一种基于稀疏核主分量分析的RdR散点图识别方法与流程

本发明涉及一种基于稀疏核主分量分析的rdr散点图识别方法，属于智能医疗技术领域。

背景技术：

心率变异是指心动间期之间的时间变异数，其研究对象是心动间期。人的心率不是一成不变的，两次心搏之间存在着微小的时间差异，计算心动间期的差异，即可了解心率变异性(heartratevariability,hrv)。心率变异性可以评估心脏交感神经与副交感神经对心血管活动的影响，蕴含着心血管方面的大量信息。临床研究表明，心率变异性的降低是心肌梗死、高血压、心绞痛等心血管疾病发病的症状。因此，心率变异性的研究，在评价心血管系统功能、预测心血管疾病的发作，以及为心血管疾病的早期诊断具有重要的意义。

poincare散点图是心率变异性一种重要的研究方法。通过使用连续的心搏间期在直角坐标系中绘制图形，反映相邻心搏间期的变化，能显示心搏间期的特征。poincare散点图有多种形态，包括彗星状、扇形等，不同的形状反映不同的心脏状态。虽然poincare散点图是一种有效的心率变异性分析方法，但是并不能体现其随时间变化的趋势，对于某些心血管疾病、身体健康状况等不能很好的体现其心率变异性性质。于是，一些学者提出了改进策略，即一阶差分散点图，通过相邻心搏间期的差值来绘制散点图。然而，这种方法又丢失了原有的心搏间期绝对值信息。因此，有学者将二者结合起来，提出了一种rdr散点图，以此来同时反映心搏间期及其变化。

目前，对于不同心血管疾病的心率变异性分析很多。但是，如何根据散点图来识别、区分不同的心血管疾病则相对匮乏。本文即是通过稀疏核主分量分析方法来对rdr散点图进行识别分类。

技术实现要素：

本发明的目的就在于通过稀疏核主分量分析的方法，来自动识别rdr散点图，对心率变异性作分析，为实现自动化诊断、缓解紧缺的医疗资源、减少医疗资源的浪费、提高就诊效率提供基础。

本发明通过以下技术方案来实现上述目的：一种基于稀疏核主分量分析的rdr散点图识别方法，包括以下步骤：

步骤1)获取心电信号，对心电信号进行滤波去噪处理，提取r波峰值位置；

步骤2)使用心搏间期绘制rdr散点图，可以通过matlab等工具来绘制；

步骤3)对rdr散点图进行缩放，转成灰度图，并对图像数据进行归一化处理，以减少计算量；

步骤4)对获得的散点图样本进行标记；

步骤5)对样本进行采样，随机抽取75％的数据作为训练样本；

步骤6)设置参数，参数包括近似基的误差参数、高斯核函数参数以及控制限的值；

步骤7)分别对每类样本求解近似基、特征值、特征向量；

步骤8)分别计算每个测试样本的spe，其值与某类样本的spe差值最小者为测试样本的预测类别，与实际类别比较，计算准确率，若满足要求则步骤9，否则返回步骤6重新设置参数训练；

步骤9)获得参数，算法结束。

稀疏核主分量分析的基本方法：

主分量分析是一种典型的无监督算法，常用于解决原始空间的线性问题，而为了在特征空间中用线性方法解决原始空间的非线性问题，b.scholkopf等人提出了核主分量分析(kernelprincipalcomponentanalysis,kpca)。

定义从原始空间rⁿ到特征空间f的非线性映射:假如给定的样本x＝{x1,…,xn},xi∈rⁿ，则通过映射可以获得一组向量假设该组向量满足则特征空间中的相关阵为

如果该组向量则可令可知满足条件，代替式中的则kpca问题可以转换为求特征空间中相关阵的特征值λ即特征向量

其中，是样本的线性组合，令ɑ＝[ɑ1,…,ɑn]^t，则当不能显式获得的时候，引入核函数，设首先需要计算：

k＝φ^tφ

其中，矩阵k是nxn的矩阵，也称核矩阵。则问题转换为：

kɑ＝nλɑ

其中，ɑ＝[ɑ1,…,ɑn]。当中心化的过程可以直接在k上运算：

其中，满足是一个nxn的1矩阵。假设得到的特征值λ1≥λ2≥…λn及其对应的特征向量ɑ1,ɑ2,…,ɑn，在特征空间中的第k个特征向量ɑi,k表示的第k个特征向量的第i个值，由归一化得变量x在归一化之后的第k个特征向量方向的投影为第k个主分量，公式为

