《電子技術(shù)應(yīng)用》
您所在的位置:首頁 > 嵌入式技術(shù) > 設(shè)計應(yīng)用 > 基于多特征融合的J波分類模型
基于多特征融合的J波分類模型
2018年電子技術(shù)應(yīng)用第11期
王 宏,,趙菊敏,,李燈熬
太原理工大學(xué) 信息工程學(xué)院,山西 晉中030600
摘要: J波是心電圖上出現(xiàn)的一種異常變異,。應(yīng)用計算機實現(xiàn)J波自動分類對J波疾病的臨床診斷有著重要意義,?;跁r頻域和相空間兩個分析角度,,一方面使用調(diào)Q小波變換(Tunable Q Wavelet Transform,TQWT)和高階累積量挖掘信號時頻域的細(xì)節(jié)特性,;另一方面應(yīng)用遞歸圖(Recurrence plot,,RP)評估心臟系統(tǒng)遞歸點的發(fā)生狀態(tài)。兩類特征降維后并行融合于改進的AdaBoost分類器實現(xiàn)正常,、良性J波和惡性J波分類,。結(jié)果顯示,設(shè)計的J波多分類算法平均準(zhǔn)確度約達到79%,,可以用于J波良,、惡性輔助診斷。
中圖分類號: TP391
文獻標(biāo)識碼: A
DOI:10.16157/j.issn.0258-7998.181082
中文引用格式: 王宏,,趙菊敏,,李燈熬. 基于多特征融合的J波分類模型[J].電子技術(shù)應(yīng)用,2018,,44(11):111-115.
英文引用格式: Wang Hong,,Zhao Jumin,Li Dengao. J wave classification model based on multi-feature fusion[J]. Application of Electronic Technique,,2018,,44(11):111-115.
J wave classification model based on multi-feature fusion
Wang Hong,Zhao Jumin,,Li Dengao
College of Information Engineering,,Taiyuan University of Technology,Jinzhong 030600,,China
Abstract: J wave is an abnormal variation in the electrocardiogram(ECG). It is of great significance to realize J wave automatic classification for the clinical diagnosis of J wave related disease. In this paper, features are extracted based on time-frequency domain and phase space. On the one hand, tunable-Q wavelet transform(TQWT) and high-order cumulant are used to mine the detail characteristics. On the other hand, recurrence plot(RP) is adopted to show the occurrence of recursive points in the cardiac system. After dimensionality reduction, the two types of features, which are fused in parallel, are input to the improved AdaBoost classifier to realize the classification of normal beats, benign J wave beats and malignant J wave beats. The experimental results show that the average accuracy of the classification is about 79%, which is helpful for the diagnosis of benign and malignant J wave.
Key words : J wave classification,;feature extraction;kernel principal component analysis(KPCA),;compressed sensing(CS),;AdaBoost classifier

0 引言

    J波是心電圖上QRS波結(jié)束與ST段起始的結(jié)合點(J點)附近產(chǎn)生的一種頓挫。大量臨床分析表明,J波與心律失常,、猝死等心血管疾病具有重大關(guān)聯(lián),。如今異常J波和某些類型的J波綜合征已經(jīng)被列為心臟性猝死檢測的高危預(yù)警指標(biāo)[1],所以如何快速,、準(zhǔn)確地實現(xiàn)心電圖中J波的檢測分類,,以降低J波相關(guān)疾病的致死率在醫(yī)學(xué)界廣受關(guān)注。

    近兩年,,國內(nèi)外出現(xiàn)了一些J波疾病的計算機輔助診斷方法,。2014年,CLARK E N等[2]在QRS波下降沿定義下凹區(qū)域?qū)崿F(xiàn)J波檢測并得到90.5%的靈敏度,。2015年,,WANG Y G等[3]對12導(dǎo)聯(lián)數(shù)據(jù)應(yīng)用函數(shù)分析技術(shù)完成J波檢測,靈敏度達到89%,。2016年,,張桂敏、朱貝貝等[4-5]應(yīng)用稀疏盲源分離技術(shù)對心電信號中的J波進行提取,。同年,李燈熬等[6]特征提取與隱馬爾科夫模型結(jié)合,,應(yīng)用十倍交叉驗證獲取94.2%的靈敏度,。2017年,劉學(xué)博等[7]結(jié)合曲線擬合,、小波變換和徑向基支持向量機于正常信號和J波信號的二分類,,靈敏度達到90%。

