[发明专利]基于多特征融合与Stacking-DWKNN算法的心律失常分类方法

权利要求书

1.一种基于多特征融合与Stacking-DWKNN算法的心律失常分类方法，其特征在于，包括以下步骤：

S1、采用连续小波变化去除心电信号中的噪声；

S2、对经过步骤S1处理后的心电信号进行分割截取出完整的心搏，然后从截取出的心搏中进行特征提取，并将提取到的特征按类别建立以下数据集：

集合A＝{235单心搏形态特征}，

集合B＝{P-QRS-T波}，

集合C＝{PR间期}，

集合D＝{QT间期}，

集合E＝{ST段}，

集合F＝{RR间期}，

集合G＝{R幅值}，

集合H＝{T幅值}；

将所述数据集中的集合B、集合C、集合D、集合E、集合F组合后定义为新的集合I＝{P-QRS-T波、PR间期、QT间期、RR间期、ST段}；

S3、将步骤S2中的数据集中的集合A、集合G以及集合I的组合输入到采用Stacking集成多个通过权值改进的KNN算法中进行心搏分类。

2.根据权利要求1所述的基于多特征融合与Stacking-DWKNN算法的心律失常分类方法，其特征在于：所述235单心搏形态特征的提取方法为，利用注释文件中确定的位置，从心电图记录单个导联中提去除235个R峰附近的点，其中，R峰前有90个采样点，R峰后有144个采样点。

3.根据权利要求1述的基于多特征融合与Stacking-DWKNN算法的心律失常分类方法，其特征在于，所述步骤S3中Stacking-DWKNN算法的训练过程如下：以DWKNN算法作为Stacking的基分类器，将所述数据集输入到Stacking的第一层基分类器DWKNN算法中，产生的新的数据集输入到Stacking的第二层基分类器DWKNN算法中输出最终分类结果。

4.根据权利要求3所述的基于多特征融合与Stacking-DWKNN算法的心律失常分类方法，其特征在于，所述DWKNN算法的实现方式为：

S61、计算测试数据与个训练数据之间的距离；

S62、根据计算得出的距离按递增顺序进行排列，选取距离最小的K个点；

S63、确定前K个点所在类别的出现频率；

S64、返回前K个点中出现频率最高的类别作为测试数据的预测分类；

采用曼哈顿距离作为K的近邻算法中的度量函数，赋予样本点不同的权重作为KNN算法的度量函数。

5.根据权利要求4所述的基于多特征融合与Stacking-DWKNN算法的心律失常分类方法，其特征在于：所述K的取值范围为1-10。