[发明专利]一种基于小波包和近似熵的心电信号分类方法

说明书

技术领域

本发明属于医学信号处理技术领域，涉及一种基于小波包和近似熵的心电信号分类方法。

背景技术

心电图是心脏电活动在体表的综合反映，为诊断心脏和心血管系统的功能变化提供了重要的参考依据。心电图的模式分类主要依赖于心电信号特征向量的正确提取和分类方法的准确性，是心电信号自动分析诊断的重要部分。目前已有很多学者对此进行了研究，主要涉及心电信号的特征提取和分类方法两方面。傅里叶变换提取时频域特征简单准确，但不能准确的反应心电信号的形态特征，并且容易受噪声干扰；KPL、小波变换等特征提取虽各有特点，但准确性、抗干扰性等存在不足。传统的特征提取主要利用线性变换方法提取心电信号的单一特征，不能完整的反映心电信号的非线性结构，主成分分析、独立成分分析虽可以提取信号的非线性特征，但需要提取大量的特征，再进行降维选取，比较耗时。神经网络法难以确立最优的网络结构，环境适应力不高且可能存在着过学习或者容易陷入局部最小点的问题，推广性不强。

针对上述问题，结合心电信号的混沌特性，本发明提出一种基于小波包和近似熵的心电信号分类方法，将小波包分解这种非线性信号分解工具和近似熵这种非线性度量方法相结合来提取心电信号的非线性特征。小波包分解是一种更精细的分解方法，对信号高、低频部分都进行分解，包含信息更全面。近似熵是一种非线性动力学参数，计算所需数据量少，抗噪、抗干扰能力强，对确定性信号和随机信号都适用。本发明能够快速准确地提取信号的非线性特征向量。支持向量机(Support Vector Machine，SVM)以最小化泛化误差的上界为目标，从理论上得到一个全局最优解，并且具有最佳的泛化能力，克服了神经网络分类和传统统计分类方法的许多缺点，能够根据现有样本信息在模型的复杂性和学习能力之间寻求最佳折中，最重要的优点是它的推广能力和小样本高维空间的非线性分类。本发明运用SVM分类器能够高效准确地对心电信号进行分类。

发明内容

本发明的目的在于提供一种基于小波包和近似熵的心电信号分类方法。对预处理后的心电信号进行小波包分解，提取小波包系数，然后计算各小波包系数的近似熵。将求得的近似熵作为特征向量输入到SVM分类器，并采用粒子群算法(Particle Swarm Optimization，PSO)寻找使分类率达到最高的SVM分类器的最优参数，对多种心电信号进行分类。

本发明通过以下技术方案实现：

基于小波包和近似熵的心电信号分类方法的实现步骤如下：

(1)对预处理后的心电信号进行小波包分解；

(2)计算不同频段的小波包系数的近似熵值，由不同频段近似熵值组成新的特征向量；

(3)使用上述特征向量作为样本训练SVM，然后使用训练后的SVM对心电信号进行分类，获得分类结果。

在上述步骤(1)中，采用db6小波基对预处理后的心电信号进行3层小波包分解。

在上述步骤(2)中，计算不同频段小波包系数的近似熵值时，选取信号的点数N＝1000，模式维数m＝2，相似容限r＝0.2SD。

在上述步骤(3)中，训练SVM时，采用PSO算法寻找SVM的最优参数，使得分类准确率达到最高。

本发明的效果和益处是：本发明针对心电信号的混沌特性，将小波包分解与近似熵结合来提取心电信号的非线性特征向量。小波包变换是一种分析非平稳信号的有效方法，能够准确表征心电信号的非平稳特性；近似熵是非线性动力学指标，能够准确表征心电信号的非线性特性。本发明不仅能够高效快速的提取特征向量，而且不需要传统方法的降维，耗时少，效率高，采用PSO算法迭代寻优，能够获得较高的分类准确率，适用于心电自动分析辅助诊断系统。

附图说明

图1是本发明算法总体流程图；

图2是105号信号进行3层小波包分解的结果图；

图3是样本标签和分布图；

图4是PSO算法参数寻优的结果图；

图5是分类结果图。

具体实施方式

以下结合技术方案和附图详细叙述本发明的具体实施例，本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程。

如图1所示，本实施例包括如下步骤：

1.小波包分解

根据心电信号特征波形，选用db6小波作为小波基函数对预处理后的心电信号进行3层小波包分解。

小波包系数递推公式为：