基于三域特征提取和GS-SVM的ECG信号智能分类技术研究
发布时间：2021-06-19 18:23
近年来,基于单域的特征提取方法已经得到广泛的研究,并被用于心律失常的检测分类.事实上,多域特征提取在其分类中往往表现得更好.本文利用MIT/BIH心律失常数据库中的48组ECG信号进行预处理,从时域、频域和小波域提取了信号的三域特征,这些特征从各个方面充分表征了ECG信号的性质.再利用基于网格搜索的SVM结合归一化特征可将ECG信号划分为常见的4类.该方法的总体精度达到98.01%,f1分值为0.9800,对ECG信号的检测性能良好,相对目前绝大多数ECG信号分类器具有更强的泛化能力.
【文章来源】：四川大学学报(自然科学版). 2020,57(02)北大核心CSCD
【文章页数】：7 页
【部分图文】：
图３３层小波包分解树Ｆｉｇ．３Ｔｈｒｅｅ－ｌｅｖｅｌｗａｖｅｌｅｔｐａｃｋｅｔｄｅｃｏｍｐｏｓｉｔｉｏｎｔｒｅｅ．
ｕｓＷａｖｅｌｅｔＴｒａｎｓｆｏｒｍ，ＣＷＴ）对原始ＥＣＧ信号进行预处理，可同时去除各种干扰．然后从时域、频域和小波域中分别提取特征，把这些特征归一化后结合ＧＳ－ＳＶＭ（基于网格搜索的ＳＶＭ）对ＥＣＧ信号进行分类．最后用基于混淆矩阵的评价指标来评价算法的性能．２提出的方法本文提出的ＥＣＧ信号检测方法主要包括ＥＣＧ信号的获取、预处理及分割、特征提取和归一化，最后采用ＧＳ－ＳＶＭ进行分类．整个流程图如图１所示．图１ＥＣＧ信号分类流程Ｆｉｇ．１ＴｈｅｐｒｏｃｅｓｓｏｆＥＣＧｓｉｇｎａｌｃｌａｓｓｉｆｉｃａｔｉｏｎ２．１数据获取及预处理本文的数据来源于ＭＩＴ／ＢＩＨ的心律失常数据库．该数据库包含４８组３０ｍｉｎＥＣＧ信号，ＥＣＧ数据采样频率为３６０Ｈｚ．每组数据都从两个引导通道收集．读取４８组ＥＣＧ数据，选择合适的数据量进行研究．标定正常—Ｎ；左束支传导阻滞—Ｌ；右束支传导阻滞—Ｒ；所有其他ＥＣＧ信号类型为“其他”—“Ｏ”，数据集划分如表１所示．表１ＭＩＴ／ＢＩＨ数据库中数据集划分Ｔａｂ．１ＤａｔａｄｉｖｉｓｉｏｎｉｎＭＩＴ／ＢＩＨｄａｔａｂａｓｅ心律类型ＭＩＴ－ＢＩＨ中心拍总数／选取心拍数训练集测试集Ｎ７５０１６／１００１６７０１１３００５Ｌ８０７２／８０７２５６５０２４２２Ｒ７２５５／７２５５５０７９２１７７“Ｏ”１９９１１／９９１１６９３８２９７３总数３５２５５２４６７８１０５７７直接从ＭＩＴ－ＢＩＨ心律失常数据库
ＰＶ）ＮＰＶ＝ＴＮＴＮ＋ＦＮＦ１分值Ｆ１ｓｏｒｅ＝２×ＲＥＣ×ＰＲＥＲＥＣ＋ＰＲＥ３．２仿真结果与分析ＧＳ－ＳＶＭ结合三域特征的ＥＣＧ信号分类算法是在Ｍａｔｌａｂ平台上实现的．利用训练集训练ＳＶＭ图４搜索最优Ｃ与λ的三维网格Ｆｉｇ．４Ｔｈｒｅｅ－ｄｉｍｅｎｓｉｏｎａｌｇｒｉｄｇｒａｐｈｏｆｓｅａｒｃｈｉｎｇｔｈｅｏｐｔｉ－ｍａｌＣａｎｄλ分类器，通过测试集输出分类器的准确率，整个参数搜索过程可以用图４中的三维网格图表示．网格处的红点位置标记着最高分类准确率，同时也对应着最优的Ｃ与λ．