本发明选择一种常用的核函数，径向基核函数来进行计算。当选择径向基核函数时，会有明显的过学习问题，主要是由于径向基核函数对应的特征空间是无线维的，通过该方法得出的主分量的次数与给定样本的维数无关，而与样本数量有关。为解决这个问题，引入了稀疏化方法，即为稀疏核主分量分析(sparsekernelprincipalcomponentanalysis,skpca)。

在核主分量分析中，特征向量能用样本表示为也就是说特征向量是全部样本的线性组合，这为特征向量的稀疏化提供了一种思路。通过近似基求解算法，来求的近似基，从而得到的稀疏化方法。

近似基求解的具体步骤是：

1.建立集合为近似最大无关组，xa＝φ；

2.对于k＝2,...,n的求极小值value；

3.如果得到极小值value≤ε，则把对应的元素加到xa当中，否则为xl。

ε是线性相关截尾误差，在有限的样本中求无限维空间的基几乎没有稀疏性，因此选择近似计算。

4.返回步骤2，直至完成所有的计算，计算结束。

其中，步骤2中的求解过程如下：令

由lagrange条件得-2k0+2kλ＝0，其中k0＝(k(x1,xk),…,k(xl,xk))^t，k是方阵，kij＝k(xi,xj)。当核函数是高斯径向基核函数时，矩阵k正定，得λmin＝k^-1k0即为f(λ)的极小值点。

假设求得的一组近似基为用

表示近似基构成的基向量，特征向量可以表示为问题转成

两边同乘记得

可知是特征值与特征向量的问题，即令则

推导得

其中，k(m,:)表示核矩阵k的第m行，k(:,n)表示第n列，1n＝[1,...,1]表示1行n列的行向量。问题也就转换成了(ki)^-1ksα＝λα，为典型的特征值与特征向量问题。

附图说明

图1为本发明具体方法流程图；

图2为部分测试样本与各类的spe差值；

图3为某次部分测试结果与实际标记样本对比图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如附图1所示，一种基于稀疏核主分量分析的rdr散点图识别方法，包括以下步骤：

步骤1)获取心电信号，对心电信号进行滤波去噪处理，提取r波峰值位置；

步骤2)使用心搏间期绘制rdr散点图，可以通过matlab等工具来绘制；

步骤3)对rdr散点图进行缩放，转成灰度图，并对图像数据进行归一化处理，以减少计算量；

步骤4)对获得的散点图样本进行标记；

步骤5)对样本进行采样，随机抽取75％的数据作为训练样本；

步骤6)设置参数，参数包括近似基的误差参数、高斯核函数参数以及控制限的值；

步骤7)分别对每类样本求解近似基、特征值、特征向量；

步骤8)分别计算每个测试样本的spe，其值与某类样本的spe差值最小者为测试样本的预测类别，与实际类别比较，计算准确率，若满足要求则步骤9，否则返回步骤6重新设置参数训练；

步骤9)获得参数，算法结束。

为便于叙述，使用mit-bih数据库中的心电数据，以此数据库的数据作示意性分析介绍。图2是从样本中，选择部分测试样本与各类计算spe的差值，如选择到类别为“3”的样本，将其分别与各类计算其spe的最小差值，结果如图(2)，可以看到其与类别为“3”的spe差值最小。图3是依据本发明方法，某次部分测试结果与实际标记样本对比图，参数true是实际的样本类别，predicted是本发明方法判定的类别，可以看出准确率较高。