    分析這些J波識別模型,,首先相關(guān)算法的檢測精度存在一定的可提升空間,,其次算法分類效果僅僅局限于J波信號的有無,并未實現(xiàn)J波的良性與惡性的區(qū)分,。本文設(shè)計聚類預(yù)處理的AdaBoost分類器,,結(jié)合時頻域三階累積量的第一核主成分以及相空間遞歸矩陣的壓縮向量完成正常信號、良性J波信號與惡性J波信號三分類,。

1 數(shù)據(jù)庫建立及預(yù)處理

    本文從項目合作單位山西大醫(yī)院獲取J波相關(guān)疾病患者的心電圖,。以360 Hz采樣率對信號進行樣本規(guī)范化,最終得到200個心電記錄組成數(shù)據(jù)庫,,其中每段記錄時長約為1 min,。

    獲取的心電數(shù)據(jù)中混有噪聲信號,為保證算法設(shè)計的有效性,,使用平穩(wěn)小波對信號進行9層分解,,丟棄最高層近似系數(shù)重構(gòu)。對重構(gòu)后信號進行6層平穩(wěn)小波分解,,應(yīng)用軟閾值對系數(shù)進行修正處理來消除噪聲,。

    J波主要突顯在心電圖的ST段,,有時也會出現(xiàn)在QRS波形的下降支。為了減少整體計算量,,本文引用Pan-Tompkins方法[8]完成R基準(zhǔn)點檢測,,并選取R點前77個、后172個樣本點組成研究心拍,。

2 J波多特征融合分類方法

    本文設(shè)計了一種J波多分類識別算法,。心電信號在預(yù)處理后,提取多角度分析特征,。這些特征經(jīng)特征優(yōu)化后,,并行融合輸入至改進AdaBoost分類器實現(xiàn)正常心拍、良性J波心拍與惡性J波心拍的辨別,,方法整體流程如圖1所示,。

jsj4-t1.gif

2.1 多角度特征提取

    本文主要從時頻域和相空間兩個角度對信號的非線性與相似性進行度量。

2.1.1 時頻域非線性特征

    調(diào)Q小波變換[9](Tunable Q Wavelet Transform,,TQWT)是離散小波變換的改進算法,,克服了離散小波基函數(shù)選取缺乏理論支撐的弊端,TQWT引入描述信號中心頻率與帶寬比值的品質(zhì)因數(shù)Q,,用以獲取對信號波形具有自適應(yīng)能力的母小波,,進而獲得更為有效的尺度系數(shù)。

    基于心拍信號的5層TQWT分解,,算法對分解后第3層,、第4層、第5層細(xì)節(jié)系數(shù)d3,、d4,、d5以及第5層近似系數(shù)a5分別進行非線性三階累積量統(tǒng)計,其求取公式如式(1)所示,。并應(yīng)用核主成分分析(Kernel Principal Component Analysis,,KPCA)實現(xiàn)特征降維。

jsj4-gs1.gif

    圖2為3種類型心拍信號經(jīng)TQWT分解后選取的子帶系數(shù)波動曲線,。由圖可見,,在各選定子帶上,對應(yīng)系數(shù)的波動幅度有明顯差異,。

jsj4-t2.gif

    圖3~圖6是3種類型信號對應(yīng)d3~d5,、a5子帶系數(shù)的三階累積量的等高線圖以及三維立體圖。分析圖中數(shù)據(jù)分布,,不難看出含有J波信號的三維圖幅值更高,,且反映到等高線圖中即J波信號尤其是惡性J波對應(yīng)等高線變化坡度更為明顯。

jsj4-t3.gif

jsj4-t4.gif

jsj4-t5.gif

jsj4-t6.gif

2.1.2 相空間遞歸圖(Recurrence plot,RP)特征

    RP將信號之間的周期性,、相似性,、混沌性以及非平穩(wěn)性反映到平面圖上,間接完成對復(fù)雜信號的非確定性的評估,。對心拍片段序列{x1,,x2,…,,xn}應(yīng)用時間延遲法實現(xiàn)相空間重構(gòu),,得到重構(gòu)向量Xi、Xj,,其對應(yīng)遞歸矩陣的數(shù)學(xué)表達描述為:

