[发明专利]基于多特征提取的心电识别方法

说明书

为了提高心电信号的识别准确率，提出了基于多特征提取的心电识别方法。本发明通过分别提取心电信号的变换域特征（循环矩阵提取特征）、统计学特征（PCA降维后特征）和形态学特征（RR间期特征），组合三个特征送到分类器中进行分类。本发明对心电信号的分类精确率高，且模型构建只需少量数据，对心脏病精准识别有着重要意义。

技术领域

本发明涉及一种基于多特征提取的心电识别方法，属于生物医学与计算机科学交叉领域，更具体来说，是对心电信号提取多个特征，再做分类处理。

背景技术

RR间期特征被广泛用于心电信号的分类。RR间期有前RR间期和后RR间期，前RR间期为当前R波波峰所在时刻减去上一个R波波峰时刻得到的一个时间间期，同理，后RR间期是后一个R波波峰时刻减去当前R波波峰时刻得到的一个时间间期。RR特征代表了心电的动态信息，反映了心跳的节奏，选择RR间期作为特征可以得到很好的分类效果。主成分分析（PCA）是将多个变量通过线性变换以选出较少个数重要变量的一种多元统计分析方法。主成分分析首先是由K.皮尔森（Karl Pearson）对非随机变量引入的，而后H.霍特林将此方法推广到随机向量的情形。由于每一拍心电信号中包含很多数据，而很多是对分类用处不大，所以用PCA提取主成分是很有必要的。

循环矩阵是一种特殊形式的 Toeplitz矩阵，它的行向量的每个元素都是前一个行向量各元素依次右移一个位置得到的结果。循环矩阵使传感矩阵以很大概率满足约束等距性，并且可以直接应用快递傅立叶变换得到快速的重构算法，能够明显减少高维问题的计算和存储复杂度，因而对高维问题特别有效。Sebert等提出将块托普利兹矩阵应用于压缩传感，并做了大量实验，结果表明应用这种测量矩阵不仅有很好的重构结果，而且可以明显加快运算速度和减少存储空间。

为了避免RR间期的片面性，使变换域特征和统计学特征加入心电分类中也是很有必要的。加入变换域特征和统计学特征可以提高心电信号的分类结果，对精确诊断心脏病有重要意义。

发明内容

本发明提出了一种基于多特征提取的心电信号识别方法，该方法旨在使用少量心电信号进行多特征提取并构建决策树模型，实现高精确度的心电信号分类。

本发明所采用的技术方案如下：

一种基于多特征提取的心电信号识别方法，其具体步骤如下：

步骤1：心电信号预处理并提取RR特征

步骤2：心电数据分割成单个心拍

步骤3：利用循环测量矩阵提取心电信号的特征

步骤4：利用PCA对心电信号进行降维

步骤5：拼接RR特征、循环矩阵提取的特征和PCA特征，组成特征向量集，并进行标准化

步骤6：将训练特征数据输入到随机森林分类器中进行模型构建

步骤7：利用训练好的模型对测试数据进行分类。

本发明使用多特征提取和以随机森林作为分类器的方法对心电信号分类，不仅分类效果稳定，而且实现高精确度的分类结果。

附图说明

图1是本发明系统示意图

图2是本发明单个心拍300取样点图

图3是本发明PCA降维后精确图

图4是本发明分类准确率对比图。

具体实施方式

下面结合附图和具体实施示例，对本发明对本发明涉及的技术方案做进一步的详细说明：

图1是本实施示例中的系统原理图，具体包括以下步骤：