一種基于小波包和近似熵的心電信號分類方法
【專利摘要】本發(fā)明提出了一種基于小波包和近似熵的心電信號分類方法。對預(yù)處理后的心電信號進行小波包分解，提取各節(jié)點的小波包系數(shù)，然后計算各小波包系數(shù)的近似熵。將求得的近似熵作為特征向量輸入到支持向量機分類器，并采用粒子群算法尋找支持向量機分類器的最優(yōu)參數(shù)，對多種心電信號進行分類。小波包分解是一種分析非平穩(wěn)信號的有效方法。近似熵只要較少的數(shù)據(jù)量就能得到比較穩(wěn)健的估計值，具有較好的抗噪和抗干擾能力，且不論信號是隨機的或確定性的都可以使用。本發(fā)明提取特征向量算法簡單，不需要傳統(tǒng)方法的降維，速度快，耗時少，而且分類準(zhǔn)確率高，適用于心電自動分析輔助診斷系統(tǒng)。
【專利說明】一種基于小波包和近似熵的心電信號分類方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于醫(yī)學(xué)信號處理【技術(shù)領(lǐng)域】，涉及一種基于小波包和近似熵的心電信號分類方法。
【背景技術(shù)】
[0002]心電圖是心臟電活動在體表的綜合反映，為診斷心臟和心血管系統(tǒng)的功能變化提供了重要的參考依據(jù)。心電圖的模式分類主要依賴于心電信號特征向量的正確提取和分類方法的準(zhǔn)確性，是心電信號自動分析診斷的重要部分。目前已有很多學(xué)者對此進行了研究，主要涉及心電信號的特征提取和分類方法兩方面。傅里葉變換提取時頻域特征簡單準(zhǔn)確，但不能準(zhǔn)確的反應(yīng)心電信號的形態(tài)特征，并且容易受噪聲干擾；KPL、小波變換等特征提取雖各有特點，但準(zhǔn)確性、抗干擾性等存在不足。傳統(tǒng)的特征提取主要利用線性變換方法提取心電信號的單一特征，不能完整的反映心電信號的非線性結(jié)構(gòu)，主成分分析、獨立成分分析雖可以提取信號的非線性特征，但需要提取大量的特征，再進行降維選取，比較耗時。神經(jīng)網(wǎng)絡(luò)法難以確立最優(yōu)的網(wǎng)絡(luò)結(jié)構(gòu)，環(huán)境適應(yīng)力不高且可能存在著過學(xué)習(xí)或者容易陷入局部最小點的問題，推廣性不強。
[0003]針對上述問題，結(jié)合心電信號的混沌特性，本發(fā)明提出一種基于小波包和近似熵的心電信號分類方法，將小波包分解這種非線性信號分解工具和近似熵這種非線性度量方法相結(jié)合來提取心電信號的非線性特征。小波包分解是一種更精細的分解方法，對信號高、低頻部分都進行分解，包含信息更全面。近似熵是一種非線性動力學(xué)參數(shù)，計算所需數(shù)據(jù)量少，抗噪、抗干擾能力強，對確定性信號和隨機信號都適用。本發(fā)明能夠快速準(zhǔn)確地提取信號的非線性特征向量。支持向量機(Support Vector Machine, SVM)以最小化泛化誤差的上界為目標(biāo)，從理論上得到一個全局最優(yōu)解，并且具有最佳的泛化能力，克服了神經(jīng)網(wǎng)絡(luò)分類和傳統(tǒng)統(tǒng)計分類方法的許多缺點，能夠根據(jù)現(xiàn)有樣本信息在模型的復(fù)雜性和學(xué)習(xí)能力之間尋求最佳折中，最重要的優(yōu)點是它的推廣能力和小樣本高維空間的非線性分類。本發(fā)明運用SVM分類器能夠高效準(zhǔn)確地對心電信號進行分類。

