基于广义尺度小波熵的心率变异性特征分类方法
【技术领域】
[0001] 本发明提出一种屯、率变异性分析方法，结合适合的分类器，能够有效地完成对不 同种类屯、电信号的识别分类，属于屯、电信号处理领域。
【背景技术】
[0002] 屯、率变异性是指逐次屯、搏间期之间的微小差异，它产生于自主神经系统对窦房 结自律性的调制。现有屯、率变异性分析主要基于时域、变换域的线性参数分析和复杂度 分析等非线性参数分析。作为无创评估迷走神经张力的方法，屯、率变异性化eartRate Variability,HRV)分析被认为是反映运类植物性神经系统功能的有效手段，利用HRV对屯、 动进行自动检测具有较高的特异性及敏感性，进而屯、率变异性分析成为屯、房颤动（Atrial Fibrillation,AF)等研究的一大热点。屯、房颤动是临床常见的屯、律失常疾病。罹患AF不 仅引起患者屯、功能下降还会增加并发脑中风和血栓的风险。研究表明，阵发性房颤（PAF) 患者存在着自主神经功能素乱的现象，特别是迷走神经张力的增强可能是诱发阵发性房颤 发作和终止的重要影响因素之一。
[0003] 房颤的屯、率变异性时域的统计分析计算较为简单，最早应用于临床，但此方法基 于HRV信号服从特定的具有统计弱相关性的随机序列的假设，在一定程度上忽视了屯、率间 变化的关联性信息，从而导致迷走神经的张力及其均衡性的变化无法精确识别，可能会损 失AF分类识别的敏感性和特异性。频域的功率谱分析通过对HRV信号进行频段分割，通过 各频段能量权重反映交感神经系统和副交感神经系统的状况及其均衡性态势，但它基于平 稳信号模型，只能反映其一段时间内总体变化信息，不能反映其动态特征和细节，对一些疾 病特异性不强。从1992年Vetterli Μ将小波变换应用于滤波器，1998年黄鳄提出希尔伯 特黄变换化nbed-Huang)后，小波分析等变换域的方法应用到屯、率变异性分析中，通过 时频分析克服了传统分析的弊端，并且取得了比较好的结果。但是此类方法多直接针对小 波系数直接分析，属于线性分析的范畴，缺乏结合HRV信号本身的分形结构和混浊特征。
[0004] 采用非线性方法如复杂度或赌作为表征其特征的数字指标，如彭秋莲等人用样本 赌和近似赌对阵发性房颤进行了预测研究并取得了较好的结果。但运种单纯的非线性分析 往往是对信号整体的混浊性进行估计，对于信噪比较低的信号则显得无能为力。
[0005] 近年来，研究者们将线性分析方法和非线性分析方法结合起来进行屯、率变异性分 析，运样的组合分析方法效果都比原有方法取得了显著提高。化eSnokov.在2008年提出将 复杂度-样本赌和谱分析结合来远距离预测阵发性房颤，但是其并没有获得阵发性房颤的 信号特征，并且对远离房颤的信号分析处理中并没有获得良好的特异性。同样，在2012年 他提出将复杂度分析一样本赌与线性变换和双线性变换方法相结合来区分远离阵发性房 颤信号和阵发性房颤信号，并且在准确度、特异性和敏感性上取得进步，但运种方法的缺陷 仍难W回避。首先，该方法计算过程复杂繁琐；其次，运种方法实际上并没有将非线性变换 和线性变换从理论上很好的结合在一起，而仅进行了实验上的叠加，在没有大量样本验证 的情况下，对于HRV运种个体差异性极大的生理信号，很容易出现偶然误差或由个体差异 性所产生的误差，其结果并不具备很好的信服力。
[0006] 因此需要一种算法来适应非线性和非平稳的生理信号，在尽可能完整提取信号的 有效信息的同时又尽可能的减少噪声影响显然并不容易。运里考虑如果开发一种能将线性 变换和非线性变换完全结合到一起的算法，能够实现在将信号的噪声去除的同时提取出信 号的有效信息和混浊性特征，无疑是一种最优选择。
【发明内容】
：
[0007] 鉴于现有算法的不足W及屯、率变异性信号的不确定性，本发明的目的在于解决在 有效提取屯、率变异性信号有用特征的同时又能尽可能地减小噪声的影响的问题。本发明提 出了一种基于广义尺度小波赌的方法来提取屯、率变异性信号有用特征并进行分类识别的 方法。
[0008] 为了实现本发明的目的，本发明提供了一种基于广义尺度小波赌的屯、率变异性特 征分类方法，包括如下步骤：
[0009] 步骤S1 :采集ECG信号并进行预处理，进行R波定位并通过计算相邻R波的间隔 获得HRV序列；
