一种疾病相关的心电图特征选择方法
【专利摘要】本发明提供的心电图特征选择方法，将心电图分为NSVF四类分类系统，并将NSVF四类分类系统分解为NvS，NvV，NvF，SvV，SvF，VvF六个二分类器，在上述每个二分类器中，对每个特征按得分高低进行排序并形成候选特征集合，再从每个二分类器选择最优特征子集，依据最优特征子集对待测心电图样本进行预测，得到待测心电图样的类别。本发明提供的心电图特征选择方法，将特征得分由高到低排序后形成特征子集，并从每个二分类器选择最优特征子集，采用最优特征子集对待测心电图样本进行预测，得到待测心电图样的类别，提高了预测精度。
【专利说明】一种疾病相关的心电图特征选择方法
【【技术领域】】
[0001]本发明涉及心电信号检测【技术领域】，尤其涉及一种疾病相关的心电图特征选择方法。
【【背景技术】】 [0002]心电图检查是诊断心律失常、心肌缺血的一种有效的方法，该方法具有无创伤、低成本的优势，在医院有较大的业务量，尤其在体检中心、远程会诊中心等机构，专职心电图医生每天的需要判读大量的心电图的，为减轻医生的工作负担，近年来计算机辅助的心电图自动分类识别系统越来越受到重视。
[0003]一套完整的心电图自动分类识别系统通常包含如下过程:数据采集、数据预处理、特征提取、分类器训练/预测。由于心电图的种类繁多，为了统一和规范心电图自动识别系统的评价准则，美国医疗器械促进协会(Association for the Advancement of MedicalInstrumentation ；AAMI)将心电图的类别划分为五类:(I) N,正常心电图和传导阻滞类心电图；(S)S，室上性异常；(3)V，室性异常；(4)F，介于室性异常和正常之间的；(5)Q，无法明确区分的。实际分类中，因为Q类没有明显的统计规律，通常只针对NSVF这四类设计模式分类器。能否训练出一个健壮的具有良好的泛化能力的分类器直接影响后续的识别精度，而一套可以表征不同疾病的特征集是训练分类器的前提。
【
【发明内容】
】
[0004]本发明的目的在于提供一种疾病相关的心电图特征选择方法，该方法可以从众多的心电图特征中选择出能够提高分类识别精度的那些特征，剔除冗余特征，提高分类识别的精度。
[0005]为实现上述目的，本发明采用下述技术方案:
[0006]一种疾病相关的心电图特征选择方法，包括下述步骤:
[0007]步骤SllO:依据AAMI评价标准，将心电图分为NSVF四类分类系统；
[0008]步骤S120:基于OvO的规则，将所述NSVF四类分类系统分解为NvS，NvV，NvF，SvV，SvF, VvF六个二分类器；
[0009]步骤S130:在上述每个二分类器中，对每个特征按得分高低进行排序；
[0010]步骤S140:上述得分由高到低排序后的所有特征子集形成候选特征集合；
[0011]步骤S150:使用SVM分类器训练上述每个二分类器，并从每个二分类器选择最优特征子集 '及
[0012]步骤S160:所述最优特征子集对待测心电图样本进行预测，得到所述待测心电图样的类别。
[0013]在本实施例中，步骤S130中，在上述每个二分类器中，对每个特征按得分高低进行排序，具体为，在上述每个二分类器中，采用下述公式对每个特征进行评分，并根据得分高低进行排序，所述公式为:
【权利要求】
1.一种疾病相关的心电图特征选择方法，其特征在于，包括下述步骤: 步骤SllO:依据AAMI评价标准，将心电图分为NSVF四类分类系统； 步骤S120:基于OvO的规则，将所述NSVF四类分类系统分解为NvS，NvV，NvF, SvV, SvF,VvF六个二分类器； 步骤S130:在上述每个二分类器中，对每个特征按得分高低进行排序； 步骤S140:上述得分由高到低排序后的所有特征子集形成候选特征集合； 步骤S150:使用SVM分类器训练上述每个二分类器，并从每个二分类器选择最优特征子集；及 步骤S160:所述最优特征子集对待测心电图样本进行预测，得到所述待测心电图样的类别。
2.根据权利要求1所述的心电图特征选择方法，其特征在于，步骤S130中，在上述每个二分类器中，对每个特征按得分高低进行排序，具体为，在上述每个二分类器中，采用下述公式对每个特征进行评分，并根据得分高低进行排序，所述公式为:
3.根据权利要求1所述的心电图特征选择方法，其特征在于，步骤S150中，使用SVM分类器训练上述每个二分类器，并从每个二分类器选择最优特征子集，具体为，以精度为选择最优特征子集的指标，所述精度最高的特征子集为最优特征子集，所述精度记为Accuracy,
4.根据权利要求1所述的心电图特征选择方法，其特征在于，步骤S150中，使用SVM分类器训练上述每个二分类器，并从每个二分类器选择最优特征子集，具体为，以正样本灵敏度和负样本灵敏度的几何平均值为选择最优特征子集的指标，所述几何平均值最大的特征子集为最优特征子集，所述正样本灵敏度记为Se (Pos)，所述负样本灵敏度记为Se (Neg)，所述几何平均值记为g-mean,
【文档编号】G06K9/62GK103632162SQ201310403000
【公开日】2014年3月12日 申请日期:2013年9月6日 优先权日:2013年9月6日
【发明者】张战成, 董军 申请人:中国科学院苏州纳米技术与纳米仿生研究所