基于调Q小波变换和高阶累积量的J波检测及分类方法与流程

本发明涉及J波检测及分类方法，具体为基于调Q小波变换和高阶累积量的的J波检测及分类方法。

背景技术：

J波是Tomashewski在1938年首次发现的，它是J点(QRS波结束与ST段起始的结合点)附近产生的一种顿挫。目前临床上将J波引发的恶性室性心律失常、晕厥、猝死等疾病统称为J波综合征。更为具体来说，其分为获得性和遗传性两类，获得性J波综合征包括缺血性J波和低温性J波，遗传性包括早期复极综合征(Early Repolarization Syndrome，ERS)和Brugada综合征(Brugada Syndrome，BrS)。

大量临床分析表明，J波与心律失常、急性心肌梗死、变异心绞痛、猝死等心血管疾病具有重大关联：冠心病患者中与J波相关疾病的发生率在23％～42％，其中缺血性J波发生率高达70.12％。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。提高心电信号中J波信号的检测识别分类对预防相关高危疾病，减少医生诊断压力，降低J波疾病引发的致死率具有现实的临床意义和重大的实用价值。

调Q小波变换(tunable Q-factor wavelet transform,TQWT)是离散二进制小波结构基础上的一种改进的时频分析方法。其针对传统小波变换基函数选取缺乏理论支撑的不足，引入描述信号中心频率与带宽比值的品质因数Q，克服了传统小波变换品质因子恒定不变的劣势。其可以根据信号自身的振荡特性，实现小波基函数的自适应，达到和分析信号更好的匹配度，从而获取更为有效目标成分。应用此方法最大优势在于可避免为筛选小波基而进行大量实验，算法可简单、快速、高效地实现特征提取。

高阶累积量(Higher-order Cumulant)属于高阶统计方法之一，其包含了原始信号幅度和相位的丰富信息，应用于生物医学信号的非线性、非确定性、非平稳性等固有特性分析时具有一定优势。因为其具有变元可加、对称等性质，应用简单、方便，尤其在使用其三、四阶累积量信息统计时可以获取一、二阶累积量无法提取的有用信息。

本发明研究了基于调Q小波和高阶累积量技术的检测方法，在理论分析的基础上，给出了具体实现J波信号识别和分类的基本步骤，为J波疾病的临床诊断、治疗提供一定参考依据。

技术实现要素：

本发明的主要目的是弥补现有J波信号检测准确度低的不足，提供一种基于调Q小波变换和高阶累积量的J波检测及分类方法。

本发明是采用如下的技术方案实现的：基于调Q小波变换和高阶累积量的J波检测及分类方法，包括以下步骤：

(1)首先通过心电图机进行心电数据采集，获取心电信号，包括正常信号和J波信号两种类型；

(2)采用平稳小波变换检测心电信号的R峰值点，截取R峰值点后128个点作为初始数据样本；

(3)应用平稳小波变换对初始数据样本进行4尺度小波分解，获取4层小波系数，计算4层小波系数的相对能量作为特征向量；

(4)应用调Q小波变换对初始数据样本进行4层小波分解，提取第3层的细节系数，获取细节系数的3阶累积量估计值的主成分和4阶累积量估计值的主成分并作为特征向量；

(5)将上述提取的特征向量输入至集成C4.5决策树，对集成C4.5决策树进行训练；

(6)将待分类的心电信号进行步骤(2)、(3)、(4)得到特征向量，将特征向量输入到集成C4.5决策树，即得到心电信号的类型。

本检测技术中应用的特征主要包含两类：其一平稳小波变换提取的信号能量特征，其二调Q小波变换和高阶累积量提取的信号非线性特征。两者通过串行融合经快速ICA降维后可以更为简单、方便地获取对原信号具有高度代表性的较低维数的特征向量，将其输入至集成决策树分类器，可以快速、高效地实现J波信号的准确分类。

附图说明

图1为本发明的流程图。

注：A、B为输入集成C4.5决策树的17个特征向量，A表示调Q小波第3层细节系数对应3、4阶累积量主成分组成的16个特征向量，B表示平稳小波4层分解所得系数的相对能量RWE₁、RWE₂、RWE₃、RWE₄串行融合所得的一个特征向量。

具体实施方式

基于调Q小波变换和高阶累积量的J波检测及分类方法，包括以下步骤：

(1)通过心电图机获取所需的心电信号，包括正常信号(NS)和J波信号(JS)两种类型。因为心电图机带有噪声滤除模块，所以可以直接获得去除噪声后的心电信号。

(2)由于J波主要突显在心电图的ST段，有时也会出现在QRS的下降支，为提高检测效率，降低计算复杂度，采用平稳小波变换检测心电信号的R峰值点，并截取R峰值点后的128个样本点作为初始数据样本。

(3)对初始数据样本分别应用平稳小波变换和调Q小波变换进行4层分解，提取下面两类特征向量。

其一，对初始数据样本进行4层平稳小波变换分别获取4层长度相等小波系数，设C_j(k)代表第j层小波系数，应用公式1进行小波系数相对能量提取，分别记为RWE₁、RWE₂、RWE₃、RWE₄，使用串行融合方法将其组合为一个特征向量。

其二，首先，对初始数据样本进行4层调Q小波变换，提取第3层小波细节系数序列{x₁,x₂,...,x_n}，应用公式2、3分别获取3阶累积量的估计值和4阶累积量的估计值

其中代表信号的K阶矩，τ表示延迟时间，E[·]表示均值运算。

其次，在获取3阶累积量的估计值和4阶累积量的估计值后应用基于负熵的快速ICA进行降维，提取估计值的主成分。其主要过程为：

第一步：对估计值和去均值处理，使它的均值为0，即

第二步：利用PCA进行白化操作，去除特征之间的相关性，增强算法收敛性，即

第三步：适当选择需要估计的分量的个数和迭代次数；

第四步：随机选择一个初始权矢量W；

第五步：以W＝E{Xg(W^TX)}-E{Xg'(W^TX)}W更新权值，其中E{·}为均值运算，g(·)为非线性函数，这里取g(y)＝yexp(-y²/2)；

第六步：对更新后的权值进行规范化W＝W/||W||；

第七步：是否收敛？如果否，转向第五步，如果收敛，结束。

最后，选取降维后共16个特征向量与相对能量融合而成的特征向量组成样本特征集。

(4)将数据D分为互不相交的两个子集，组成训练样本组S和测试样本组T，其含有数据比例为7:3，其中训练样本组S中一定要包含NS和JS两种类型信号样本。

(5)取训练样本组S，对每个训练样本按照步骤(2)、(3)分别提取17个特征向量，输入至集成C4.5决策树，对集成C4.5决策树进行训练。

取测试样本组T，对其进行步骤(2)、(3)处理，提取17个特征向量，将其输入训练好的集成C4.5决策树，由输出结果得出测试数据的类别属性，即判断为NS和JS的哪一种。