[发明专利]改进的快速S变换与点对称变换的心电信号快速分类方法

说明书

本发明涉及一种改进的快速S变换与点对称变换的心电信号快速分类方法，包括：针对麻省理工学院心电异常数据集的心电信号进行心电信号预处理；利用改进的快速S变换得到模时频矩阵，同时进行点对称变换、时域分析和非线性分析提取特征，提取所得特征构成特征向量集；构建KPCA‑LightGBM降维分类器模型，将特征向量集输入到KPCA‑LightGBM降维分类器模型得到分类结果。本发明在进行心电信号快速分类时具有较高的识别精度，实验结果表明，本发明的平均准确率可达99.74％，满足临床心电信号分类准确率要求；本发明在进行心电信号分类时具有较快的运算速度，单次分类时间为0.15s，满足心电信号快速分类时间要求。

技术领域

本发明涉及心电信号分类技术领域，尤其是一种改进的快速S变换与点对称变换的心电信号快速分类方法。

背景技术

近年来,心血管病的发病率呈明显上升趋势,而心律失常是心血管疾病中最常见的一种病症。心电图(ECG)信号是心脏电活动的记录器，可提供有关心脏性能的重要信息，是临床上常被用来识别心律失常的重要依据。不同心率对应不同的波形特征，传统方法依赖于心脏疾病专家凭借经验判断，具有很强的主观性，并且效率非常低。因此，设计一种高效的心电信号自动分类方法显得尤为重要。

目前心电信号的分类技术主要包括信号预处理、特征提取以及自动分类3个环节。信号预处理包括去除心电信号中的工频干扰、肌电信号干扰、基线漂移等噪声，并将心电信号进行分拍。针对心电信号的特征提取广大学者提出了不同的方法，主要包括三类： (1)时域特征；(2)频域特征；(3)统计特征。心电信号特征的准确提取直接关系到下一步心电信号的识别分类，因此应注重提取心电特征，在提取心电特征时应当考虑到时频域特征，还有形态学等其他多方面的特征,以充分提取心电信号特征，提升分类准确率。在心电信号的模式识别上主要包括支持向量机(SVM)、集成学习以及深度学习。总体来说，SVM训练时间较长，难以满足心电信号的快速性要求；深度学习对心电信号具有较高的识别分类率，但难收敛，容易出现过度拟合现象。

发明内容

本发明的目的在于提供一种分类速度快、识别精度高，满足临床心电信号分类准确率要求的改进的快速S变换与点对称变换的心电信号快速分类方法。

为实现上述目的，本发明采用了以下技术方案：一种改进的快速S变换与点对称变换的心电信号快速分类方法，该方法包括下列顺序的步骤：

(1)针对麻省理工学院心电异常数据集的心电信号进行心电信号预处理；

(2)对经过预处理后的数据，利用改进的快速S变换得到模时频矩阵，同时进行点对称变换、时域分析和非线性分析提取特征，提取所得特征构成特征向量集，将特征向量集按照3:1比例划分训练集和测试集；

(3)使用KPCA核主成分分析法进行降维，使用LightGBM轻梯度提升机进行分类，二者结合构建KPCA-LightGBM降维分类器模型，将特征向量集输入到KPCA-LightGBM降维分类器模型得到分类结果。

在步骤(1)中，所述预处理包括信号降噪和信号分段，所述信号降噪是指使用小波阈值db6和低通滤波器降噪；所述信号分段是指采用R波检测方法，以R波波峰为基准，向前取120个点，向后取180个点，共计300个点的长度构成一个样本。

在步骤(2)中，所述改进的快速S变换是指：

(2a)计算心电信号x(nT)的N点快速傅里叶变换频谱X(λ/NT)；

(2b)采用特征点快速定位算法，对频谱利用极大值包络快速定位特征频率点λ_i满足:

其中，i＝1,2,3,…l，l是心电信号中特征频率点的数目，ξ_k为设定阈值,k＝1,2,3；