基于Memetic算法的心电信号特征选择方法及系统的制作方法
【技术领域】
[0001] 本发明涉及心电信号处理领域，尤其涉及基于Memetic算法的心电信号特征选择 方法及系统。
【背景技术】
[0002] 心电信号（Electrocardiography, ECG)是心脏活动所产生的时变电位信号，包 含了丰富的生理状态信息，具有重要科研价值与实际意义。其被广泛应用于医学研究及临 床诊断中，可有效检测与心脏相关的多种疾病，近年来获得了越来越多的重视。由于心电信 号维度较高，在对其进行分析前，一般需使用特征提取算法予以降维，以提升后续机器学习 过程的精度与泛化能力。现有技术中，主要使用两类特征提取算法：（1).定位并获取人为 设定的基本波形特征；（2).使用特征选择（Feature Selection)方法自动选取样本中的 重要信号数据。
[0003] 如图1所示，一个正常心动周期中的心电信号，可视作由P波、QRS波群、T波及U 波4种基本波形组成。而第（1)类特征提取算法，便是通过测定输入信号的这4种基本波 形，计算其所包含的人工预设特征信息。在现有算法中，基本波形的定位方法包括峰值检 测、小波分析等；而所提取的特征则一般包括所有4种基本波形的时长与形态（如幅度、变 化率）、ST段时长、PR间期时长、QT间期时长、以及RR间期时长等。
[0004] 与第（1)类算法中，使用先验预设的特征指标不同。第⑵类算法以原始心电 信号为输入，通过自动挑选其中的核心子集，获取更代表性的特征数据。此类方法避免了人 工选取特征的不完整性与不合理性，并且因无需进行波形定位，其计算复杂度更低，稳定性 更佳；但另一方面，心电信号样本维数较高，样本量相对较少，特征空间呈非线性关系。传统 特征选择算法往往难以获得令人满意的结果。
[0005] 所以，不论是基于基本波形检测与预设特征提取的方法还是基于特征选择的方法 都存在缺陷和不足： 现有基于基本波形检测与预设特征提取的方法，其缺点在于： 第一，提取效果依赖于基本波形的检测定位。若波形定位不准，则所提取的特征信息也 将有所偏差，导致后续机器学习算法性能显著下降；而心电信号由真实生理过程产生，其数 据多变，极容易造成定位算法失效，进而影响学习效果。
[0006] 第二，人工预设的心电信号特征指标，如基本波形时长、波形间期时长等，并不完 全合理。一方面，U波等部分波形特征的形成机理尚不明确，难以认定其是否包含有效的生 理信息。若其属于冗余噪声，则不应被包含在所提取的特征中；另一方面，某些重要特征可 能因人为疏忽而未被涵盖，导致提取特征不完整，造成后续学习算法性能不佳。
[0007] 现有基于特征选择的方法，其缺点在于： 第一，实际使用的心电信号采集频率较高，且需获取一段时间内的连续数据，所产生的 数据样本维度庞大，往往导致现有算法难以处理。一方面，部分方法在高维数据上性能急剧 下降，无法挑选具代表性的特征子集；另一方面，部分算法运算复杂度较高，难以在合理时 间内有效分析高维数据，所以严重限制了现有方法的运用。
[0008] 第二，现有特征选择方法为通用算法，而并未对心电信号数据进行针对性设计，这 也在一定程度上降低了后续分析的准确率。
[0009] 因此，现有技术还有待于改进和发展。
【发明内容】
[0010] 鉴于上述现有技术的不足，本发明的目的在于提供基于Memetic算法的心电信号 特征选择方法及系统，旨在解决现有的特征提取和选择方法存在学习效果差、特征提取不 完整、效率和准确率低的问题。
[0011] 本发明的技术方案如下： 一种基于Memetic算法的心电信号特征选择方法，其中，包括步骤： A、设输入的心电信号数据集为F= {仍，〇，（尸2，?2)···，（&，…（心，心)}，其 中忍、匕分别为第〃个信号矢量与样本标签，#为样本总数，信号维数为从并设定优化总迭 代次数为#次； Β、初始化迭代计数器A = 0,构造用于Memetic算法的进化种群/?，其中每个寻优个体 为汐维矢量尤，i = l，2，…，的值取为[0，1]范围内的随机值：
