《基于极点对称模态分解和支持向量机的J波检测方法.pdf》由会员分享，可在线阅读，更多相关《基于极点对称模态分解和支持向量机的J波检测方法.pdf（6页珍藏版）》请在专利查询网上搜索。
1、(19)中华人民共和国国家知识产权局 (12)发明专利 (10)授权公告号 (45)授权公告日 (21)申请号 201610952984.2 (22)申请日 2016.11.03 (65)同一申请的已公布的文献号 申请公布号 CN 106344006 A (43)申请公布日 2017.01.25 (73)专利权人 太原理工大学 地址 030024 山西省太原市迎泽西大街79 号 (72)发明人 李灯熬 赵菊敏 毋凡铭 (74)专利代理机构 太原科卫专利事务所(普通 合伙) 14100 代理人 朱源 (51)Int.Cl. A61B 5/0452(2006.01) 审查员 杨星 (54)发明名称。
2、 基于极点对称模态分解和支持向量机的J波 检测方法 (57)摘要 本发明涉及了一种基于极点对称模态分解 和支持向量机检测心电信号中J波的算法， 广泛 适用于辅助医生诊断病人的心电信号中是否存 在J波， 是J波综合征诊断的重要依据， 具体为一 种基于极点对称模态分解和支持向量机的J波检 测方法。 J波为心电信号QRS波结束和ST段起始的 结合点J点之后的顿挫。 异常J波引发的J波综合 症会导致恶性室性心律失常、 心原性猝死等高危 疾病， 在临床医学上越来越受到重视。 本发明使 用极点对称模态分解的方法， 有效的解决了经验 模态分解存在的模态混叠等问题， 将对ECG信号 分解为一系列本征模态函数和。
3、一个趋势项， 并提 取瞬时频率特征和能量变换特征， 通过主成分分 析降维输入到支持向量机进行J波检测。 权利要求书1页 说明书4页 CN 106344006 B 2018.06.26 CN 106344006 B 1.基于极点对称模态分解和支持向量机的J波检测方法， 其特征在于包括以下步骤： 第一步： 取得原始心电信号x(t)， t为心电信号对应的时间， 原始心电信号x(t)中包括 正常心电信号和含J波的心电信号， 找出每个原始心电信号x(t)所有极大值点和极小值点， 记作Pi， 1in； 第二步： 用线段将所有的极值点Pi依次连接， 每段线段的中点标记为Ti， 1in-1， 并 在线段连接形。
4、成的总线段左右两端添补边界中点T0和Tn； 第三步： 利用n+1个中点构建s条内插曲线L1,Ls,s1， 计算其平均值L*(L1+LS)/ s； 第四步： 对x(t)-L*序列重复上述三个步骤， 直至|L*| 或者筛选次数达到预设的限位 值K， 是允许误差， 得到第一个本征模态函数c1(t)； 第五步： 对剩余序列x(t)-c1重复上述四个步骤， 直到剩余项r为单一信号或不再大于预 先给定的极值点， 便可分别得到本征模态函数c2(t),c3(t),ci(t),cm(t)， 计算序列x(t)- r的方差 2； 第六步： 在限定区间Kmin,Kmax内改变限位值K， 重复上述五个步骤， 并对 / 。
5、0和K进行绘 图， 0是x(t)的标准差， 为序列x(t)-r的标准差， 在图中找出 / 0最小值对应的K0， 以K0作 为限制条件再次重复上述五个步骤， 最后剩余项r就是原始信号x(t)的自适应全局均线， 亦 即趋势项， 经过分解， 原始心电信号x(t)可表示为即利用极点对称模 态分解将心电信号x(t)分解成一系列本征模态函数和一个剩余项； 第七步： (1)寻找本征模态函数ci(t)的极值点， 计算两个相邻极大值点和两个相邻极小 值点之间的时间差； (2)将这些时间差视为局部周期值赋给两个相邻极大值点和两个相邻极小值点之间时 间轴上的中点， 画出时间周期对应点图； (3)将这些局部周期值取倒。