jsj4-gs2.gif

    獲取遞歸矩陣后,,對矩陣元素進行置換操作,可使相空間點狀態(tài)相近時,,遞歸量取值為0,;相空間點狀態(tài)差異較大時,遞歸量取值為1,。此時遞歸矩陣滿足稀疏條件,,應(yīng)用壓縮感知[10]中測量矩陣Φ即可實現(xiàn)遞歸矩陣R的壓縮,其中M<<N,。

    jsj4-gs3.gif

2.2 改進AdaBoost分類器

    AdaBoost算法通過對錯分樣本權(quán)值的不斷迭代調(diào)整,,獲取不同的弱分類器,將弱分類器結(jié)果加權(quán)疊加得到最終分類結(jié)果,。本文對AdaBoost算法進行改進,改進后分類器的流程框圖如圖7所示,。由圖可知,,在AdaBoost構(gòu)架前,本文應(yīng)用聚類分析對原始數(shù)據(jù)集進行預(yù)處理,,隨之有策略地采取隨機有放回抽樣在數(shù)據(jù)簇中按比例構(gòu)建訓(xùn)練子集,。即在初始聚類簇中對樣本上采樣構(gòu)建子樣本集1,平衡子集中不同類型樣本個數(shù),,完成基分類器C1的訓(xùn)練,;隨后每個子樣本集均由上一級錯誤分類樣本與預(yù)處理后的抽樣樣本組成,直至最后達到停止條件,??紤]到J波的低發(fā)性,本文還將不同的代價損失引入至分類器的樣本權(quán)值調(diào)節(jié),。

jsj4-t7.gif

3 實驗仿真

3.1 特征維度確定

    提取信號時頻域d3~d5,、a5層系數(shù)三階累積量后,實驗應(yīng)用KPCA提取了典型正常信號、良性J波信號,、惡性J波信號三階累積量第一核主成分,,其對應(yīng)數(shù)值分布如圖8所示。由圖可知,,提取的時頻域第一主成分特征可以較好地實現(xiàn)3種信號的區(qū)分,。因此本文最后共獲取4層共4個第一核主成分作為特征之一。

jsj4-t8.gif

    提取描述信號相似性的遞歸分析矩陣時,,選定延遲時間為3,,嵌入維數(shù)為2。圖9列舉了3種不同心電片段對應(yīng)遞歸圖,。原始信號70~90樣本點對應(yīng)心電波形中的QRS波群,,而J波出現(xiàn)常會伴隨QRS波拖尾,此現(xiàn)象反映在遞歸圖中即J波信號遞歸圖中對應(yīng)位置遞歸點發(fā)生率明顯降低,。

jsj4-t9.gif

    進一步應(yīng)用CS測量矩陣實現(xiàn)特征維度約簡,,實驗使用稀疏循環(huán)、哈達瑪以及托普利茲3種固定性矩陣進行比較,,結(jié)合設(shè)計分類器實現(xiàn)指標(biāo)評估,。實驗最終確定哈達瑪矩陣為變換矩陣,其變換維度M與準(zhǔn)確率關(guān)系曲線如圖10所示,。本文設(shè)定M值為27時對應(yīng)的遞歸圖壓縮值作為另一特征,。圖11顯示了3種信號片段遞歸圖壓縮后的三維圖。

jsj4-t10.gif

jsj4-t11.gif

3.2 分類仿真

    本文最終旨在實現(xiàn)正常心電片段,、良性J波片段以及惡性J波片段的區(qū)分,。實驗共選取18 736個正常心拍數(shù)據(jù)、3 829個良性J波心拍數(shù)據(jù),、2 081個惡性J波心拍數(shù)據(jù)進行仿真驗證,,應(yīng)用靈敏度(Sensitivity,Se),、特異性(Specificity,,Sp)以及精確度(Accuracy,Acc)完成分類器評估,。實驗數(shù)據(jù)按照7:3的比例完成訓(xùn)練集與測試集的劃分,,將上述兩種特征進行并行融合后完成分類器訓(xùn)練與測試。最后,,實驗獲取訓(xùn)練集與測試集對應(yīng)的分類精度分別如圖12,、圖13所示。其中,,訓(xùn)練集中良性J波,、惡性J波信號的分類準(zhǔn)確度分別達到84.28%,、84.21%,測試集中準(zhǔn)確率相對降低,,分別為76.3%,、78.9%。

