基于最小二乘支持向量机的J波自动检测方法与流程

本发明涉及j波的检测识别及分类，具体为基于最小二乘支持向量机的j波自动检测方法。

背景技术：

心血管病对人类生命健康危害很大，在我国心脏病发病率一直增长，它严重的危害着人们的身心健康。目前，全球每年有将近1700万人死于心血管疾病，其死亡人数占到全球所有死亡人数的近三分之一。近几年，j波作为心电图(ecg)心室复极的新指标越来越受到临床的重视，成为医生在心血管疾病的临床诊断中判断患者病情的一个重要参考指标。

医学上通常把qrs波群结束和st间期开始之间的连接点称为j点，它代表心脏心室除极的结束和复极的开始。当j点或st段的形态、时限和幅度发生显著改变时，表现在至少两个相邻导联上j点从基线移位抬高0.1mv以上，持续时间达到20ms(目前标准并不唯一)，与t波的上升支融合为一体形成圆顶状、驼峰状、尖峰状的波形，称之为j波(如图1所示)。当j波平移或抬高，则会预示着心脏事件(如心室过速、心室颤动或冠心病等)的出现，甚至导致致命的心律失常，乃至猝死的发生。如果在心电图中发现j波，该病人很有可能会产生心脏事件。如果医生能够及时的发现j波，那么他就能够尽早地了解病人病情，做出诊断。所以，提高对心电图正常变异j波与异常j波的鉴别能力,有助于识别临床异常j波的高危患者，减少恶性心律失常及特发性心室颤动猝死的发生，具有很大的临床意义和现实意义。

但在目前，医生主要凭靠自己的肉眼和临床经验从心电图、心电向量图去检测j波，很难准确检测。所以本发明从信号处理角度，结合目前最先进的机器学习方法，利用计算机对j波进行检测。

技术实现要素：

由于j波经常混合在st段，常表现为st段抬高，主要包括驼峰型、顿挫型、尖峰型三种主要形态。当j波的幅度很小时，它与正常心电信号混合之后仍然与正常心电信号看起来没什么区别，因此有必要将它提取出来进行分析和归类，有助于临床提出预警。本发明为了解决只依靠医生临床经验对j波进行诊断很难达到高准确性的要求的问题，提供了基于最小二乘支持向量机的j波自动检测方法。

本发明是采用如下的技术方案实现的：基于最小二乘支持向量机的j波自动检测方法，包括以下步骤：

(1)将心电信号数据集分为训练集、验证集和测试集，训练集、验证集和测试集中都包括正常心电信号和含j波的心电信号，将心电信号数据集进行预处理，即对心电信号进行去噪、去基线漂移、去伪迹等，并对预处理后的心电信号进行心拍分段处理；

(2)然后对分段后的心电信号进行五层灵活解析小波分解，从而得到五层子带信号(分解细节系数)；

(3)计算这五层子带信号每一层的模糊熵，然后把这五层的模糊熵值作为心电信号的特征向量；

(4)将心电信号数据集中训练集的特征向量作为最小二乘支持向量机(ls-svm)分类器的输入，对最小二乘支持向量机进行训练，并通过验证集的特征向量进行模型选择，最后测试集数据进行测试，得到最终模型。

(5)将待测心电信号特征向量输入到训练好的最小二乘支持向量机最终模型中，从而实现正常心电信号与含j波心电信号的分类识别，成功检测j波信号。

本专利克服对现有j波的检测准确度低和分类方法的不足的缺陷，从信号处理角度出发对j波进行特征提取，并结合目前在二分类问题中应用广泛的机器学习方法对所提取特征进行分类，从而实现了利用计算机对j波进行自动检测。

附图说明

图1为含j波的心电信号波形图。

图2为本发明流程图。

具体实施方式

本技术方案中设计的基于最小二乘支持向量机的j波自动检测方法中主要包含三个部分。第一部分是对心电信号(ecg信号)进行灵活解析小波分解，小波变换是近二十年来在信号处理领域兴起的一项应用广泛的技术，随着不断地改进发展，灵活小波变换是在此基础上改进的最新方法，该方法在生物医学信号方面有着很好的效果。

