基于动态模糊决策树的心电信号分类方法

发布时间：2020-08-06 14:05

【摘要】：为提高心电信号分类识别的准确率,提出一种基于时频特征融合与动态模糊决策树的心电信号分类识别方法。对心电信号依次进行周期分割、小波包分解与重构和形态识别处理,将小波包变换系数矩阵的二范数作为频域特征,并与时域特征进行融合以表征心电信号,同时将模糊C均值聚类引入模糊决策树的建树过程中,实现特征空间的动态划分。在MIT-BIH标准心电数据库上的实验结果表明,该方法的分类识别准确率较高,心电信号正异常分类的准确率达99.14%。
【图文】：

其中,S表示重构出的信号,Si表示基函数,δi表示基函数对应的系数矩阵。通过对图3的分析可知,后4组小波包基函数幅值较小,主要影响ECG峰与峰之间的稳定性,因此选择前4组小波包系数矩阵与基函数进行重构,重构结果如图4所示。由图4可以看出,选择前4组小波包系数重构出的心电信号保留了各波形的特征,在时间和峰值上都有较高的重构精度,且峰与峰之间的过渡更平滑,有助于提高P波、T波的定位精度,为后续心电信号时域特征的提取提供有力保障。

特征提取是心电信号分类识别的核心,本文提出一种新的时频特征融合方法,其流程如图1所示。以单个周期的ECG为样本,首先对连续的心电信号进行周期分割,以显化正异常心电信号的差异,便于提取区分性强的特征。对每一个周期的心电信号进行小波包分解与重构,并将保留的小波包系数矩阵二范数的值作为特征,同时完成心电信号的去噪以及频域特征提取。然后对重构后的周期心电信号进行时域形态识别,提取P波峰值、T波峰值、R波峰值、QRS波持续时间、P-T间期、P-R间期和R-T间期等特征信息,并将时域和频域特征进行融合,用融合后的特征向量来表征心电信号。最后,利用改进的动态模糊决策树算法进行实验验证。1.1 心电信号周期分割

由于在一段时间内采集到的心电信号是连续的,每一次心跳为一个周期,因此以一个周期的心电信号为研究对象能准确定位各波峰的位置,有利于心电信号时域特征的提取。传统的心电信号分割方法主要有2种,一种是按固定长度的窗口截取周期信号,该方法由于受个人体质、心跳快慢等因素的影响,分割得到的心电信号时好时坏,不具备稳定性,另一种是按P波、T波位置确定周期,该方法虽然分割得到的周期信号准确度较高,但是P波、T波定位困难,算法复杂度较高。针对上述两种方法存在的不足,考虑到要快速准确地定位心电信号的R波位置,且R波与T波、P波相对位置固定,本文以R波峰位置为基准,在相邻的3个R波峰位置之间,选取第1个峰值与中间峰值的2/3处到中间峰值与第3个峰值的2/3处为一个周期,图2给出了ECG周期的分割过程。1.2 频域特征提取

【相似文献】

相关期刊论文 前1条

1 贾亚莉,左翔,周典;数据挖掘在心血管病住院患者病情分析中的应用研究[J];中国农村卫生事业管理;2005年06期

相关硕士学位论文 前1条

1 高宁化;基于动态模糊决策树的心电信号分类方法[D];西南科技大学;2019年

本文编号：2782508