[发明专利]基于多尺度Renyi熵的心率变异性特征分类方法

权利要求书

1.基于多尺度Renyi熵的心率变异性特征分类方法，其特征在于，包含如下步骤：

步骤S1：采集ECG信号并进行预处理，进行R波定位并通过计算相邻R波的间隔获得HRV序列；

步骤S2：特征提取：

S2-1:首先对步骤S1获得的HRV序列进行m个尺度的离散小波变换，获得各个尺度的离散小波系数，令D_jk为第j个尺度上的第k个离散小波系数；其中j＝1,2,…m；k＝1,2,…n；

S2-2:根据各层离散小波系数计算各尺度的Renyi熵值：

方法如下：

记尺度j上的小波系数矢量为W_j：

W_j＝(D_j1,D_j2,...,D_jk,...,D_jn)；

则尺度j上W_j的Renyi熵值H(W_j)为：

H(Wj)=11-qlnΣk=1n(pjk)q;]]>

其中q值通过训练和学习获得最优值，p_jk根据下式获得：

pjk=Djk/Σk=1nDjk;]]>

步骤S3：分类：

S3-1：利用计算所得的各尺度的Renyi熵值来构造特征向量；

S3-2:利用所构造的特征向量，进行心电信号的分类。

2.根据权利要求1所述一种基于多尺度Renyi熵的心率变异性特征分类方法，其特征在于，步骤S1包括：

S1-1:首先去除ECG信号中的工频干扰、肌电干扰及基线漂移；

S1-2:对步骤S1-1获得的ECG信号进行QRS波群定位，计算相邻R波的间隔，并将其编号从而获得原始HRV信号序列；

S1-3:去除HRV信号中存在的伪差和异位起搏点，从而获得待分析的HRV序列。

3.根据权利要求1所述一种基于多尺度Renyi熵的心率变异性特征分类方法，其特征在于，步骤S2-2中，q值在0～5之间。

4.根据权利要求2所述一种基于多尺度Renyi熵的心率变异性特征分类方法，其特征在于，步骤S1-2中采用Pan-Tompkins算法检测QRS波群，定位R波。

5.根据权利要求1所述一种基于多尺度Renyi熵的心率变异性特征分类方法，其特征在于，步骤S3-2中，采用分类器进行不同类别心电信号的分类，采用的分类器包括如下之一：Bayes分类器，BP神经网络分类器，自组织映射，支持向量机。