[发明专利]一种基于支持向量机的QRS波群分类方法

说明书

技术领域

本发明涉及的是基于支持向量机的QRS波群分类方法，属于心电图(Electrocardiogram， ECG)自动诊断技术领域。

背景技术

在心电图中，QRS波群代表室间隔与左、右心室的电活动，体现心室除极的过程，其形态对分析心律失常、束支阻滞等心脏疾病有重要的诊断价值。通过对QRS波群形态的识别，分析QRS波群的异常，提高心电图自动诊断的准确度。

常用的QRS波群形态识别的方法有贝叶斯分类、模糊逻辑、K近邻分类、神经网络、多元统计、决策树等。这些算法有各自的优势，但也存在一定的局限性，比如典型的决策树分类算法，效率高且易于理解和实现，但是容易出现过拟合。

目前心电波形分类方案多集中于将心电波形进行简单分类，种类较少，比如将单个心动周期作为研究对象，将心电波形分类为正常心搏和异常心搏。

发明内容

本发明的目的在于克服现有技术存在的不足，提供一种基于支持向量机的QRS波群分类方法，该方法按照形态的不同对QRS波群进行分类，对数据进行归一化预处理和降维，选取径向基函数作为核函数；该方法通过交叉验证的办法确定正则化参数的值，通过随机选取训练集，经过反复训练和测试，最终得到最优分类模型，从而实现对不同形态的QRS波群的识别分类。

本发明解决其技术问题所采用的技术方案是：一种基于支持向量机的QRS波群分类方法，所述的分类方法包括下述步骤：

a)选取合适的QRS波群，对数据进行预处理；使用支持向量机，每两类数据之间进行训练分类模型；

b)读取需要预测波形类型的QRS波群数据；

c)对数据进行预处理，包括归一化处理和数据降维算法的处理；

d)利用分类模型对波形类型进行预测；

e)使用投票的办法实现对多种形态的QRS波群的识别分类，得到预测结果。

作为优选：步骤a)中，按照不同的波形类型保存QRS波群数据，并设定类别标签；对 QRS波群数据进行归一化和降维的处理，并按照一定的比例划分为训练集和预测集；选取合适的核函数；使用K-CV的方法对惩罚参数c和核函数参数g进行优化；

步骤d)中，所述的预测过程，选用“一对一”模式，即每两类数据之间设计一个分类器，进行分类模型的训练，K类数据共产生K(K-1)/2个分类模型；分别对训练集和预测集进行分类实验，查看分类效果；

步骤e)中，所述的投票法是：假设数据有N个类别，首先在每两个类别间设计一个分类器，共计N*(N-1)/2个支持向量机模型；然后使用上述模型对输入的QRS波群分类，得到 N*(N-1)/2个判别结果；最后统计票数最高的类型作为最终的分类结果。

作为优选：所述的步骤a)中，选取参与分类模型训练的QRS波群数据标准包括：去除肌电干扰较大的QRS波群，去除基线漂移严重的QRS波群；选取波形完整的QRS波群；选取不同病例的QRS波群，以保证训练集的QRS波群；

步骤c)中，所述的数据预处理是：首先对QRS波群的原始数据进行[-1,1]归一化，然后经过主成分分析算法(PCA)的处理，最后使用线性判别分析算法(LDA)进行降维处理。

本发明先通过支持向量机建立分类超平面进行二分类模型的训练，再由二分类实现多分类，最后通过投票的办法进行决策，从而实现对多种QRS波群形态的分类。

本发明采用支持向量机的方法进行分类，解决了过拟合的问题；通过选取适合心电数据的核函数，解决了线性不可分的问题；采用交叉验证的办法进行参数优化，进一步提高分类的准确率；按照QRS波群的形态进行分类，弥补了QRS波群分类粗略的不足；采用主成分分析和线性判别分析对数据降维，减小计算量，提高运行速度。

附图说明

图1为本发明所述基于支持向量机的QRS波群分类流程图。

图2为本发明所述训练分类模型流程图。

图3为本发明所述数据预处理流程图。

图4为本发明所述类型预测流程图。

具体实施方式

下面将结合具体实施例及附图对本发明做详细地介绍：图1-4所示，本发明所述的一种基于支持向量机的QRS波群分类方法，所述的分类方法包括下述步骤：

a)选取合适的QRS波群，对数据进行预处理；使用支持向量机，每两类数据之间进行训练分类模型；

b)读取需要预测波形类型的QRS波群数据；

c)对数据进行预处理，包括归一化处理和数据降维算法的处理；

d)利用分类模型对波形类型进行预测；