为了探索不同域的特征对分类结果的影响，利用每一类特征、每两类特征和所有三类特征分别结合ＧＳ－ＳＶＭ对ＥＣＧ信号进行分类，以获得分类准确率和特征种类关系的折线图如图５所示，图中ｆｔ、ｆｆ、ｆｗ分别表示提取自时域、频域、小波域的特征．由折线图可知，如果仅利用一种特征来对ＥＣＧ信号分类，小波域特征的效果最好，这是因为它对ＥＣＧ信号的解释最为细致．时域特征有着最差的效果，这也解释着医生如果仅凭时域经验准则来分析ＥＣＧ信号，结果可能会出现较大的偏差．但是对于分类器而言，时域信号对于提升ＥＣＧ信号分类正确率还是有一定的帮助．将测试集输入到最优参数配置的ＳＶＭ中，得到表５所示的混淆矩阵．该矩阵详细的展示了４类ＥＣＧ信号的分类情况．图５三类特征对分类器的影响Ｆｉｇ．５Ｅｆｆｅｃｔｏｆｔｈｒｅｅｔｙｐｅｓｏｆｆｅａ
【参考文献】：
期刊论文
[1]分支定界半监督SVM在油层识别中的应用[J]. 贺紫平,夏克文,潘用科,王莉. 重庆邮电大学学报(自然科学版). 2019(04)
[2]基于二维离散小波的生成图像鉴别方法[J]. 杨健,杨超宇,李慧宗. 吉林大学学报(理学版). 2019(03)
[3]基于连续小波变换的多数据心率提取方法[J]. 蒋腾,胡涛,祝民鹏,陈丹. 现代雷达. 2019(05)
[4]基于区域标记法的代价敏感支持向量机在股票预测中的研究[J]. 秦璐,李旭伟. 四川大学学报(自然科学版). 2018(02)
[5]面向SVM的隐私保护方法研究进展[J]. 彭晓冰,李启顺,王丽珍,朱玉全. 江苏大学学报(自然科学版). 2017(01)
[6]基于改进的网格搜索法的SVM参数优化[J]. 王健峰,张磊,陈国兴,何学文. 应用科技. 2012(03)
硕士论文
[1]基于小波包和神经网络的心电信号分类方法研究[D]. 袁丹阳.天津工业大学 2017
本文编号：3238312
【文章来源】：四川大学学报(自然科学版). 2020,57(02)北大核心CSCD
【文章页数】：7 页
【部分图文】：
图３３层小波包分解树Ｆｉｇ．３Ｔｈｒｅｅ－ｌｅｖｅｌｗａｖｅｌｅｔｐａｃｋｅｔｄｅｃｏｍｐｏｓｉｔｉｏｎｔｒｅｅ．
ｕｓＷａｖｅｌｅｔＴｒａｎｓｆｏｒｍ，ＣＷＴ）对原始ＥＣＧ信号进行预处理，可同时去除各种干扰．然后从时域、频域和小波域中分别提取特征，把这些特征归一化后结合ＧＳ－ＳＶＭ（基于网格搜索的ＳＶＭ）对ＥＣＧ信号进行分类．最后用基于混淆矩阵的评价指标来评价算法的性能．２提出的方法本文提出的ＥＣＧ信号检测方法主要包括ＥＣＧ信号的获取、预处理及分割、特征提取和归一化，最后采用ＧＳ－ＳＶＭ进行分类．整个流程图如图１所示．图１ＥＣＧ信号分类流程Ｆｉｇ．１ＴｈｅｐｒｏｃｅｓｓｏｆＥＣＧｓｉｇｎａｌｃｌａｓｓｉｆｉｃａｔｉｏｎ２．１数据获取及预处理本文的数据来源于ＭＩＴ／ＢＩＨ的心律失常数据库．该数据库包含４８组３０ｍｉｎＥＣＧ信号，ＥＣＧ数据采样频率为３６０Ｈｚ．每组数据都从两个引导通道收集．读取４８组ＥＣＧ数据，选择合适的数据量进行研究．标定正常—Ｎ；左束支传导阻滞—Ｌ；右束支传导阻滞—Ｒ；所有其他ＥＣＧ信号类型为“其他”—“Ｏ”，数据集划分如表１所示．