18] 所述的基于Memetic算法的心电信号特征选择系统，其中，所述^设置为= 0· 5〇
[0019] 所述的基于Memetic算法的心电信号特征选择系统，其中，所述Memetic算法为基 于差分进化与DSCG搜索的Memetic算法。
[0020] 有益效果：本发明无需定位基本波形以提取特征，所以一方面避免了因波形检测 失准，而造成后续机器学习算法性能下降，可更为有效地处理多变的实际心电信号；另一方 面，还可节省波形检测所需的计算量，计算复杂度更低。本发明也不依赖于预设的特征指 标，对先验知识要求较低，且可自动抽取输入原始心电信号中的特征信息，避免了人为设定 提取指标导致的不合理性问题。本发明所采用的Memetic算法可比现有方法更有效地解决 复杂的大规模优化问题，通过将其用于选择矢量的优化，可获得更具代表性的特征子集，从 而显著提升后续分类/回归算法的预测性能。
【附图说明】
[0021] 图1为现有技术中正常心动周期的心电信号波形图。
[0022] 图2为本发明的基于Memetic算法的心电信号特征选择方法较佳实施例的流程示 意图。
[0023] 图3为本发明的基于Memetic算法的心电信号特征选择方法另一实施例的流程示 意图。
[0024] 图4为图2所示方法中步骤S103的具体流程图。
[0025] 图5为本发明的方法中根据选择矢量对信号样本进行降维的流程示意图。
【具体实施方式】
[0026] 本发明提供基于Memetic算法的心电信号特征选择方法及系统，为使本发明的目 的、技术方案及效果更加清楚、明确，以下对本发明进一步详细说明。应当理解，此处所描述 的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0027] 请参阅图2,图2为本发明一种基于Memetic算法（Memetic Algorithm, MA)的心 电信号特征选择方法较佳实施例的流程图，并结合图3所示的流程图，本发明的方法其包 括步骤： S101、设输入的心电信号数据集为F= {仍，〇，（尸2，?2) ···，（&，〇,…K，G)}， 其中忍、匕分别为第Λ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； 在数据处理开始前，设输入的心电信号数据集为F，以及设定优化总迭代次数为尤次。
[0028] S102、初始化迭代计数器々=0,构造用于Memetic算法的进化种群/λ?，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：
S103、计算/λ?中每个寻优个体的适应度函数值/(/,); 其中的适应度函数值/?) (Fitness Value)，其是根据映射得到的选择矢量对各信 号矢量进行特征选择，从而形成降维矢量，最后计算得到适应度函数值。
[0029] S104、根据各寻优个体的适应度函数值/(/,)，使用Memetic算法优化进化种群 ps ； 其中的Memetic算法优选为基于差分进化（Differential Evolution, DE)与DSCG 搜索（Davies, Swann, and Campey with Gram-Schmidt Orthogonalization Search)的 Memetic 算法。
[0030] S105、更新迭代计数器々=々+1，判断々是否小于尤，当是时则返回步骤S103,否则执 行步骤S106 ; 5106、 优化迭代完成后，选择进化种群中的最优个体为：
5107、 将映射为最佳选择矢量，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； si〇84f 及最终的学习准确率作为输出。
[0031] 作为本发明更优选的实施例，如图4所示，所述的步骤S103具体包括： 5201、 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，^为映射阈值，所述^ 一般设置为^ = 0.5,那么 任意& e 仅能取得{0，1}两种数值； 5202、 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 如图5所示，在进行特征选择时，若r,中第J维数值~ = 0,则删除忍在此维度上的对 应信号值A，否则（即& = 1)将/在此维度上的对应信号值A保留，从而形成降维矢量 Fn ·
[0032] S203、将降维后的信号矢量尸/及其对应样本标签（"，构成特征选择数据集F = {(^Λ {F2\ t2), ···, {F：, tN)}； 此特征选择数据集将用于训练分类/回归算法，常用的机器学习方法包括SVM(支持向 量机）以及ELM (极限学习机器）等。
[0033] S204、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）； 对于分类算法<X.)表示分类错误率（Classification Error Rate);对于回归算法， 则表不均方跟误差（Root Mean Square Error, RMSE)。
[0034] S205、设置稀疏代价函数为尤.的1范数：
设置这样的1范数是为了使特征选择尽可能稀疏化。
[0035] S206、计算尤.最终的适应度函数值/〇；)为：
其中，为拉格朗日乘数，用于控制特征选择的稀疏程度。
[0036] 基于上述方法，本发明还提供一种基于Memetic算法的心电信号特征选择系统， 其包括： 设置模块，用于设输入的心电信号数据集为F= {(/^，〇，的，匕)一，（尸"，匕)，… 冗，〇}，其中忍、匕分别为第η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。
[0037] 进一步，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/Τ; 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。
[0038] 进一步，所述特征选择单元具体用于： 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:
[0039] 进一步，所述J设置为：J = 0. 5。
[0040] 进一步，所述Memetic算法为基于差分进化与DSCG搜索的Memetic算法。
[0041] 关于上述模块单元的技术细节在前面的方法中已有详述，故不再赘述。
[0042