jsj4-t12.gif

jsj4-t13.gif

    為充分驗證本文多特征融合與改進分類器相結(jié)合的算法優(yōu)勢,,將并行融合特征作為輸入向量,,實驗應(yīng)用測試集數(shù)據(jù)對比不同分類器分類指標(biāo),獲取的多分類平均精度如表1所示,。由表不難看出,,由于聚類的預(yù)處理以及代價懲罰參數(shù)的引入,本文分類效果優(yōu)于其他分類器,。

jsj4-b1.gif

    為進一步驗證設(shè)計方法的有效性,,本文還將其應(yīng)用于正常信號和J波信號的二分類,進而完成與其他J波檢測算法性能對比,。實驗中將不同檢測算法應(yīng)用于本文數(shù)據(jù)庫,,完成J波檢測。表2列舉了不同J波識別算法的性能指標(biāo),,相比于其他方法,,本文將兩種特征分別降維后進行并行融合,結(jié)合改進分類器,,明顯提高了J波檢測精度,。

jsj4-b2.gif

4 結(jié)論

    本文提出多特征融合J波分類技術(shù)。調(diào)Q小波變換與高階累積量實現(xiàn)心電片段時頻域細(xì)節(jié)性能估計,,核主成分分析實現(xiàn)累積矩陣約簡,;遞歸矩陣實現(xiàn)心電片段相空間狀態(tài)點的相似性測量,哈達瑪矩陣實現(xiàn)遞歸量壓縮表示,。兩種特征并行融合于聚類預(yù)處理后的AdaBoost分類器可實現(xiàn)J波的高精度檢測,,并完成良性與惡性J波的區(qū)分。實驗證明,,該方法可以為J波相關(guān)疾病的診斷提供一定參考。接下來,,在嘗試應(yīng)用其他方法提高J波多分類精度的基礎(chǔ)上,,還會尋找J波良、惡性區(qū)分指標(biāo)來簡化J波分類流程,。

參考文獻

[1] 沈雁巖,,張延勛.J波綜合征及其臨床意義研究進展[J].醫(yī)學(xué)綜述,2012,,18(8):1208-1212.

[2] CLARK E N,,KATIBI I,,MACFARLANE P W.Automatic detection of end QRS notching or slurring[J].Journal of Electrocardiology,2014,,47(2):151-154.

[3] WANG Y G,,WU H T,DAUBECHIES I,,et al.Automated J wave detection from digital 12-lead electrocardiogram[J].Journal of Electrocardiology,,2015,48(1):21-28.

[4] 張桂敏,,李燈熬,,趙菊敏.基于反饋部分稀疏成分分析的J波提取方法[J].太原理工大學(xué)學(xué)報,2016,,47(1):53-56.

[5] 朱貝貝,,趙菊敏,李燈熬.基于吉文斯變換提取ECG中J波信號[J].計算機應(yīng)用與軟件,,2016,,33(8):95-98.

[6] 李燈熬,白雁飛,,趙菊敏.基于隱馬爾科夫模型的J波自動識別檢測[J].電子技術(shù)應(yīng)用,,2016,42(11):112-115.

[7] 劉學(xué)博,,李燈熬,,趙菊敏,等.基于變步長支持向量機的J波自動檢測方法[J].計算機工程與應(yīng)用,,2017,,53(23):203-207.

[8] PAN J,TOMPKINS W J.A real-time QRS detection algorithm[J].IEEE Transactions on Biomedical Engineering,,1985(3):230-236.

[9] PATIDAR S,,PACHORI R B,ACHARYA U R.Automated diagnosis of coronary artery disease using tunable-Q wavelet transform applied on heart rate signals[J].Knowl-edge-Based Systems,,2015,,82:1-10.

[10] 伍云霞,張宏.基于Curvelet變換和壓縮感知的煤巖識別方法[J].煤炭學(xué)報,,2017,,42(5):1331-1338.



作者信息:

王  宏,趙菊敏,,李燈熬

(太原理工大學(xué) 信息工程學(xué)院,,山西 晉中030600)

此內(nèi)容為AET網(wǎng)站原創(chuàng),未經(jīng)授權(quán)禁止轉(zhuǎn)載,。