一种基于脉搏回归模型的心电信号数据修正方法及系统的制作方法
【技术领域】
[0001] 在本发明涉及心电信号领域，尤其涉及一种基于脉搏回归模型的心电信号数据修 正方法及系统。
【背景技术】
[0002] 现有的心电信号（Electrocardiography, ECG)数据分析算法，主要包含两个步 骤：首先，检测并定位原始信号中的基本波形，提取其特征信息；而后，使用机器学习算法 对此特征进行分类/回归分析，预测其目标状态。
[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。其特征提取过程，便是通过测定输入信号的这4种基本波形，计算所 包含的预设指标信息。现有算法一般使用峰值检测、小波分析等对基本波形进行测定，而提 取的特征则包括所有4种基本波形的时长与形态（幅度及变化率等）、ST段时长、PR间期 时长、QT间期时长、以及RR间期时长等。原始心电信号的采集精度越高，则其波形检测、特 征提取的效果也越好，从而可更为有效地提升后续机器学习算法的预测性能。
[0004] 心电信号由实际生理活动所产生，且由于测量时人体运动等原因，所获取的数据 往往会包含一定的偏差与畸变，从而影响算法预测效果。在实际应用中，一般会要求被测者 在连续时间内处于静卧状态，以降低采集数据的失真程度，一方面严重限制了心电信号的 运用环境，另一方面部分固有偏差并不能以此被有效消除。因此亟须设计具针对性的信号 修正算法，以从软件层面消除采集失真所带来的不良影响。
[0005] 现有心电信号数据修正算法，主要针对某一特定指标进行校正。常用方法包括基 于中值滤波的基线漂移修正、基于最小二乘的基线修正、以及基于心率的间期修正等。但这 些现有的心电信号数据修正方法，都存在缺点： 1、现有算法仅能针对单一种类的失真进行修正，而实际采集的心电信号往往包含多种 畸变与偏差。若要完全消除其干扰，则必须针对每种信号失真都构造相应的处理算法。这 一方面增加了算法设计难度，另一方面也严重降低了数据处理的速度，不利于心电信号的 实际运用。
[0006] 2、现有算法仅能对较为简单的信号指标（如基线漂移、间期时长等）失真进行修 正，而对波形形态等复杂特征则无能为力。此类特征对某些特定疾病状态的检测至关重要， 若无法对其失真进行修正，将很可能导致此类状态被漏检或产生误判，从而造成不良的影 响。
[0007] 3、现有算法往往基于先验知识进行修正，其模型设计也较为简单。例如在对基线 漂移进行处理时，现有方法一般使用人工预设的滤波频域范围，而可能与被测者的实际状 况不相符。其使用的修正技术，通常也仅是简单的中值滤波而已，难以有效处理复杂多变的 现实心电信号数据，从而影响了算法性能。
[0008] 因此，现有技术还有待于改进和发展。
【发明内容】
[0009] 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。
[0010] 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。
[0011] 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。
[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C2中，特征选 择具体包括： 若r,中第?/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:
[0013] 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
[0014] 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。
[0015] -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/0；); 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/0；)，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。
[0016] 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。
[0017] 所述的基于Memetic算法的心电信号特征选择系统，其中，所述特征选择单元具 体用于： 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:
[00