提取每个划分出来的心电信号子序列的特征序列，并将提取出来的特征序列定义为shapelet特征序列；
[0012]S5：将提取的shapelet特征序列构建图结构的shapelet转换矩阵，即有向加权图G，并根据多种不同心脏状态的心电图信号对应生成多个shapelet转换矩阵：使用shapelet转换矩阵学习心电信号序列的表示，shapelet特征序列作为图结构的每一个节点，并根据每个shapelet特征序列之间的权重关系来确定每个节点之间的权重进而构造有向加权图G＝(V,E)，其中V代表有向加权图G中的每条顶点，V由K个顶点组成，每个顶点表示一个shapelet特征序列，通过这个序列构造的节点，有向加权图G的每个有向边e
ij
∈E都与一个权重w
ij
相关联；
[0013]S6：设定图卷积神经网络GCN的常规模型参数，将shapelet转换矩阵对应的有向加权图G数据集划分为70％的训练集和30％的测试集输入图卷积神经网络模型GCN中，设置GCN模型各参数后进行训练，通过图卷积神经网络模型GCN的卷积操作后再经过Softmax函数得到每个不同特征心电信号样本的概率，利用GCN模型处理心电信号转换成的有向加权图G，有向加权图G中每个节点对应一个shapelet特征序列，代表一种心脏疾病的心电信号的特征序列；经过模型训练后可以获得每个节点的一个向量值，也就是每一种心脏状态的疾病，然后经过softmax函数得到每一个向量的概率达到分类的目的，并对输出类别的预测概率进行归一化处理，从而识别出患有不同心血管疾病的病人的心电信号。
[0014]进一步，其特征在于，利用小波变换去噪算法对心电图数据信号进行降噪处理的具体步骤为：
[0015]S2.1、选择Coifiet小波系中的coif4作为小波去噪中的小波基函数是对心电信号进行时域以及频域分析的最为理想的工具；
[0016]S2.2、采用公式(1)根据心电图的采样频率和噪声频率来确定去噪过程中的小波分解层数j；
[0017][0018]式中，f
s
为采样频率，f
noise
＝infmin{fnoise1,fnoise2......fnoisen}为选取数据库中的心电信号，所有噪声中频率最低的为下限频率，其中，f
noise
1,f
noise2
......f
noisen
为心电信号中所包含的N种不同噪声类型的频带，[x]表示向下取整；
[0019]S2.3、根据公式(2)采用离散小波变换对心电信号进行去噪；
[0020][0021]式中，Ψ
jk
(t)为离散小波基；为Ψ
jk
(t)复共轭；WT
f
(j,k)为离散小波变换系数。
[0022]进一步，利用公式(3)计算有向加权图的权重；
[0023][0024]式中，为欧几里得距离或基于不同时间序列表示和状态识别方法的其他距离，X
t
为划分心电信号子序列，Θ
v
为提取的心电信号shapelet特征序列，将S4中所提取的shapelet特征序列做为有向加权图的每一个节点，根据权重公式(3)来计算每个不同shpelet特征序列和分配不同心电信号子序列的欧几里德距离或DTW距离从而构建本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于shapelet将心电信号转换成图结构的分类方法，其特征在于：通过时间序列shapelet算法将不同的心电图数据信号转化为shapelet特征序列，利用shapelet特征序列构建shapelet转换矩阵，利用shapelet转换矩阵捕捉shapelet随时间演化过程，以体现心电信号特征随时间的变化；具体步骤如下：S1：从诊断心电数据库中获取代表不同心脏特征的多组心电图数据信号，将多组心电图数据信号组成心电图数据集T＝{t1,
····
,t
|T|
