为5份，每份各包含5个数据样本。在支持向量机分类时，采用每种类型各四份，一共40例 样本作为训练集，其余10类为测试集。循环5次，交叉进行，每次测试集都不相同。
[0079] 操作方法是将作为训练数据集的40例样本通过S3-1中选出的特征向量作为X，对 阵发性房颤信号的y取值为1，远离阵发性房颤信号y取值为-1，组成（XI，yi)，（而，y2)，… ，（x4D，y4。），利用上述方程组确定核函数Κ(χι，χ)和参数C，再用检验数据集进行分类结果验 证。
[0080] 为方便对比出本方法的优点，在这里我们将此方法的结果与常见的4种HRV信 号分析算法进行比较：参照文献巧ef:CombiningclassicalHRVindiceswithwavelet entropymeasuresimprovestoperformanceindiagnosingcongestiveheart failure)的时域方法，主要涉及四个参数（Mean、SD顺、RMSSD和p顺50);参照文献巧ef:P. Laguna,G.B.Moody,民.G.Mark,Powerspectraldensityofunevenlysampleddataby le过st-squ过re过n过lysis:perform过nee过nd过pplic过tiontohe过rtr过tesign过Is，IEEE Trans.Biomed.Eng. 1998 ;G.B.Moody,Spectralanalysisofheartratewithout resampling,Comput.Cardiol. 1993)的频域方法，主要涉及四个参数（pVLF，pLF，pHF， Ratio);样本傭方法，其中样本傭涉及参数选择，通过参考文献巧ef:S.Μ.Pincus，A. L.Goldberger,Physiologicaltimeseriesanalysis:whatdoesregularity quantify?Am.J.Physiol.HeartCirc.Physiol. 1994)W及实验验证，选取参数m为 2，r为0. 5倍的样本标准差；小波能量方法，参考文献巧ef:U.W化ludetal.Short-term analysisofheart-ratevariabilitybyadaptedwavelettransforms. 1997)〇
[0081] 将本方法提出的算法与这四种方法进行对比，并结合支持向量机分类验证：依据 临床检验的常用指标，我们参照文献（MaryamMohebbi，Hassan(ihassemian，Predictionof paroxysmalatrialfibrillationbasedonnon-linearanalysisandspectrumand bispectrumfeaturesoftheheartratevariabilitysignal，computermethodsand programsinbiomedicine, 2012)采用了准确率（CorrectRate),敏感性（Sensitivity), 特异性（Specificity)Ξ个参数给出对比实验的效果，其定义如下所示：
[008引 TP，TN，FP^及FN分别表示分类结果的真阳数、真阴数，假阳数及假阴数。
[0086] 表1α阶广义小波傭与时域、频域、样本傭方法进行PAF分类结果比较
[0087]
[0088] 从表1可^明显看出，本文提出的基于α阶广义小波傭的方法在分类结果的正确 性，特异性W及显著性上都具有明显的优势，反映出其表征AF屯、电活动的动态变化过程和 基本特点。本方法通过多尺度小波赌分析的引入克服了传统频域分析的弊端，准确性、敏感 性及特异性都有了显著的提高。由此可见本发明在相同情况下能获得更好的分类效果，准 确性，特异性及敏感性均为各类方法中最高。运样，本发明做到了既能有效的提取PAF的特 征信息，又能减少噪声影响获得最好的分类效果。
[0089] 由于阵发性房颤出现时，机体屯、率会出现快速不规则的变化，与周围未出现房颤 的屯、率信号极大地不相关，体现出"噪声"的性质，必然会出现信息量的激增变化，而且在不 同尺度上的小波系数上又表现出差异性。因此，对比现有技术，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阶广义赌方法从理论和实际上结合的结构， 形成α阶小波赌算法进行屯、率变异性分析。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。运种 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 分类方法，便能够对PAF信号进行分类预测研究。
[0090] W上所述，仅为本发明的【具体实施方式】，但本发明的保护范围并不局限于此，任何 熟悉该技术的人在本发明所掲露的技术范围内，可理解想到的变换和替换，都应涵盖在本 发明的包含范围之内，因此，本发明的保护范围应该W权利要求书的保护范围为准。
【主权项】
1. 基于广义尺度小波熵的心率变异性特征分类方法，其特征在于，包含如下步骤： 步骤Sl :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； 步骤S2 :特征提取： S2-1:首先对步骤Sl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 ； 52- 2:根据各层离散小波系数计算各尺度的α阶广义小波熵值： 方法如下： 记尺度j上的小波系数矢量为Wj: Wj (D ji，Dj2，· · ·，Djii, · · ·，Djn); 则尺度j上Wj的α阶广义小波熵值H (W J为：其中α值通过训练和学习获得最优值，p]k根据下式获得：步骤S3 :分类： 53- 1:对不同类别的心电信号，筛选出具有统计差异性的尺度上α阶广义小波熵来构 造特征向量； 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心电信号的分 类。2. 根据权利要求1所述一种基于广义尺度小波熵的心率变异性特征分类方法，其特征 在于，步骤Sl包括： S1-1:首先去除ECG信号中的工频干扰、肌电干扰及基线漂移； S1-2:对步骤Sl-I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； 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。3. 根据权利要求1所述一种基于广义尺度小波熵的心率变异性特征分类方法，其特征 在于，步骤S2-2中，α值在〇~5之间。4. 根据权利要求2所述一种基于广义尺度小波熵的心率变异性特征分类方法，其特征 在于，步骤S1-2中采用Pan-Tompkins算法检测QRS波群，定位R波。5. 根据权利要求1所述一种基于广义尺度小波熵的心率变异性特征分类方法，其特征 在于，步骤S3-1 :对不同类别的心电信号，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阶广义小波熵来构造特征向量。6. 根据权利要求1所述一种基于广义尺度小波熵的心率变异性特征分类方法，其特征 在于，步骤S3-2中，采用分类器进行不同类别心电信号的分类，采用的分类器包括如下之 一 ：Bayes分类器，BP神经网络分类器，自组织映射，支持向量机。7. 根据权利要求1所述一种基于广义尺度小波熵的心率变异性特征分类方法，其特征 在于，步骤S2-1中，采用db8作为小波基函数，对HRV序列进行8个尺度的离散小波变换。8. 根据权利要求5所述一种基于广义尺度小波熵的心率变异性特征分类方法，其特征 在于，采用置信度为〇. 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 波熵来构造特征向量。9. 根据权利要求1所述一种基于广义尺度小波熵的心率变异性特征分类方法，其特征 在于，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。
【专利摘要】本发明公开了一种基于广义尺度小波熵的心率变异性特征分类方法，属于心电信号处理领域。对待处理的原心电信号进行干扰和基线漂移去除等预处理之后进行R波定位并通过计算相邻R波的间隔获得HRV序列；对其进行离散小波变换获得离散小波系数，然后根据需求选取适当α值计算各层小波系数的α阶广义小波熵；再根据所得熵值筛选出具有统计差异性的尺度作为特征层，并用它们的α阶广义小波熵值构建特征向量，从而对心电信号进行分类识别。
【IPC分类】A61B5/0402, A61B5/024
【公开号】CN105411565
【申请号】CN201510809720
【发明人】辛怡, 陈煜 , 王振宇, 母远慧, 赵一璋
【申请人】北京理工大学
【公开日】2016年3月23日
【申请日】2015年11月20日