基于廣義尺度小波熵的心率變異性特征分類方法
【技術領域】
[0001] 本發(fā)明提出一種屯、率變異性分析方法，結合適合的分類器，能夠有效地完成對不 同種類屯、電信號的識別分類，屬于屯、電信號處理領域。
【背景技術】
[0002] 屯、率變異性是指逐次屯、搏間期之間的微小差異，它產生于自主神經系統對竇房 結自律性的調制。現有屯、率變異性分析主要基于時域、變換域的線性參數分析和復雜度 分析等非線性參數分析。作為無創(chuàng)評估迷走神經張力的方法，屯、率變異性化eartRate Variability,HRV)分析被認為是反映運類植物性神經系統功能的有效手段，利用HRV對屯、 動進行自動檢測具有較高的特異性及敏感性，進而屯、率變異性分析成為屯、房顫動（Atrial Fibrillation,AF)等研究的一大熱點。屯、房顫動是臨床常見的屯、律失常疾病。罹患AF不 僅引起患者屯、功能下降還會增加并發(fā)腦中風和血栓的風險。研究表明，陣發(fā)性房顫（PAF) 患者存在著自主神經功能素亂的現象，特別是迷走神經張力的增強可能是誘發(fā)陣發(fā)性房顫 發(fā)作和終止的重要影響因素之一。
[0003] 房顫的屯、率變異性時域的統計分析計算較為簡單，最早應用于臨床，但此方法基 于HRV信號服從特定的具有統計弱相關性的隨機序列的假設，在一定程度上忽視了屯、率間 變化的關聯性信息，從而導致迷走神經的張力及其均衡性的變化無法精確識別，可能會損 失AF分類識別的敏感性和特異性。頻域的功率譜分析通過對HRV信號進行頻段分割，通過 各頻段能量權重反映交感神經系統和副交感神經系統的狀況及其均衡性態(tài)勢，但它基于平 穩(wěn)信號模型，只能反映其一段時間內總體變化信息，不能反映其動態(tài)特征和細節(jié)，對一些疾 病特異性不強。從1992年Vetterli Μ將小波變換應用于濾波器，1998年黃鱷提出希爾伯 特黃變換化nbed-Huang)后，小波分析等變換域的方法應用到屯、率變異性分析中，通過 時頻分析克服了傳統分析的弊端，并且取得了比較好的結果。但是此類方法多直接針對小 波系數直接分析，屬于線性分析的范疇，缺乏結合HRV信號本身的分形結構和混濁特征。
[0004] 采用非線性方法如復雜度或賭作為表征其特征的數字指標，如彭秋蓮等人用樣本 賭和近似賭對陣發(fā)性房顫進行了預測研究并取得了較好的結果。但運種單純的非線性分析 往往是對信號整體的混濁性進行估計，對于信噪比較低的信號則顯得無能為力。
[0005] 近年來，研究者們將線性分析方法和非線性分析方法結合起來進行屯、率變異性分 析，運樣的組合分析方法效果都比原有方法取得了顯著提高?；痚Snokov.在2008年提出將 復雜度-樣本賭和譜分析結合來遠距離預測陣發(fā)性房顫，但是其并沒有獲得陣發(fā)性房顫的 信號特征，并且對遠離房顫的信號分析處理中并沒有獲得良好的特異性。同樣，在2012年 他提出將復雜度分析一樣本賭與線性變換和雙線性變換方法相結合來區(qū)分遠離陣發(fā)性房 顫信號和陣發(fā)性房顫信號，并且在準確度、特異性和敏感性上取得進步，但運種方法的缺陷 仍難W回避。首先，該方法計算過程復雜繁瑣；其次，運種方法實際上并沒有將非線性變換 和線性變換從理論上很好的結合在一起，而僅進行了實驗上的疊加，在沒有大量樣本驗證 的情況下，對于HRV運種個體差異性極大的生理信號，很容易出現偶然誤差或由個體差異 性所產生的誤差，其結果并不具備很好的信服力。
[0006] 因此需要一種算法來適應非線性和非平穩(wěn)的生理信號，在盡可能完整提取信號的 有效信息的同時又盡可能的減少噪聲影響顯然并不容易。運里考慮如果開發(fā)一種能將線性 變換和非線性變換完全結合到一起的算法，能夠實現在將信號的噪聲去除的同時提取出信 號的有效信息和混濁性特征，無疑是一種最優(yōu)選擇。

【發(fā)明內容】
：
[0007] 鑒于現有算法的不足W及屯、率變異性信號的不確定性，本發(fā)明的目的在于解決在 有效提取屯、率變異性信號有用特征的同時又能盡可能地減小噪聲的影響的問題。本發(fā)明提 出了一種基于廣義尺度小波賭的方法來提取屯、率變異性信號有用特征并進行分類識別的 方法。
[0008] 為了實現本發(fā)明的目的，本發(fā)明提供了一種基于廣義尺度小波賭的屯、率變異性特 征分類方法，包括如下步驟：
[0009] 步驟S1 :采集ECG信號并進行預處理，進行R波定位并通過計算相鄰R波的間隔 獲得HRV序列；
