kaiyun官方注册
您所在的位置: 首页> 嵌入式技术> 设计应用> 基于多特征融合的J波分类模型
基于多特征融合的J波分类模型
2018年电子技术应用第11期
王 宏,赵菊敏,李灯熬
太原理工大学 信息工程学院,山西 晋中030600
摘要:J波是心电图上出现的一种异常变异。应用计算机实现J波自动分类对J波疾病的临床诊断有着重要意义。基于时频域和相空间两个分析角度,一方面使用调Q小波变换(Tunable Q Wavelet Transform,TQWT)和高阶累积量挖掘信号时频域的细节特性;另一方面应用递归图(Recurrence plot,RP)评估心脏系统递归点的发生状态。两类特征降维后并行融合于改进的AdaBoost分类器实现正常、良性J波和恶性J波分类。结果显示,设计的J波多分类算法平均准确度约达到79%,可以用于J波良、恶性辅助诊断。
中图分类号:TP391
文献标识码:A
DOI:10.16157/j.issn.0258-7998.181082
中文引用格式:王宏,赵菊敏,李灯熬. 基于多特征融合的J波分类模型[J].电子技术应用,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波是心电图上QRS波结束与ST段起始的结合点(J点)附近产生的一种顿挫。大量临床分析表明,J波与心律失常、猝死等心血管疾病具有重大关联。如今异常J波和某些类型的J波综合征已经被列为心脏性猝死检测的高危预警指标[1],所以如何快速、准确地实现心电图中J波的检测分类,以降低J波相关疾病的致死率在医学界广受关注。

近两年,国内外出现了一些J波疾病的计算机辅助诊断方法。2014年,CLARK E N等[2]在QRS波下降沿定义下凹区域实现J波检测并得到90.5%的灵敏度。2015年,WANG Y G等[3]对12导联数据应用函数分析技术完成J波检测,灵敏度达到89%。2016年,张桂敏、朱贝贝等[4-5]应用稀疏盲源分离技术对心电信号中的J波进行提取。同年,李灯熬等[6]特征提取与隐马尔科夫模型结合,应用十倍交叉验证获取94.2%的灵敏度。2017年,刘学博等[7]结合曲线拟合、小波变换和径向基支持向量机于正常信号和J波信号的二分类,灵敏度达到90%。

分析这些J波识别模型,首先相关算法的检测精度存在一定的可提升空间,其次算法分类效果仅仅局限于J波信号的有无,并未实现J波的良性与恶性的区分。本文设计聚类预处理的AdaBoost分类器,结合时频域三阶累积量的第一核主成分以及相空间递归矩阵的压缩向量完成正常信号、良性J波信号与恶性J波信号三分类。

1 数据库建立及预处理

本文从项目合作单位山西大医院获取J波相关疾病患者的心电图。以360 Hz采样率对信号进行样本规范化,最终得到200个心电记录组成数据库,其中每段记录时长约为1 min。

获取的心电数据中混有噪声信号,为保证算法设计的有效性,使用平稳小波对信号进行9层分解,丢弃最高层近似系数重构。对重构后信号进行6层平稳小波分解,应用软阈值对系数进行修正处理来消除噪声。

J波主要突显在心电图的ST段,有时也会出现在QRS波形的下降支。为了减少整体计算量,本文引用Pan-Tompkins方法[8]完成R基准点检测,并选取R点前77个、后172个样本点组成研究心拍。

2 J波多特征融合分类方法

本文设计了一种J波多分类识别算法。心电信号在预处理后,提取多角度分析特征。这些特征经特征优化后,并行融合输入至改进AdaBoost分类器实现正常心拍、良性J波心拍与恶性J波心拍的辨别,方法整体流程如图1所示。

jsj4-t1.gif

2.1 多角度特征提取

本文主要从时频域和相空间两个角度对信号的非线性与相似性进行度量。

2.1.1 时频域非线性特征

调Q小波变换[9](Tunable Q Wavelet Transform,TQWT)是离散小波变换的改进算法,克服了离散小波基函数选取缺乏理论支撑的弊端,TQWT引入描述信号中心频率与带宽比值的品质因数Q,用以获取对信号波形具有自适应能力的母小波,进而获得更为有效的尺度系数。

基于心拍信号的5层TQWT分解,算法对分解后第3层、第4层、第5层细节系数d3、d4、d5以及第5层近似系数a5分别进行非线性三阶累积量统计,其求取公式如式(1)所示。并应用核主成分分析(Kernel Principal Component Analysis,KPCA)实现特征降维。

jsj4-gs1.gif

图2为3种类型心拍信号经TQWT分解后选取的子带系数波动曲线。由图可见,在各选定子带上,对应系数的波动幅度有明显差异。

jsj4-t2.gif

图3~图6是3种类型信号对应d3~d5、a5子带系数的三阶累积量的等高线图以及三维立体图。分析图中数据分布,不难看出含有J波信号的三维图幅值更高,且反映到等高线图中即J波信号尤其是恶性J波对应等高线变化坡度更为明显。

jsj4-t3.gif

jsj4-t4.gif

jsj4-t5.gif

jsj4-t6.gif

2.1.2 相空间递归图(Recurrence plot,RP)特征

RP将信号之间的周期性、相似性、混沌性以及非平稳性反映到平面图上,间接完成对复杂信号的非确定性的评估。对心拍片段序列{x1,x2,…,xn}应用时间延迟法实现相空间重构,得到重构向量Xi、Xj,其对应递归矩阵的数学表达描述为:

jsj4-gs2.gif

获取递归矩阵后,对矩阵元素进行置换操作,可使相空间点状态相近时,递归量取值为0;相空间点状态差异较大时,递归量取值为1。此时递归矩阵满足稀疏条件,应用压缩感知[10]中测量矩阵Φ即可实现递归矩阵R的压缩,其中M<

jsj4-gs3.gif

2.2 改进AdaBoost分类器

AdaBoost算法通过对错分样本权值的不断迭代调整,获取不同的弱分类器,将弱分类器结果加权叠加得到最终分类结果。本文对AdaBoost算法进行改进,改进后分类器的流程框图如图7所示。由图可知,在AdaBoost构架前,本文应用聚类分析对原始数据集进行预处理,随之有策略地采取随机有放回抽样在数据簇中按比例构建训练子集。即在初始聚类簇中对样本上采样构建子样本集1,平衡子集中不同类型样本个数,完成基分类器C1的训练;随后每个子样本集均由上一级错误分类样本与预处理后的抽样样本组成,直至最后达到停止条件。考虑到J波的低发性,本文还将不同的代价损失引入至分类器的样本权值调节。

jsj4-t7.gif

3 实验仿真

3.1 特征维度确定

提取信号时频域d3~d5、a5层系数三阶累积量后,实验应用KPCA提取了典型正常信号、良性J波信号、恶性J波信号三阶累积量第一核主成分,其对应数值分布如图8所示。由图可知,提取的时频域第一主成分特征可以较好地实现3种信号的区分。因此本文最后共获取4层共4个第一核主成分作为特征之一。

jsj4-t8.gif

提取描述信号相似性的递归分析矩阵时,选定延迟时间为3,嵌入维数为2。图9列举了3种不同心电片段对应递归图。原始信号70~90样本点对应心电波形中的QRS波群,而J波出现常会伴随QRS波拖尾,此现象反映在递归图中即J波信号递归图中对应位置递归点发生率明显降低。

jsj4-t9.gif

进一步应用CS测量矩阵实现特征维度约简,实验使用稀疏循环、哈达玛以及托普利兹3种固定性矩阵进行比较,结合设计分类器实现指标评估。实验最终确定哈达玛矩阵为变换矩阵,其变换维度M与准确率关系曲线如图10所示。本文设定M值为27时对应的递归图压缩值作为另一特征。图11显示了3种信号片段递归图压缩后的三维图。

jsj4-t10.gif

jsj4-t11.gif

3.2 分类仿真

本文最终旨在实现正常心电片段、良性J波片段以及恶性J波片段的区分。实验共选取18 736个正常心拍数据、3 829个良性J波心拍数据、2 081个恶性J波心拍数据进行仿真验证,应用灵敏度(Sensitivity,Se)、特异性(Specificity,Sp)以及精确度(Accuracy,Acc)完成分类器评估。实验数据按照7:3的比例完成训练集与测试集的划分,将上述两种特征进行并行融合后完成分类器训练与测试。最后,实验获取训练集与测试集对应的分类精度分别如图12、图13所示。其中,训练集中良性J波、恶性J波信号的分类准确度分别达到84.28%、84.21%,测试集中准确率相对降低,分别为76.3%、78.9%。

jsj4-t12.gif

jsj4-t13.gif

为充分验证本文多特征融合与改进分类器相结合的算法优势,将并行融合特征作为输入向量,实验应用测试集数据对比不同分类器分类指标,获取的多分类平均精度如表1所示。由表不难看出,由于聚类的预处理以及代价惩罚参数的引入,本文分类效果优于其他分类器。

jsj4-b1.gif

为进一步验证设计方法的有效性,本文还将其应用于正常信号和J波信号的二分类,进而完成与其他J波检测算法性能对比。实验中将不同检测算法应用于本文数据库,完成J波检测。表2列举了不同J波识别算法的性能指标,相比于其他方法,本文将两种特征分别降维后进行并行融合,结合改进分类器,明显提高了J波检测精度。

jsj4-b2.gif

4 结论

本文提出多特征融合J波分类技术。调Q小波变换与高阶累积量实现心电片段时频域细节性能估计,核主成分分析实现累积矩阵约简;递归矩阵实现心电片段相空间状态点的相似性测量,哈达玛矩阵实现递归量压缩表示。两种特征并行融合于聚类预处理后的AdaBoost分类器可实现J波的高精度检测,并完成良性与恶性J波的区分。实验证明,该方法可以为J波相关疾病的诊断提供一定参考。接下来,在尝试应用其他方法提高J波多分类精度的基础上,还会寻找J波良、恶性区分指标来简化J波分类流程。

参考文献

[1] 沈雁岩,张延勋.J波综合征及其临床意义研究进展[J].医学综述,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] 张桂敏,李灯熬,赵菊敏.基于反馈部分稀疏成分分析的J波提取方法[J].太原理工大学学报,2016,47(1):53-56.

[5] 朱贝贝,赵菊敏,李灯熬.基于吉文斯变换提取ECG中J波信号[J].计算机应用与软件,2016,33(8):95-98.

[6] 李灯熬,白雁飞,赵菊敏.基于隐马尔科夫模型的J波自动识别检测[J].电子技术应用,2016,42(11):112-115.

[7] 刘学博,李灯熬,赵菊敏,等.基于变步长支持向量机的J波自动检测方法[J].计算机工程与应用,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,张宏.基于Curvelet变换和压缩感知的煤岩识别方法[J].煤炭学报,2017,42(5):1331-1338.



作者信息:

王 宏,赵菊敏,李灯熬

(太原理工大学 信息工程学院,山西 晋中030600)

此内容为AET网站原创,未经授权禁止转载。
Baidu
map