}；S2：对获取的心电图数据集进行预处理，利用小波变换去噪算法对心电图数据集中的各组心电图数据信号进行降噪处理；S3：采用小波模极大值结合可变阈值法对降噪后的每组心电图数据集进行处理：先使用Mallat算法对降噪后的心电图数据集进行变换，再通过对心电图数据集零点进行定位，从而对心电图数据集在时域空间上的R波峰值定位；S4：利用R波峰值的定位信息以及心电图的周期信息，将对应该组心电图数据集划分为多个子序列，通过时间序列shapelet算法提取每个划分出来的心电信号子序列的特征序列，并将提取出来的特征序列定义为shapelet特征序列；S5：将提取的shapelet特征序列构建图结构的shapelet转换矩阵，即有向加权图G，并根据多种不同心脏状态的心电图信号对应生成多个shapelet转换矩阵：使用shapelet转换矩阵学习心电信号序列的表示，shapelet特征序列作为图结构的每一个节点，并根据每个shapelet特征序列之间的权重关系来确定每个节点之间的权重进而构造有向加权图G＝(V,E)，其中V代表有向加权图G中的每条顶点，V由K个顶点组成，每个顶点表示一个shapelet特征序列，通过这个序列构造的节点，有向加权图G的每个有向边e
ij
∈E都与一个权重w
ij
相关联；S6：设定图卷积神经网络GCN的常规模型参数，将shapelet转换矩阵对应的有向加权图G数据集划分为70％的训练集和30％的测试集输入图卷积神经网络模型GCN中，设置GCN模型各参数后进行训练，通过图卷积神经网络模型GCN的卷积操作后再经过Softmax函数得到每个不同特征心电信号样本的概率，利用GCN模型处理心电信号转换成的有向加权图G，有向加权图G中每个节点对应一个shapelet特征序列，代表一种心脏疾病的心电信号的特征序列；经过模型训练后可以获得每个节点的一个向量值，也就是每一种心脏状态的疾病，然后经过softmax函数得到每一个向量的概率达到分类的目的，并对输出类别的预测概率进行归一化处理，从而识别出患有不同心血管疾病的病人的心电信号。2.根据权利要求1所述的一种基于时间序列shapelet将心电信号转换成图结构的分类方法，其特征在于，利用小波变换去噪算法对心电图数据信号进行降噪处理的具体步骤为：S2.1、选择Coifiet小波系中的coif4作为小波去噪中的小波基函数是对心电信号进行时域以及频域分析的最为理想的工具；S2.2、采用公式(1)根据心电图的采样频率和噪声频率来确定去噪过程中的小波分解层数j；
式中，f
s
为采样频率，f
noise
＝infmin{fnoise1,fnoise2......fnoisen}为选取数据库中的心电信号，所有噪声中频率最低的为下限频率，其中，f
noise
1,f
noise2
......f
noisen
为心电信号中所包含的N种不同噪声类型的频带，[x]表示向下取整；S2.3、根据公式(2)采用离散小波变换对心电信号进行去噪；式中，Ψ
jk
(t)为离散小波基；为Ψ
jk
(t)复共轭；WT
f
(j,k)为离散小波变换系数。3.根据权利要求1所述的基于shapelet将心电信号转换成图结构的分类方法，其特征在于，利用公式(3)计算有向加权图的权重；式中，为欧几里得距离或基于不同时间序列表示和状态识别方法的其他距离，X
t
为划分心电信号子序列，Θ
v
为提取的心电信号shapelet特征序列，将S4中所提取的shapelet特征序列做为有向加权图的每一个节点，根据权重公式(3)来计算每个不同shpelet特征序列和分配不同心电信号子序列的欧几里德距离或DTW距离从而构建图结构的边，最终将提取的不同shapelet特征序列转换成有向加权图结构。4.根据权利要求3所述的基于shapelet将心电信号转换成图结构的分类方法，其特征在于，提取心电信号shapelet特征序列具体包括：S4.1、为保证不同心跳样本数据的真实性每一次心跳共设多个个采样点，其中心电信号集T＝{t1,
····
,
t|T|
}，其中每个心电信号t包含n个按时间顺序排列的元素，即t＝{x1,
····
...

【专利技术属性】
技术研发人员：杨小冬，朱正平，何爱军，洪彬一，闫臣，
申请(专利权)人：中国矿业大学，
类型：发明
国别省市：