近年來,基于單域的特征提取方法已經(jīng)得到廣泛的研究,并被用于心律失常的檢測分類.事實上,多域特征提取在其分類中往往表現(xiàn)得更好.本文利用MIT/BIH心律失常數(shù)據(jù)庫中的48組ECG信號進(jìn)行預(yù)處理,從時域、頻域和小波域提取了信號的三域特征,這些特征從各個方面充分表征了ECG信號的性質(zhì).再利用基于網(wǎng)格搜索的SVM結(jié)合歸一化特征可將ECG信號劃分為常見的4類.該方法的總體精度達(dá)到98.01%,f₁分值為0.9800,對ECG信號的檢測性能良好,相對目前絕大多數(shù)ECG信號分類器具有更強的泛化能力. 

【文章來源】：四川大學(xué)學(xué)報(自然科學(xué)版). 2020,57(02)北大核心CSCD

【文章頁數(shù)】：7 頁

【部分圖文】：

圖３３層小波包分解樹Ｆｉｇ．３Ｔｈｒｅｅ－ｌｅｖｅｌｗａｖｅｌｅｔｐａｃｋｅｔｄｅｃｏｍｐｏｓｉｔｉｏｎｔｒｅｅ．

ｕｓＷａｖｅｌｅｔＴｒａｎｓｆｏｒｍ，ＣＷＴ）對原始ＥＣＧ信號進(jìn)行預(yù)處理，可同時去除各種干擾．然后從時域、頻域和小波域中分別提取特征，把這些特征歸一化后結(jié)合ＧＳ－ＳＶＭ（基于網(wǎng)格搜索的ＳＶＭ）對ＥＣＧ信號進(jìn)行分類．最后用基于混淆矩陣的評價指標(biāo)來評價算法的性能．２提出的方法本文提出的ＥＣＧ信號檢測方法主要包括ＥＣＧ信號的獲取、預(yù)處理及分割、特征提取和歸一化，最后采用ＧＳ－ＳＶＭ進(jìn)行分類．整個流程圖如圖１所示．圖１ＥＣＧ信號分類流程Ｆｉｇ．１ＴｈｅｐｒｏｃｅｓｓｏｆＥＣＧｓｉｇｎａｌｃｌａｓｓｉｆｉｃａｔｉｏｎ２．１數(shù)據(jù)獲取及預(yù)處理本文的數(shù)據(jù)來源于ＭＩＴ／ＢＩＨ的心律失常數(shù)據(jù)庫．該數(shù)據(jù)庫包含４８組３０ｍｉｎＥＣＧ信號，ＥＣＧ數(shù)據(jù)采樣頻率為３６０Ｈｚ．每組數(shù)據(jù)都從兩個引導(dǎo)通道收集．讀�。矗附MＥＣＧ數(shù)據(jù)，選擇合適的數(shù)據(jù)量進(jìn)行研究．標(biāo)定正�！�；左束支傳導(dǎo)阻滯—Ｌ；右束支傳導(dǎo)阻滯—Ｒ；所有其他ＥＣＧ信號類型為“其他”—“Ｏ”，數(shù)據(jù)集劃分如表１所示．表１ＭＩＴ／ＢＩＨ數(shù)據(jù)庫中數(shù)據(jù)集劃分Ｔａｂ．１ＤａｔａｄｉｖｉｓｉｏｎｉｎＭＩＴ／ＢＩＨｄａｔａｂａｓｅ心律類型ＭＩＴ－ＢＩＨ中心拍總數(shù)／選取心拍數(shù)訓(xùn)練集測試集Ｎ７５０１６／１００１６７０１１３００５Ｌ８０７２／８０７２５６５０２４２２Ｒ７２５５／７２５５５０７９２１７７“Ｏ”１９９１１／９９１１６９３８２９７３總數(shù)３５２５５２４６７８１０５７７直接從ＭＩＴ－ＢＩＨ心律失常數(shù)據(jù)庫