第二部分是对分层子带信号模糊熵的计算，模糊熵是一种度量两个序列之间相似性的方法，是样本熵的改进，同时继承了样本熵的相对一致性和短数据集处理特性。

第三部分是利用机器学习方法中的最小二乘支持向量机对提取特征进行分类，最小二乘支持向量机是支持向量机的改进方法，克服了支持向量机算法中存在的超平面参数选择，以及二次问题求解中矩阵规模受训练样本数目的影响很大，导致求解规模过大的问题。

第一部分、基于灵活解析小波变换的ecg信号分解

灵活解析小波变换具有平移不变性、灵活的时频覆盖和可调振荡基等优良特性。其相对于其他改进小波变换的方法，由于具有一对希尔伯特变换对的小波基，从而能够灵活地控制品质因数q，冗余度r，以及尺度因子d等参数。灵活解析小波是由一组迭代滤波器组实现的，主要包括一个低通滤波器和两个高通滤波器，其中一个高通滤波器是分析正频率，其他两个滤波器用来分析负频率。

低通滤波器的频率响应表达式为：

其中，p和q分别代表低通滤波器的上采样参数和下采样参数，ωs和ωp表示低通滤波器的阻带和通带频率，其分别表示如下：

高通滤波器的响应频率表达式为：

其中，r和s分别代表高通滤波器的上采样参数和下采样参数。参数ω0,ω1,ω2,ω3,分别表示如下：

在本算法中，过渡带选择为：

灵活解析小波变换的所有参数满足如下关系：

当过渡带满足如下等式时，信号可完整重建：

第二部分、基于模糊熵的特征提取：

作为样本熵(sampen)算法的改进,模糊熵以一指数函数模糊化相似性度量公式,使得模糊熵值能够随参数变化过渡平滑,并且在参数值很小的情况下其定义仍有意义,同时继承了样本熵的相对一致性和短数据集处理特性。其计算步骤如下所示：

(1)设n点采样序列为{u(i):1≤i≤n}；

(2)按序列顺序重构生成一组m维矢量

其中

{u(i),u(i+1),…,u(i+m-1)}代表着从第i个点开始的连续m个u的值,u⁰(i)为其均值，

(3)定义矢量和间的距离为两者对应元素中差值最大的一个,即：

(4)通过模糊函数定义矢量x^mi和的相似度即：

其中模糊函数_(d^mij,n,r)为指数函数,n和r分别为指数函数边界的梯度和宽度；

(5)定义函数：

(6)类似地,重复步骤(2)～(5),按序列顺序重构生成一组m+1维矢量q^m+1(n,r)；

(7)最后，模糊熵可由下式计算得出：

fuzzyen(m,n,r,n)＝ln[q^m(n,r)]-ln[q^m+1(n,r)]。

第三部分、基于ls-svm的特征分类：

svm标准算法在应用中存在着超平面参数选择，以及quadraticprogramming(qp)问题求解中矩阵规模受训练样本数目的影响很大，导致求解规模过大的问题。suykensj.a.k等人提出一种新型svm，即最小二乘支持向量机(leastsquaressupportvectormachines,ls-svm)。ls-svm弥补了svm算法中的缺陷和不足，在二分类问题中得到了良好的应用。

ls-svm采用了最小二乘线性系统误差平方和作为损失函数，在其优化问题的目标函数中使用二范数，并利用等式约束条件代替svm标准算法中的不等式约束条件，使得ls-svm方法的优化问题的求解变为通过kuhn-tucker条件得到的一组线性方程组的求解，加快了求解速度，且求解所需的计算资源较少，在模式识别和非线性函数拟合的应用中取得了很好的效果。本专利中利用ls-svm作为分类器，应用径向基函数和morlet小波函数作为ls-svm的核函数，从而实现了良好的j波检测效果。

ls-svm的分类决策函数的数学表达式为：

其中，k(z,zm)是ls-svm的核函数，αm表示拉格朗日乘子，zm表示第m个输入向量，ωm是目标向量，b是偏置项。径向基核函数的表达式如下所示：

其中，σ是核参数，可控制径向基核的大小。morlet核函数的表达式如下所示：

其中，d是输入特征集的维数，参数l表示morlet核的尺度因子。