亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于EEMD多尺度模糊熵的心電分類算法*

        2018-11-28 02:18:14潘廣貞孫艷青
        傳感器與微系統(tǒng) 2018年12期
        關(guān)鍵詞:特征提取分類信號

        王 鳳, 潘廣貞, 孫艷青

        (中北大學(xué) 軟件學(xué)院,山西 太原 030051)

        0 引 言

        心電(electrocardiogram,ECG)信號是心臟系統(tǒng)生物電活動的記錄,通過分析ECG信號模式,可以診斷心率失常[1]。ECG信號中的波形特征,在正常搏動和心率失常搏動中不同,在不同病患身上會表現(xiàn)出不同形態(tài),同一個體在不同條件下正常心跳常表現(xiàn)出不同形態(tài),使得心率失常識別更加困難,因此,提升ECG識別準(zhǔn)確度尤為重要[2~4]。

        心電分類過程為預(yù)處理、特征提取和分類。文獻(xiàn)[5]提出基于數(shù)學(xué)形態(tài)學(xué)及機(jī)器學(xué)習(xí)心率失常識別;文獻(xiàn)[6]采用經(jīng)驗(yàn)?zāi)J椒纸?empirical mode decomposition,EMD)法選擇ECG信號特征,并結(jié)合支持向量機(jī)(support vector machine,SVM)分類;文獻(xiàn)[7]使用基于塊的神經(jīng)網(wǎng)絡(luò)將ECG心跳分為5類;文獻(xiàn)[8]用離散余弦變換提取ECG心跳特征,并采用費(fèi)舍爾線性判別器對心率失常進(jìn)行檢測和分類。

        特征選擇對心率失常識別有重要作用。上述特征選擇方法基于時域或頻域特征,只能在一定程度上反映ECG心跳特征,而基于非線性動力學(xué)參數(shù)的特征提取方法在生理信號處理中取得良好效果,卻在ECG心跳中少有涉及[9]。動力學(xué)特征能顯示ECG更深層次的信息,包含了ECG全部信息。不同類別心跳在不同時間尺度上表現(xiàn)出不同復(fù)雜度,因此本文提出將ECG心跳的模糊熵作為特征度量輸入徑向基函數(shù)(radial basis function,RBF)神經(jīng)網(wǎng)絡(luò),從而實(shí)現(xiàn)ECG分類的算法。

        1 基于模糊熵和RBF神經(jīng)網(wǎng)絡(luò)的心電分類算法

        1.1 集合EMD算法

        為了對ECG心跳進(jìn)行深層次特征提取,將經(jīng)過預(yù)處理的ECG心跳分解為若干分量,集合EMD(ensemble EMD,EEMD)方法能夠根據(jù)信號自身特點(diǎn)分解信號,具有良好抗模態(tài)混疊性能[9,10]。該方法在處理生物信號時具有獨(dú)特優(yōu)勢,通過對原始信號執(zhí)行多次EMD,在加入每次分解白噪聲,將每次EMD得到的內(nèi)蘊(yùn)模態(tài)函數(shù)(intrinsic modal function,IMF)分量求和再取平均得到最終IMF分量[11]。

        1.2 基于模糊熵的特征提取

        ECG心跳經(jīng)EEMD得到IMFs分量,模糊熵作為ECG心跳動力學(xué)特征可以反映ECG心跳特點(diǎn),故提取有效IMFs分量模糊熵作為特征值。熵是用來衡量信號復(fù)雜度的非線性方法,其值越大代表序列復(fù)雜度越大,一般定義為[12]:

        4)最終計(jì)算出的模糊熵為FuzzyEn(m,n,r,N)=lnφm(n,r)-lnφm+1(n,r)。

        序列長度N,模式維數(shù)m和相似容限r(nóng)的選取直接影響實(shí)驗(yàn)結(jié)果。大量實(shí)驗(yàn)表明,N=1 000,m=1或2,r=(0.1~0.25)Std(Std為x(i)(i=1,2,…,N)的標(biāo)準(zhǔn)差),才能保證有效統(tǒng)計(jì)特性和較小誤差。