[0010] 步骤S2 :特征提取：
[0011] S2-1:首先对步骤S1获得的HRV序列进行m个尺度的离散小波变换，获得各个尺 度的离散小波系数，令Djk为第j个尺度上的第k个离散小波系数；其中j= 1，2,…!!!；k= 1，2,…η;作为优选，采用化8作为小波基函数，对HRV序列进行8个尺度的离散小波变换。
[0012] S2-2:根据各层离散小波系数计算各尺度的α阶广义小波赌值：
[001引 方法如下：
[0014] 记尺度j上的小波系数矢量为W,:
[001 引Wj=值"，Dj2, . . . ,Djk, . . . ,Djn);
[0016] 则尺度j上Wj的α阶广义小波赌值Η(Wi)为：
[0017]
[001引其中α值通过训练和学习获得最优值，作为优选，α值在0~5之间，p,k根据下 式获得：
[0019]
[0020] 步骤S3 :分类：
[0021] S3-1 :对不同类别的屯、电信号，筛选出具有统计差异性的尺度上α阶广义小波赌 来构造特征向量；作为优选，对不同类别的屯、电信号，利用统计假设检验的方式，筛选出具 有统计差异性的尺度上α阶广义小波赌来构造特征向量。进一步地，可W采用置信度为 0. 05的t检验筛选具有统计差异性的前3个尺度层次的α阶广义小波赌来构造特征向量；
[0022]S3-2:利用所构造的特征向量，对关于步骤S3-1中所述不同类别进行屯、电信号的 分类。作为优选，采用分类器进行不同类别屯、电信号的分类，采用的分类器包括如下之一： Bayes分类器，ΒΡ神经网络分类器，自组织映射，支持向量机。
[0023] 作为优选，步骤S1包括：
[0024] Sl-1:首先去除ECG信号中的工频干扰、肌电干扰及基线漂移；
[00巧]S1-2:对步骤S1-1获得的ECG信号进行QRS波群定位，计算相邻R波的间隔，并将 其编号从而获得原始HRV信号序列；作为优选，采用Pan-Tompkins算法检测QRS波群，定位 R波；
[0026] S1-3:去除HRV信号中存在的伪差和异位起搏点，从而获得待分析的HRV序列；
[0027] 作为优选，对阵发性房颤ECG信号和非阵发性房颤ECG信号进行分类时，α为 1. 7。
[0028] 对比现有技术，本发明有益效果在于：本方法在现有的线性分析和非线性分析方 法基础上，提出将小波变换和α阶广义赌方法结合，形成α阶小波赌算法进行屯、率变异性 特征分析。α阶广义赌是传统香农赌的一种扩展，它对特征参数进行了范围推广W提高其 正确性、敏感性和特异性。当α=1时，就是香农赌。本方法能够对不同尺度上信息量的 变化和时频域上能量分布特性进行定量描述，再结合SVM等分类方法，便能够对诸如PAF等 屯、电信号进行分类预测研究。此外结合基于小波分析方法建立起类似信息赌的理论一一小 波赌理论，避免了单纯时频分析带来的混浊特征缺乏，W及非线性方法对信噪比较低的信 号分析的低准确率。小波赌方法结合屯、电生理信号的特点，将小波变换方法具有多分辨率 及良好的局部特征，和信息论中赌被用来表示每个符号所提供的平均信息量和信源的平均 不确定性特点结合在一起来分析仅有随机性和不确定性的生理信号，能够对时频域上能量 分布特性进行定量描述。本发明引入α阶小波赌代替香农赌进行推广，使得相比其它线性 或非线性方法，其结果更加适应屯、脏电信号生理规律。
【附图说明】
[0029] 图1为本发明方法的流程图；
[0030] 图2遍历广义赌阶数α进行阵发性房颤分类均值比较；
[0031] 图3遍历广义赌阶数α进行阵发性房颤分类标准差比较；
[0032] 图4PAF信号与远离PAF的信号第二层小波赌的箱型图；
[0033] 图5PAF信号与远离PAF的信号第六层小波赌的箱型图；
[0034] 图6PAF信号与远离PAF的信号第八层小波赌的箱型图。
【具体实施方式】
[0035] 下面将对本发明加W详细说明，同时也叙述了本发明技术方案解决的技术问题及 有益效果，需要指出的是，所描述的实例仅旨在便于对本发明的理解，而对其不起任何限定 作用。
[0036] 下面W对阵发性房颤ECG信号和非阵发性房颤ECG信号进行分类为例，结合附图 说明本发明的【具体实施方式】。算法流程图见图1。
[0037] 步骤S1 :采集ECG信号并进行预处理，获得HRV序列：运一步包