[0010] 步驟S2 :特征提?。?br>[0011] S2-1:首先對步驟S1獲得的HRV序列進行m個尺度的離散小波變換，獲得各個尺 度的離散小波系數，令Djk為第j個尺度上的第k個離散小波系數；其中j= 1，2,…!!!；k= 1，2,…η;作為優(yōu)選，采用化8作為小波基函數，對HRV序列進行8個尺度的離散小波變換。
[0012] S2-2:根據各層離散小波系數計算各尺度的α階廣義小波賭值：
[001引 方法如下：
[0014] 記尺度j上的小波系數矢量為W,:
[001 引Wj=值"，Dj2, . . . ,Djk, . . . ,Djn);
[0016] 則尺度j上Wj的α階廣義小波賭值Η(Wi)為：
[0017]
[001引其中α值通過訓練和學習獲得最優(yōu)值，作為優(yōu)選，α值在0~5之間，p,k根據下 式獲得：
[0019]
[0020] 步驟S3 :分類：
[0021] S3-1 :對不同類別的屯、電信號，篩選出具有統計差異性的尺度上α階廣義小波賭 來構造特征向量；作為優(yōu)選，對不同類別的屯、電信號，利用統計假設檢驗的方式，篩選出具 有統計差異性的尺度上α階廣義小波賭來構造特征向量。進一步地，可W采用置信度為 0. 05的t檢驗篩選具有統計差異性的前3個尺度層次的α階廣義小波賭來構造特征向量；
[0022]S3-2:利用所構造的特征向量，對關于步驟S3-1中所述不同類別進行屯、電信號的 分類。作為優(yōu)選，采用分類器進行不同類別屯、電信號的分類，采用的分類器包括如下之一： Bayes分類器，ΒΡ神經網絡分類器，自組織映射，支持向量機。
[0023] 作為優(yōu)選，步驟S1包括：
[0024] Sl-1:首先去除ECG信號中的工頻干擾、肌電干擾及基線漂移；
[00巧]S1-2:對步驟S1-1獲得的ECG信號進行QRS波群定位，計算相鄰R波的間隔，并將 其編號從而獲得原始HRV信號序列；作為優(yōu)選，采用Pan-Tompkins算法檢測QRS波群，定位 R波；
[0026] S1-3:去除HRV信號中存在的偽差和異位起搏點，從而獲得待分析的HRV序列；
[0027] 作為優(yōu)選，對陣發(fā)性房顫ECG信號和非陣發(fā)性房顫ECG信號進行分類時，α為 1. 7。
[0028] 對比現有技術，本發(fā)明有益效果在于：本方法在現有的線性分析和非線性分析方 法基礎上，提出將小波變換和α階廣義賭方法結合，形成α階小波賭算法進行屯、率變異性 特征分析。α階廣義賭是傳統香農賭的一種擴展，它對特征參數進行了范圍推廣W提高其 正確性、敏感性和特異性。當α=1時，就是香農賭。本方法能夠對不同尺度上信息量的 變化和時頻域上能量分布特性進行定量描述，再結合SVM等分類方法，便能夠對諸如PAF等 屯、電信號進行分類預測研究。此外結合基于小波分析方法建立起類似信息賭的理論一一小 波賭理論，避免了單純時頻分析帶來的混濁特征缺乏，W及非線性方法對信噪比較低的信 號分析的低準確率。小波賭方法結合屯、電生理信號的特點，將小波變換方法具有多分辨率 及良好的局部特征，和信息論中賭被用來表示每個符號所提供的平均信息量和信源的平均 不確定性特點結合在一起來分析僅有隨機性和不確定性的生理信號，能夠對時頻域上能量 分布特性進行定量描述。本發(fā)明引入α階小波賭代替香農賭進行推廣，使得相比其它線性 或非線性方法，其結果更加適應屯、臟電信號生理規(guī)律。
【附圖說明】
[0029] 圖1為本發(fā)明方法的流程圖；
[0030] 圖2遍歷廣義賭階數α進行陣發(fā)性房顫分類均值比較；
[0031] 圖3遍歷廣義賭階數α進行陣發(fā)性房顫分類標準差比較；
[0032] 圖4PAF信號與遠離PAF的信號第二層小波賭的箱型圖；
[0033] 圖5PAF信號與遠離PAF的信號第六層小波賭的箱型圖；
[0034] 圖6PAF信號與遠離PAF的信號第八層小波賭的箱型圖。
【具體實施方式】
[0035] 下面將對本發(fā)明加W詳細說明，同時也敘述了本發(fā)明技術方案解決的技術問題及 有益效果，需要指出的是，所描述的實例僅旨在便于對本發(fā)明的理解，而對其不起任何限定 作用。
[0036] 下面W對陣發(fā)性房顫ECG信號和非陣發(fā)性房顫ECG信號進行分類為例，結合附圖 說明本發(fā)明的【具體實施方式】。算法流程圖見圖1。
[0037] 步驟S1 :采集ECG信號并進行預處理，獲得HRV序列：運一步包