        1.3 基于RBF神經(jīng)網(wǎng)絡(luò)的心電分類

        所提心電分類算法流程如圖1所示。

        圖1 算法總體流程

        2 實(shí)驗(yàn)分析

        實(shí)驗(yàn)平臺MATLAB 10.0搭建在Windows 7操作系統(tǒng)上。實(shí)驗(yàn)對5種常見ECG心跳進(jìn)行識別,分別為:正常心跳(normal),左束支傳導(dǎo)阻滯(LBBB),右束支傳導(dǎo)阻滯(RBBB),房性早搏(APC)和室性早搏(PVC)。

        2.1 評估指標(biāo)

        采用F值(Fmeasure)和總精確度(Acc)對識別效果進(jìn)行性能評估

        (1)

        式中TPi為正確分類為第i類的心跳數(shù),TNi為本不屬于第i類的且不被分為第i類的心跳數(shù)目,FPi為本不屬于第i類卻被錯誤劃分為該類的心跳數(shù)目,FNi為本該屬于第i類卻被劃分到其他類的數(shù)目,NT為總分類文件數(shù)目,NE為總分類文件中被錯誤分類的數(shù)目。

        2.2 數(shù)據(jù)集

        ECG數(shù)據(jù)源取自MIT-BIH Arrthythmia 數(shù)據(jù)庫導(dǎo)聯(lián)II(MLII),采樣頻率為360 Hz。選取5種不同心跳類型,在每種類型ECG心跳中各選取120組樣本(每個樣本以R波為基準(zhǔn)點(diǎn),向前、向后共取300個采樣點(diǎn)),將數(shù)據(jù)集分為訓(xùn)練集和測試集。得到訓(xùn)練集與測試集樣本數(shù)量均為300組,樣本集劃分如表1所示。

        表1 MIT-BIH數(shù)據(jù)集

        2.3 實(shí)驗(yàn)結(jié)果

        2.3.1 特征提取

        以MIT-BIH/100號為例,對其EEMD得到各IMFs分量,各IMF分量未見模態(tài)混疊,且各分量QRS波群集,分解效果比較理想。大量實(shí)驗(yàn)證明,第2~6個IMFs分量與原始信號最為相關(guān),說明這5個分量包含ECG心跳主要特征信息,以MIT-BIH/100為例,選取這5個分量進(jìn)行重構(gòu)。圖2為原始信號和重構(gòu)信號對比,可見重構(gòu)信號良好保留ECG心跳峰值和特征,所以選取IMF2~I(xiàn)MF6 5個IMF分量作為提取模糊熵的分量。

        圖2 IMF2~I(xiàn)MF6重構(gòu)信號

        由于樣本數(shù)量較多,僅在每種類型心跳中各選取2組測試樣本,并分別對5個IMF分量計(jì)算模糊熵值,本文取N=300,m=2,r=0.2 Std。計(jì)算結(jié)果如表2所示。

        表2 各IMF分量模糊熵值

        實(shí)驗(yàn)結(jié)果表明各類型心跳模糊熵有明顯區(qū)別,不同類型心跳在不同時間尺度上表現(xiàn)出不同熵值,故可以用此作為特征值區(qū)別不同心跳類型。

        圖3為各心跳類型10組數(shù)據(jù)的IMF2分量對比,可見不同心跳類型的模糊熵差異。其中,Normal型心跳的IMF分量模糊熵最大,這是因?yàn)镹ormal型心跳隨機(jī)性大。

        圖3 IMF2分量的模糊熵

        2.3.2 心率失常識別

        將IMF2~I(xiàn)MF6分量模糊熵組成的特征向量送入RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行識別。圖4為數(shù)據(jù)集分類結(jié)果,其中縱坐標(biāo)1~5分別表示Normal,LBBB,RBBB,PVC,APC心跳類型。

