[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

说明书

本发明涉及一种基于多特征融合与Stacking‑DWKNN的心律失常分类方法，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}；S3、将步骤S2中的数据集中的任一个集合或任意多个集合的组合输入到采用Stacking集成多个通过权值改进的KNN算法中进行心搏分类；本发明提供的心搏分类方法能够有效提高心搏分类的结果准确性。

技术领域

本发明属于心律失常分类方法技术领域，基于多特征融合与Stacking-DWKNN算法的心律失常分类方法。

背景技术

心电图(ECG)是一种非侵入性，廉价且成熟的诊断工具，广泛应用于多种应用。它代表心脏电活动随时间的变化，并包含广泛用于分析心脏功能的基本生理信息，这对于心律失常的检测很重要。大多数心律失常是无害的，但有些可能会立即危及人们的生命。因此，准确检测患者的心律失常在预防心血管疾病中发挥着至关重要的作用。心电图(ECG)具有易于获取和设备成本低的优点，可用于判断心律失常是窦性还是异位性，是初步诊断心律失常的重要依据。通过逐一分析心电图上波形的变化，可以检测出不同类型的心律失常。然而，在不同条件下,ECG信号的形态和时间特征有着显著的差异，部分心律失常仅在患者的日常生活中偶尔发生，需要使用动态心电图记录长时间的ECG活动。传统的动态心电图分析是手动完成的，但逐拍手动分析长期心电图是耗时且不切实际的。因此智能诊断在医学中是至关重要的，它可以帮助医生更好地诊断心律失常。

发明内容

本发明的目的是克服现有技术的不足而提供一种基于多特征融合与Stacking-DWKNN算法的心律失常分类方法。

本发明的技术方案如下：

一种基于多特征融合与Stacking-DWKNN算法的心律失常分类方法，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}；

S3、将步骤S2中的数据集中的任一个集合或任意多个集合的组合输入到采用Stacking集成多个通过权值改进的KNN算法中进行心搏分类。

进一步的，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。

进一步的，将步骤S2中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}。

进一步的，将数据集中集合A、集合G以及集合I中的一个集合或任意多个集合的组合输入到采用Stacking集成多个通过权值改进的KNN算法中进行心搏分类。