6、数得到其局部频率， 再做三次样条插值得到瞬时频率曲线； 第八步： 第i个本征模态函数对应的解析表达式为： ci(t)Ai(t)cos i(t),1im， 其中Ai(t)为振幅函数， i(t)为振幅相位； 第九步： 选取前七个本征模态函数的瞬时频率F1、 F2、 F3、 F4、 F5、 F6、 F7和能量转换特征 E(t)组成特征空间F1,F2,F3,F4,F5,F6,F7,E(t)， 选用主成分分析法对特征空间进行降 维， 选取每个特征的前8个主成分， 即降维后的特征总计64个； 第十步： 将上述特征输入到支持向量机， 对支持向量机进行训练， 提取待检测的心电信 号的降维后的特征输入到支持向量。
7、机， 即可分辨出待检测的心电信号的类型。 权 利 要 求 书 1/1 页 2 CN 106344006 B 2 基于极点对称模态分解和支持向量机的J波检测方法 技术领域 0001 本发明涉及了一种基于极点对称模态分解和支持向量机检测心电信号中J波的算 法， 广泛适用于辅助医生诊断病人的心电信号中是否存在J波， 是J波综合征诊断的重要依 据， 具体为一种基于极点对称模态分解和支持向量机的J波检测方法。 背景技术 0002 J点为心电信号上QRS波结束和ST段起始的结合点， 标志着心室除极的结束和复极 的开始。 J点之后的顿挫即为J波， 是一种常见的正常心电图的变异。 由异常J波引发的J波综 合症。
8、会导致恶性室性心律失常、 心源性猝死等症状， 越来越受到医学界的重视和关注。 准确 检测J波， 能够有效降低发病率及致死率， 对临床具有重要指导意义。 0003 由于心电信号是非线性非平稳信号， 在以往J波诊断的研究过程中， 主要有a.傅里 叶变换， 通过研究疾病引起的频率成分改变， 取得了一定成功， 但是频域分析法只能得到全 局频率信息， 而心电信号是非线性非平稳信号， J波的诊断需要研究其局部频率信息。 b.小 波变换， 在心电信号识别分类有不错的效果， 但小波变换的缺陷是非自适应的， 其性能的好 坏严重依赖于小波函数的的选择。 c.希尔伯特黄变换， 是目前检测J波比较热门的方法。 其 中。
9、， 经验模态分解是希尔伯特黄变换重要的一部分， 是黄锷(N.E.Huang)在美国国家宇航局 与其他人于1998年创造性地提出的一种新型自适应信号时频处理方法， 它是根据信号自身 的波动规律将信号分解为从低频到高频不同时间尺度分量， 比时域和频域分析方法更加适 合非线性非平稳信号的研究。 正是由于这样的特点， 希尔伯特黄变换方法成功应用于心电 信号疾病诊断方面的研究。 但是使用希尔伯特黄变换来检测J波存在以下问题： 筛选次数难 以确定， 分解出的趋势函数太粗略， 希尔伯特谱分析受数学理论限制等。 本发明基于上述问 题， 使用极点对称模态分解方法对心电信号进行研究， 进而提取有效特征， 通过支持。
10、向量机 检测J波， 从而提高J波的检测准确率。 发明内容 0004 本发明为了解决上述问题， 提供了基于极点对称模态分解和支持向量机的J波检 测方法。 0005 本发明是采用如下的技术方案实现的： 基于极点对称模态分解和支持向量机的检 测心电信号中J波的方法， 包括以下步骤： 0006 第一步： 取得原始心电信号x(t)， 原始心电信号x(t)中包括正常心电信号和含J波 的心电信号， 找出每个原始心电信号x(t)所有极大值点和极小值点， 记作Pi， 1in； 0007 第二步： 用线段将所有的极值点Pi依次连接， 每段线段的中点标记为Ti， 1in- 1， 并在线段连接形成的总线段左右两端添补。