【發(fā)明內(nèi)容】

[0004]本發(fā)明的目的在于提供一種基于小波包和近似熵的心電信號分類方法。對預(yù)處理后的心電信號進行小波包分解，提取小波包系數(shù)，然后計算各小波包系數(shù)的近似熵。將求得的近似熵作為特征向量輸入到SVM分類器，并采用粒子群算法(Particle SwarmOptimization, PS0)尋找使分類率達到最高的SVM分類器的最優(yōu)參數(shù)，對多種心電信號進行分類。
[0005]本發(fā)明通過以下技術(shù)方案實現(xiàn):
[0006]基于小波包和近似熵的心電信號分類方法的實現(xiàn)步驟如下:
[0007](I)對預(yù)處理后的心電信號進行小波包分解；
[0008](2)計算不同頻段的小波包系數(shù)的近似熵值，由不同頻段近似熵值組成新的特征向量;
[0009](3)使用上述特征向量作為樣本訓(xùn)練SVM，然后使用訓(xùn)練后的SVM對心電信號進行分類，獲得分類結(jié)果。
[0010]在上述步驟(1)中，采用db6小波基對預(yù)處理后的心電信號進行3層小波包分解。
[0011]在上述步驟(2)中，計算不同頻段小波包系數(shù)的近似熵值時，選取信號的點數(shù)N =1000，模式維數(shù)m = 2，相似容限r(nóng) = 0.2SD。
[0012]在上述步驟(3)中，訓(xùn)練SVM時，采用PSO算法尋找SVM的最優(yōu)參數(shù)，使得分類準(zhǔn)
確率達到最高。
[0013]本發(fā)明的效果和益處是:本發(fā)明針對心電信號的混沌特性，將小波包分解與近似熵結(jié)合來提取心電信號的非線性特征向量。小波包變換是一種分析非平穩(wěn)信號的有效方法，能夠準(zhǔn)確表征心電信號的非平穩(wěn)特性；近似熵是非線性動力學(xué)指標(biāo)，能夠準(zhǔn)確表征心電信號的非線性特性。本發(fā)明不僅能夠高效快速的提取特征向量，而且不需要傳統(tǒng)方法的降維，耗時少，效率高，采用PSO算法迭代尋優(yōu)，能夠獲得較高的分類準(zhǔn)確率，適用于心電自動分析輔助診斷系統(tǒng)。
【專利附圖】

【附圖說明】
[0014]圖1是本發(fā)明算法總體流程圖；
[0015]圖2是105號信號進行3層小波包分解的結(jié)果圖；
[0016]圖3是樣本標(biāo)簽和分布圖；
[0017]圖4是PSO算法參數(shù)尋優(yōu)的結(jié)果圖；
[0018]圖5是分類結(jié)果圖。
【具體實施方式】
[0019]以下結(jié)合技術(shù)方案和附圖詳細敘述本發(fā)明的具體實施例，本實施例在以本發(fā)明技術(shù)方案為前提下進行實施，給出了詳細的實施方式和具體的操作過程。
[0020]如圖1所示，本實施例包括如下步驟:
[0021]1.小波包分解
[0022]根據(jù)心電信號特征波形，選用db6小波作為小波基函數(shù)對預(yù)處理后的心電信號進行3層小波包分解。
[0023]小波包系數(shù)遞推公式為:
【權(quán)利要求】
1.一種基于小波包和近似熵的心電信號分類方法，其特征在于包括如下步驟: (1)對預(yù)處理后心電信號進行小波包分解； (2)計算不同頻段的小波包系數(shù)的近似熵值，由不同頻段近似熵值組成新的特征向量; (3)使用上述特征向量作為樣本訓(xùn)練支持向量機，然后使用訓(xùn)練后的支持向量機對心電信號進行分類，獲得分類結(jié)果。
2.根據(jù)權(quán)利要求1所述的基于小波包和近似熵的心電信號分類方法，其特征在于步驟(1)中采用db6小波基對預(yù)處理后的心電信號進行3層小波包分解。
3.根據(jù)權(quán)利要求1所述的基于小波包和近似熵的心電信號分類方法，其特征在于步驟(2)中計算不同頻段小波包系數(shù)的近似熵值時，首先確定信號的點數(shù)N，模式維數(shù)m，相似容限r(nóng)。
4.根據(jù)權(quán)利要求1所述的基于小波包和近似熵的心電信號分類方法，其特征在于步驟(3)中訓(xùn)練支持向量機時，采用粒子群算法尋找支持向量機的最優(yōu)參數(shù)，使得分類準(zhǔn)確率達至丨J最聞。
【文檔編號】G06K9/62GK103927556SQ201410192705
【公開日】2014年7月16日 申請日期:2014年5月7日 優(yōu)先權(quán)日:2014年5月7日
【發(fā)明者】李鴻強, 馮秀麗, 陳雪龍, 梁歡 申請人:天津工業(yè)大學(xué)