ＰＶ）ＮＰＶ＝ＴＮＴＮ＋ＦＮＦ１分值Ｆ１ｓｏｒｅ＝２×ＲＥＣ×ＰＲＥＲＥＣ＋ＰＲＥ３．２仿真結(jié)果與分析ＧＳ－ＳＶＭ結(jié)合三域特征的ＥＣＧ信號分類算法是在Ｍａｔｌａｂ平臺上實現(xiàn)的．利用訓(xùn)練集訓(xùn)練ＳＶＭ圖４搜索最優(yōu)Ｃ與λ的三維網(wǎng)格Ｆｉｇ．４Ｔｈｒｅｅ－ｄｉｍｅｎｓｉｏｎａｌｇｒｉｄｇｒａｐｈｏｆｓｅａｒｃｈｉｎｇｔｈｅｏｐｔｉ－ｍａｌＣａｎｄλ分類器，通過測試集輸出分類器的準(zhǔn)確率，整個參數(shù)搜索過程可以用圖４中的三維網(wǎng)格圖表示．網(wǎng)格處的紅點位置標(biāo)記著最高分類準(zhǔn)確率，同時也對應(yīng)著最優(yōu)的Ｃ與λ．為了探索不同域的特征對分類結(jié)果的影響，利用每一類特征、每兩類特征和所有三類特征分別結(jié)合ＧＳ－ＳＶＭ對ＥＣＧ信號進(jìn)行分類，以獲得分類準(zhǔn)確率和特征種類關(guān)系的折線圖如圖５所示，圖中ｆｔ、ｆｆ、ｆｗ分別表示提取自時域、頻域、小波域的特征．由折線圖可知，如果僅利用一種特征來對ＥＣＧ信號分類，小波域特征的效果最好，這是因為它對ＥＣＧ信號的解釋最為細(xì)致．時域特征有著最差的效果，這也解釋著醫(yī)生如果僅憑時域經(jīng)驗準(zhǔn)則來分析ＥＣＧ信號，結(jié)果可能會出現(xiàn)較大的偏差．但是對于分類器而言，時域信號對于提升ＥＣＧ信號分類正確率還是有一定的幫助．將測試集輸入到最優(yōu)參數(shù)配置的ＳＶＭ中，得到表５所示的混淆矩陣．該矩陣詳細(xì)的展示了４類ＥＣＧ信號的分類情況．圖５三類特征對分類器的影響Ｆｉｇ．５Ｅｆｆｅｃｔｏｆｔｈｒｅｅｔｙｐｅｓｏｆｆｅａ

【參考文獻(xiàn)】：
期刊論文
[1]分支定界半監(jiān)督SVM在油層識別中的應(yīng)用[J]. 賀紫平,夏克文,潘用科,王莉.  重慶郵電大學(xué)學(xué)報(自然科學(xué)版). 2019(04)
[2]基于二維離散小波的生成圖像鑒別方法[J]. 楊健,楊超宇,李慧宗.  吉林大學(xué)學(xué)報(理學(xué)版). 2019(03)
[3]基于連續(xù)小波變換的多數(shù)據(jù)心率提取方法[J]. 蔣騰,胡濤,祝民鵬,陳丹.  現(xiàn)代雷達(dá). 2019(05)
[4]基于區(qū)域標(biāo)記法的代價敏感支持向量機(jī)在股票預(yù)測中的研究[J]. 秦璐,李旭偉.  四川大學(xué)學(xué)報(自然科學(xué)版). 2018(02)
[5]面向SVM的隱私保護(hù)方法研究進(jìn)展[J]. 彭曉冰,李啟順,王麗珍,朱玉全.  江蘇大學(xué)學(xué)報(自然科學(xué)版). 2017(01)
[6]基于改進(jìn)的網(wǎng)格搜索法的SVM參數(shù)優(yōu)化[J]. 王健峰,張磊,陳國興,何學(xué)文.  應(yīng)用科技. 2012(03)

碩士論文
[1]基于小波包和神經(jīng)網(wǎng)絡(luò)的心電信號分類方法研究[D]. 袁丹陽.天津工業(yè)大學(xué) 2017



本文編號：3238312