11、边界中点T0和Tn； 0008 第三步： 利用n+1个中点构建s条内插曲线L1,Ls,s1， 计算其平均值L*(L1 +LS)/s； 0009 第四步： 对x(t)-L*序列重复上述三个步骤， 直至|L*| 或者筛选次数达到预设的 说 明 书 1/4 页 3 CN 106344006 B 3 限位值K， 是允许误差， 得到第一个本征模态函数c1(t)； 0010 第五步： 对剩余序列x(t)-c1重复上述四个步骤， 直到剩余项r为单一信号或不再 大于预先给定的极值点， 便可分别得到本征模态函数c2(t),c3(t),ci(t),cm(t)， 计算序 列x(t)-r的方差 2； 0011 第六步。
12、： 在限定区间Kmin,Kmax内改变限位值K， 重复上述五个步骤， 并对 /0和K 进行绘图， 0是x(t)的标准差， 在图中找出 /0最小值对应的K0， 以K0作为限制条件再次重 复上述五个步骤， 最后剩余项r就是原始信号x(t)的自适应全局均线， 亦即趋势项， 经过分 解， 原始心电信号x(t)可表示为即利用极点对称模态分解将心电信号 x(t)分解成一系列本征模态函数和一个剩余项； 0012 第七步： (1)寻找本征模态函数ci(t)的极值点， 计算两个相邻极大值点和两个相 邻极小值点之间的时间差； 0013 (2)将这些时间差视为局部周期值赋给两个相邻极大值点和两个相邻极小值点之 间时。
13、间轴上的中点， 画出时间周期对应点图； 0014 (3)将这些局部周期值取倒数得到其局部频率， 再做三次样条插值得到瞬时频率 曲线； 0015 第八步： 第i个本征模态函数对应的解析表达式为： 0016 0017 第九步： 选取前七个本征模态函数的瞬时频率F1、 F2、 F3、 F4、 F5、 F6、 F7和能量转换 特征E(t)组成特征空间F1,F2,F3,F4,F5,F6,F7,E(t)， 选用主成分分析法对特征空间进 行降维， 选取每个特征的前8个主成分， 即降维后的特征总计64个； 0018 第十步： 将上述特征输入到支持向量机， 对支持向量机进行训练， 提取待检测的心 电信号的降维后。
14、的特征输入到支持向量机， 即可分辨出待检测的心电信号的类型。 0019 本发明利用心电信号是非线性非平稳特性， 将心电信号进行极点对称模态分解， 解决经验模态分解中终止条件不确定， 模态混叠等问题， 将求得的瞬时频率和能量变化特 征进行主成分分析降维， 减少运算量， 进而使用支持向量机检测出含J波的心电信号， 提高 检测准确率， 辅助医生准确诊断J波综合征。 具体实施方式 0020 基于极点对称模态分解和支持向量机的J波检测方法， 包括以下步骤： 0021 第一步： 取得原始心电信号x(t)， 原始心电信号x(t)中包括正常心电信号和含J波 的心电信号， 找出每个原始心电信号x(t)所有极大值。
15、点和极小值点， 记作Pi， 1in； 0022 第二步： 用线段将所有的极值点Pi依次连接， 每段线段的中点标记为Ti(1in- 1)， 并在线段连接形成的总线段左右两端添补边界中点T0和Tn； 0023 第三步： 利用n+1个中点构建s条内插曲线L1,Ls,s1， 计算其平均值L*(L1 +LS)/s； 0024 第四步： 对x(t)-L*序列重复上述三个步骤， 直至|L*| 或者筛选次数达到预设的 限位值K， 是允许误差， 得到第一个本征模态函数c1(t)； 说 明 书 2/4 页 4 CN 106344006 B 4 0025 第五步： 对剩余序列x(t)-c1重复上述四个步骤， 直到剩。
16、余项r为单一信号或不再 大于预先给定的极值点， 便可分别得到本征模态函数c2(t),c3(t),ci(t),cm(t)， 计算序 列x(t)-r的方差 2； 0026 第六步： 在限定区间Kmin,Kmax内改变限位值K， 重复上述五个步骤， 并对 /0和K 进行绘图， 0是x(t)的标准差， 在图中找出 /0最小值对应的K0， 以K0作为限制条件再次重 复上述五个步骤， 最后剩余项r就是原始信号x(t)的自适应全局均线， 亦即趋势项， 经过分 解， 原始心电信号x(t)可表示即利用极点对称模态分解将心电 信号x(t)分解成一系列本征模态函数和一个剩余项； 相比于希尔伯特黄变换， 分解心电信 。