        圖4 分類結(jié)果

        圖4顯示300組測試集中錯誤識別6組數(shù)據(jù)。其中,Normal類型樣本全部分類正確,1個LBBB樣本被錯誤劃分為RBBB類型,1個RBBB樣本被錯誤劃分為PVC類型,1個PVC樣本被錯誤劃分為LBBB類型,2個PVC樣本被錯誤劃分為RBBB類型,1個APC樣本被錯誤劃分為Normal類型。結(jié)果表明,所提算法可以有效分類5種心跳。

        由分類結(jié)果計(jì)算得到F值和Acc如表3所示。

        表3 性能指標(biāo)

        可知,該分類方法具有較高準(zhǔn)確率,對不同類別心跳均有效,其中對Normal類型的識別精確度達(dá)到100 %,對PVC類型識別精確度不高與其病癥特點(diǎn)不明顯有關(guān)。

        為進(jìn)一步顯示該算法在心率失常識別上的優(yōu)越性,分別采用模糊熵、EMD多尺度模糊熵和本文方法進(jìn)行性能對比,對比結(jié)果如表4所示。性能指標(biāo)顯示,本文方法提取的特征量能更好地反映ECG心跳特點(diǎn)。

        表4 各方法心律失常識別率對比 %

        3 結(jié)束語

        基于多尺度模糊熵和RBF神經(jīng)網(wǎng)絡(luò)的心電分類算法,可以對ECG進(jìn)行特征提取和模式識別。采用EEMD對ECG進(jìn)行多尺度分解,將有效IMF分量的模糊熵組合成特征向量以分類5種不同ECG心跳。實(shí)驗(yàn)結(jié)果表明該方法能夠有效地提高心電分類準(zhǔn)確率。這種分類識別方法還可以應(yīng)用到其它類似生物信號處理上,但由于數(shù)據(jù)局限于MIT-BIH數(shù)據(jù)庫,存在樣本類別不平衡問題,對病人適應(yīng)性未知。這也是下一步要探究的問題。

        猜你喜歡
        特征提取分類信號
        分類算一算
        信號
        鴨綠江(2021年35期)2021-04-19 12:24:18
        完形填空二則
        基于Gazebo仿真環(huán)境的ORB特征提取與比對的研究
        電子制作(2019年15期)2019-08-27 01:12:00
        分類討論求坐標(biāo)
        基于FPGA的多功能信號發(fā)生器的設(shè)計(jì)
        電子制作(2018年11期)2018-08-04 03:25:42
        數(shù)據(jù)分析中的分類討論
        教你一招:數(shù)的分類
        一種基于LBP 特征提取和稀疏表示的肝病識別算法
        基于LabVIEW的力加載信號采集與PID控制
        疯狂添女人下部视频免费| 亚洲精品在线观看自拍| 久久精品亚洲精品国产区| 国产激情艳情在线看视频| 国产成人无码免费网站| 亚洲中文字幕巨乳人妻| 亚洲一区二区日韩精品| 无码日韩精品一区二区免费暖暖| 乌克兰粉嫩xxx极品hd| 国产va免费精品高清在线观看| 亚洲国产天堂av成人在线播放| 国产内射爽爽大片| 亚洲av成人无码网站…| 97在线视频免费| 国产三级韩三级日产三级| 久久人妻少妇嫩草av| 色狠狠一区二区三区香蕉| 91综合久久婷婷久久| 久久精品一区二区熟女| 男女猛烈xx00免费视频试看| 亚洲白白色无码在线观看| 久久综合给合久久97色| 国产在线一区二区三精品乱码| 双腿张开被9个男人调教| 国产成人一区二区三区免费观看| 亚洲国产日韩综合天堂| 亚洲夜夜性无码| 日韩一线无码av毛片免费| 亚洲美女性生活一级片| 最新国产不卡在线视频 | 国产一女三男3p免费视频| 亚洲一区二区久久青草| 中文字幕av素人专区| 在线精品无码字幕无码av| 俺也去色官网| 日本一区二区日韩在线| 亚洲av无码一区二区三区鸳鸯影院| 一本大道久久香蕉成人网| 熟妇与小伙子露脸对白| 大香焦av一区二区三区| 无码人妻一区二区三区在线视频 |