表１ＭＩＴ／ＢＩＨ数据库中数据集划分Ｔａｂ．１ＤａｔａｄｉｖｉｓｉｏｎｉｎＭＩＴ／ＢＩＨｄａｔａｂａｓｅ心律类型ＭＩＴ－ＢＩＨ中心拍总数／选取心拍数训练集测试集Ｎ７５０１６／１００１６７０１１３００５Ｌ８０７２／８０７２５６５０２４２２Ｒ７２５５／７２５５５０７９２１７７“Ｏ”１９９１１／９９１１６９３８２９７３总数３５２５５２４６７８１０５７７直接从ＭＩＴ－ＢＩＨ心律失常数据库
ＰＶ）ＮＰＶ＝ＴＮＴＮ＋ＦＮＦ１分值Ｆ１ｓｏｒｅ＝２×ＲＥＣ×ＰＲＥＲＥＣ＋ＰＲＥ３．２仿真结果与分析ＧＳ－ＳＶＭ结合三域特征的ＥＣＧ信号分类算法是在Ｍａｔｌａｂ平台上实现的．利用训练集训练ＳＶＭ图４搜索最优Ｃ与λ的三维网格Ｆｉｇ．４Ｔｈｒｅｅ－ｄｉｍｅｎｓｉｏｎａｌｇｒｉｄｇｒａｐｈｏｆｓｅａｒｃｈｉｎｇｔｈｅｏｐｔｉ－ｍａｌＣａｎｄλ分类器，通过测试集输出分类器的准确率，整个参数搜索过程可以用图４中的三维网格图表示．网格处的红点位置标记着最高分类准确率，同时也对应着最优的Ｃ与λ．为了探索不同域的特征对分类结果的影响，利用每一类特征、每两类特征和所有三类特征分别结合ＧＳ－ＳＶＭ对ＥＣＧ信号进行分类，以获得分类准确率和特征种类关系的折线图如图５所示，图中ｆｔ、ｆｆ、ｆｗ分别表示提取自时域、频域、小波域的特征．由折线图可知，如果仅利用一种特征来对ＥＣＧ信号分类，小波域特征的效果最好，这是因为它对ＥＣＧ信号的解释最为细致．时域特征有着最差的效果，这也解释着医生如果仅凭时域经验准则来分析ＥＣＧ信号，结果可能会出现较大的偏差．但是对于分类器而言，时域信号对于提升ＥＣＧ信号分类正确率还是有一定的帮助．将测试集输入到最优参数配置的ＳＶＭ中，得到表５所示的混淆矩阵．该矩阵详细的展示了４类ＥＣＧ信号的分类情况．图５三类特征对分类器的影响Ｆｉｇ．５Ｅｆｆｅｃｔｏｆｔｈｒｅｅｔｙｐｅｓｏｆｆｅａ
【参考文献】：
期刊论文
[1]分支定界半监督SVM在油层识别中的应用[J]. 贺紫平,夏克文,潘用科,王莉. 重庆邮电大学学报(自然科学版). 2019(04)
[2]基于二维离散小波的生成图像鉴别方法[J]. 杨健,杨超宇,李慧宗. 吉林大学学报(理学版). 2019(03)
[3]基于连续小波变换的多数据心率提取方法[J]. 蒋腾,胡涛,祝民鹏,陈丹. 现代雷达. 2019(05)
[4]基于区域标记法的代价敏感支持向量机在股票预测中的研究[J]. 秦璐,李旭伟. 四川大学学报(自然科学版). 2018(02)
[5]面向SVM的隐私保护方法研究进展[J]. 彭晓冰,李启顺,王丽珍,朱玉全. 江苏大学学报(自然科学版). 2017(01)
[6]基于改进的网格搜索法的SVM参数优化[J]. 王健峰,张磊,陈国兴,何学文. 应用科技. 2012(03)
硕士论文
[1]基于小波包和神经网络的心电信号分类方法研究[D]. 袁丹阳.天津工业大学 2017
本文编号：3238312
本文链接：https://www.wllwen.com/kejilunwen/wltx/3238312.html