17、号的过程中， 极点对称模态分解将经验模态分解中用来确定原始信号外部包络线的三阶样 条插值法改进为内部极点对称插值法， 并借用 “最小二乘法” 思想来优化最后剩余模态， 使 其成为整个信号序列分解过程中的 “自适应全局均线” ， 以此来确定分解过程中的最佳筛选 次数。 还抛弃了希尔伯特谱分析方法， 采用直接差值法， 很好的解决了： 周期需要相对于一 段时间来定义而频率却要有瞬时意义。 0027 第七步： 和希尔伯特黄变换类似， 极点对称模态分解也分为两部分： 第一部分是经 验模态分解， 可产生数个本征模态函数与一条最佳自适应全局均线； 第二部分是时频分析， 主要涉及瞬时频率的 “直接插值法” 和。
18、能量变化问题。 通过对心电信号各个本征模态函数进 行时频分析， 提取瞬时频率特征和能量变换特征。 0028 (1)寻找本征模态函数ci(t)的极值点， 计算任意两个相邻极大值点和两个相邻极 小值点之间的时间差； 0029 (2)将这些时间差视为局部周期值赋给两个相邻极大值点和两个相邻极小值点之 间时间轴上的中点， 画出时间周期对应点图； 0030 (3)将这些局部周期值取倒数得到其局部频率， 再做三次样条插值得到瞬时频率 曲线； 0031 第八步： 由于每个本征模态函数的频率和振幅都是随时间变化的， 所以本方法放 弃使用以能量不变为前提的传统谱分析手段(傅里叶频谱和希尔伯特时频谱)， 把能量变。
19、化 特征作为研究对象。 第i个本征模态函数对应的解析表达式为： ci(t)Ai(t)cos i(t),(1 im)， 则在极点对称下其振幅函数Ai(t)具有缓变特征， 0032 第九步： 选取前七个本征模态函数的瞬时频率F1、 F2、 F3、 F4、 F5、 F6、 F7和能量转换 特征E(t)组成特征空间F1,F2,F3,F4,F5,F6,F7,E(t)， 选用主成分分析法对特征空间进 行降维， 选取每个特征的前8个主成分， 即降维后的特征总计64个； 0033 第十步： 将上述特征输入到支持向量机， 对支持向量机进行训练， 提取待检测的心 电信号的降维后的特征输入到支持向量机， 即可分辨出。
20、待检测的心电信号的类型。 0034 主成分分析法是一种降维的统计方法， 它借助于一个正交变换， 将其分量相关的 原随机向量转化成其分量不相关的新随机向量， 这在代数上表现为将原随机向量的协方差 阵变换成对角形阵， 在几何上表现为将原坐标系变换成新的正交坐标系， 使之指向样本点 散布最开的n个正交方向， 然后对多维变量系统进行降维处理， 使之能以一个较高的精度转 换成低维变量系统， 再通过构造适当的价值函数， 进一步把低维系统转化成一维系统。 说 明 书 3/4 页 5 CN 106344006 B 5 0035 本发明分类检测模块选用支持向量机， 核函数选择径向基核函数。 支持向量机方 法是在近年来提出的一种新方法。 0036 支持向量机的主要思想可以概括为两点： 0037 它是针对线性可分情况进行分析， 对于线性不可分的情况， 通过使用非线性映 射算法， 本方案使用径向基核函数， 将低维输入空间线性不可分的样本转化为高维特征空 间使其线性可分， 从而使得高维特征空间采用线性算法对样本的非线性特征进行线性分析 成为可能， 本发明选取径向基核函数； 0038 它基于结构风险最小化理论之上在特征空间中建构最优分割超平面， 使得学习 器得到全局最优化， 并且在整个样本空间的期望风险以某个概率满足一定上界。 说 明 书 4/4 页 6 CN 106344006 B 6 。