C、 计算/λ?中每个寻优个体的适应度函数值/(/,); D、 根据各寻优个体X,的适应度函数值/(/,)，使用Memetic算法优化进化种群/λ?; Ε、更新迭代计数器A = Α+1，判断Α是否小于尤，当是时则返回步骤C，否则执行步骤F ; F、 优化迭代完成后，选择进化种群中的最优个体为：
G、 将映射为最佳选择矢量化^，并对心电信号数据集F进行特征选择，形成最优 降维数据集同时将此最优降维数据集用于训练分类/回归算法获得最终的学习准确 率； H、 将及最终的学习准确率作为输出。
[0012] 所述的基于Memetic算法的心电信号特征选择方法，其中，所述步骤C具体包括： C1、对于当前输入的寻优个体，将其映射为选择矢量:
其中，step( ·)为单位阶跃函数，J为映射阈值； C2、根据对心电信号数据集F中的各信号矢量忍进行特征选择从而形成降维后的信 号矢量 C3、将降维后的信号矢量及其对应样本标签G构成特征选择数据集P = {仍' t^, φ*, t2), ···, φΝ*, tN)}； C4、将所述特征选择数据集P用于训练分类/回归算法，获得学习准确率，并作为当前 寻优个体尤的粗适应度函数值江）； C5、设置稀疏代价函数为的1范数：
C6、计算最终的适应度函数值/江）为：
其中，为拉格朗日乘数，用于控制特征选择的稀疏程度。
[0013] 所述的基于Memetic算法的心电信号特征选择方法，其中，所述步骤C2中，特征选 择具体包括： 若r,中第J维数值~ = 〇,则删除忍在此维度上的对应信号值/;，若~ = 1则将其保 留，从而形成降维后的信号矢量:
[0014] 所述的基于Memetic算法的心电信号特征选择方法，其中，所述^设置为= 0· 5〇
[0015] 所述的基于Memetic算法的心电信号特征选择方法，其中，所述Memetic算法为基 于差分进化与DSCG搜索的Memetic算法。
[0016] -种基于Memetic算法的心电信号特征选择系统，其中，包括： 设置模块，用于设输入的心电信号数据集为F= {(/^，〇，的，?2)···，（&，匕)，… 以，G)}，其中忍、匕分别为第^个信号矢量与样本标签，#为样本总数，信号维数为从并 设定优化总迭代次数为尤次； 迭代计数器初始化模块，用于初始化迭代计数器A = 〇,构造用于Memetic算法的进化 种群A?，其中每个寻优个体为0维矢量尤，i = l，2，…，的值取为[0，1]范围 内的随机值：
适应度函数值计算模块，用于计算中每个寻优个体尤的适应度函数值/江）； 进化种群优化模块，用于根据各寻优个体尤的适应度函数值/?)，使用Memetic算法 优化进化种群/λ?; 迭代计数器更新模块，用于更新迭代计数器A = Α+1，判断Α是否小于Α当是时则返回 适应度函数值计算模块，否则执行最优个体选择模块； 最优个体选择模块，用于优化迭代完成后，选择进化种群中的最优个体为：
特征选择模块，用于将映射为最佳选择矢量Ad，并对心电信号数据集F进行特征 选择，形成最优降维数据集同时将此最优降维数据集用于训练分类/回归算法获得 最终的学习准确率； 输出模块，用于将及最终的学习准确率作为输出。
[0017] 所述的基于Memetic算法的心电信号特征选择系统，其中，所述适应度函数值计 算模块具体包括： 映射单元，用于对于当前输入的寻优个体，将其映射为选择矢量:
其中，step( ·)为单位阶跃函数，J为映射阈值； 特征选择单元，用于根据^对心电信号数据集F中的各信号矢量忍进行特征选择从而 形成降维后的信号矢量/T; 特征选择数据集构建单元，用于将降维后的信号矢量及其对应样本标签匕，构成特 征选择数据集F*= {仍*，〇，?，?2)，…，?，心)}; 学习准确率计算单元，用于将所述特征选择数据集f用于训练分类/回归算法，获得 学习准确率，并作为当前寻优个体尤的粗适应度函数值/_江）； 1范数设置单元，用于设置稀疏代价函数为尤的1范数：
适应度函数值计算单元，用于计算尤最终的适应度函数值/?)为：
其中，为拉格朗日乘数，用于控制特征选择的稀疏程度。
[0018] 所述的基于Meme