本发明提出一种心电信号特征提取方法，适用于结合适合的分类器，建立分类模型，属于心电信号处理领域。
背景技术：
体表心电图(electrocardiogram，ecg)是最常见的心脏状态无创检测方法，心电异常与恶性心律失常的发生有密切联系。
熵在1948年被shannon推广到信息理论中，给予了熵新的物理含义，即表示系统(信号)的不确定性。信息熵定义为离散随机事件出现的概率。通常，一个信号源发出的信号是不确定的，可以通过出现的概率来衡量。概率越大，出现的机会就越多，不确定性就越小。反之，信号源发出的信号越混乱，这段信号各种可能事件的概率越小，熵值就越大。心电发生改变时，通常带来混乱程度的增加，尤其是心律失常等心电的异常，这种混乱中隐藏着一定的规律，可通过非线性度量的方法进行特征提取。因此本专利拟结合现代信号处理方法与信息熵对心电波形的混乱程度进行度量和描述，建立对应的特征向量并借此进行心电类型的识别和预测，可用于心电识别、监护和预警等。
技术实现要素：
：
鉴于心电信号的时频特征与非线性特征。本发明结合frft(fractionalfouriertransform，分数阶傅里叶变换)时频分析的能力与信息熵对信号混乱程度的度量能力，提供了一种基于分数阶傅里叶变换和信息熵(又称为香农熵)的心电信号特征提取方法，包括如下步骤。
步骤s1：采集一段心电信号并进行预处理，获得信号d；所述预处理包括去除心电信号中的工频干扰、肌电干扰及基线漂移。
步骤s2：
s2-1：对步骤s1预处理后的信号d分别进行n个阶次的分数阶傅里叶变换，其中分数阶傅里叶变换的第i个阶次取值为i/n；信号d经过第i个阶次的分数阶傅里叶变换后得到信号di；i＝1～n；
s2-2：对每个阶次i，计算信号di的幅度谱信号fvi；
s2-3：将每个幅度谱信号fvi以其最大值最小值为参照，进行归一化处理，使每个幅度谱信号fvi的各点取值在0到1区间；得到归一化后的分数阶傅里叶幅度谱信号fv2i。
s2-4：计算信号fv2i的信息熵：
将0到1之间等分为m个分区；对每个阶次下的fv2i信号，计算fv2i中各点的数值落在每个分区的概率，第i个阶次下的fv2i信号中各点落在第j个分区的概率为pij＝nfvij/nfvi，j＝1～m，其中nfvi表示第i个阶次下的fv2i的总点数，nfvij表示第i个阶次下的fv2i中落在第j个分区的点数，根据如下公式计算第i个阶次的分数阶傅里叶幅度谱信号fv2i的信息熵ei
式中对数一般取2为底，也可以取其它对数底，它们间可用换底公式换算。
对每个阶次下的fv2i信号都计算得到对应的信息熵ei，n个阶次共获得n个信息熵，以n点长的向量[e1,…,ei,…,en]作为从该段心电信号所提取的特征。
当所提取的特征[e1,…,ei,…,en]用于心电信号分类时，利用所提取的向量[e1,…,ei,…,en]作为特征向量，训练分类器，然后进行分类。
进一步地，当所提取的特征用于恶性室性心律失常短期发作预测时：对恶性室性心律失常发生前的心电和从未发生恶性室性心律失常的心电这两类信号，分别提取特征[e1,…,ei,…,en]，训练分类器；所采集的心电信号至少为30秒，当一段心电信号输入到分类器，根据从该段心电所提取的特征由分类器判断是否为恶性室性心律失常发生前的心电。
对比现有技术，本发明有益效果在于：在心电信号时频分析的基础上，结合信息熵的定量分析方法对心电信号特征进行分析，frft作为时频域信号分析方法，能有从不同角度观察信号时频坐标轴上各个角度的特征。通过信息熵的定量分析信号混乱程度的能力，可以捕获信号多尺度的特征，从而提取心电特征用于进行信号分类，从而更准确的判断当前心脏活动状态。
附图说明
图1为本发明所述方法的流程图；
图2为信号分数阶傅里叶变换各阶次幅度谱信号，横坐标为采样点数，纵坐标为幅值(以nsrdb数据库中19140号心电数据为例，n取5，时长10秒)；
图3心电在分数阶傅里叶变换各阶次下熵值图(以nsrdb数据库中19140号心电数据为例，n取5，m取20，时长10秒)。
具体实施方式
下面将对本发明加以详细说明，同时也叙述了本发明技术方案解决的技术问题及有益效果，需要指出的是，所描述的实例仅旨在便于对本发明的理解，而对其不起任何限定作用。
下面以进行scd发生前心电信号与正常心电信号分类为例，结合附图说明本发明的具体实施方式。算法流程图见图1。恶性心律失常(malignantarrhythmia)是心源性猝死(suddencardiacdeath，scd)的主要原因之一，严重危害人们的健康和生命。scd具有突发、迅速、不可预测和病死率高的特征。提高临床上对其的预测性，早期预防和及时发现和抢救对心脏猝死显得尤为重要。
步骤s1：采集ecg信号并进行预处理：这一步包括：
采用或提取所需多个均大于1分钟的心电信号，本实例中选用来自suddencardiacdeathholterdatabase、themit-bihatrialfibrillationdatabase和themit-bihnormalsinusrhythmdatabase的48例数据。其中scd发生前数据16例，正常心电数据16例，房颤心律数据16例。首先去除ecg信号中50hz工频干扰、肌电干扰及基线漂移；作为优选，在这里，采用fir带通滤波器去除ecg信号中50hz工频干扰、肌电干扰及基线漂移，滤波器截止频率设为5hz和15hz。
从原始心电数据中得到预处理后的数据后，将从suddencardiacdeathholterdatabase中选择的16例数据，从发生scd前第12分钟取30秒数据，同时从themit-bihnormalsinusrhythmdatabase、themit-bihatrialfibrillationdatabase数据库各随机挑选16例，每例数据取30秒长心电数据。心电信号记为数据d。
步骤s2：特征提取：
s2-1：对步骤s1预处理后的信号d分别进行n个阶次的分数阶傅里叶变换，其中分数阶傅里叶变换的第i个阶次取值为i/n；信号d经过第i个阶次的分数阶傅里叶变换后得到信号di；i＝1～n；
本实施例中，进行14个阶次下的frft变换(14取值为大量实验获得的优选值)，各阶阶数分别为i/14(i＝1～14)，分数阶傅里叶变换的公式如下：
其中
其中α＝pπ/2，p为分数阶傅里叶变换的阶数(范围0～1)，fp表示分数阶傅里叶变换算子。
s2-2：得到的信号di为复数信号，为方便进一步处理，计算各阶次下di信号的幅值谱。得到n个阶次下的分数阶傅里叶幅度谱信号fvi；(i＝1～14)，见图2；
s2-3：将每个幅度谱信号fvi以其最大值最小值为参照，进行归一化处理，使每个幅度谱信号fvi的各点取值在0到1区间(最大值归一化为1)；得到归一化后的信号fv2i。
s2-4：将0到1之间等分为m＝20个分区；对每个阶次下的fv2i信号，计算fv2i中各点的数值落在每个分区的概率，第i个阶次下的fv2i信号中各点落在第j个分区的概率为pij＝nfvij/nfvi，j＝1～m，其中nfvi表示第i个阶次下的fv2i的总点数，nfvij表示第i个阶次下的fv2i中落在第j个分区的点数，根据如下公式计算第i个阶次的分数阶傅里叶幅度谱信号fv2i的信息熵ei
式中对数一般取2为底，也可以取其它对数底，它们间可用换底公式换算。对每个阶次下的fv2i信号都计算得到对应的信息熵ei，14个阶次共获得14个信息熵，以14点长的向量[e1,…,ei,…,e14]作为从心电信号所提取的特征。见图3。
步骤s3：scd发生前心电信号与正常窦性心律心电信号和房颤心律心电信号的分类。
s3-1：根据本发明所设计的算法计算信息熵向量[e1,…,ei,…,e14]作为特征向量。
s3-2:利用构造出的特征向量采用分类器进行scd发生前心电信号与正常窦性心律心电信号和房颤心律心电信号的分类。由于分类器的设计目标是通过学习后，可自动地将数据分到已知类别，所以针对模型的不同，有不同的分类器；根据生理信号的特点，可以采用的分类器包括：bayes分类器，bp神经网络分类器，自组织映射，支持向量机(svm)算法等。由于在这个实例中，将正常窦性心律心电信号和房颤心律心电信号视为一个类别(即认为非scd高危类别)，需要解决的是一个二分类问题，所以采用了简单通用并且效率高的svm算法，完成了scd前心律与正常窦性心律心电信号和房颤心律心电信号的分类。
根据上述数据进行实验，得到scd发生前第12分钟心电信号与正常窦性心律心电信号以及房颤心律心电信号分类正确率、特异性、敏感性分别为94.25％、97.39％和91.47％。
本方法也可以用于其他类型心电的识别和分类。
以上所述，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揭露的技术范围内，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以权利要求书的保护范围为准。