[发明专利]一种基于PCANet的心电特征提取方法

说明书

本发明的技术方案包括一种基于PCANet的心电特征提取方法，其特征在于，包括如下步骤：S10、对心电图进行预处理获得训练集和待分类集，S20、使用PCANet分别对训练集和待分类集进行心拍的特征提取，S30、使用训练集提取的心拍特征训练分类器并将其用于待分类集心拍特征的分类；本发明的有益效果为：对心电图信号的噪声具有鲁棒性，简化噪声去除的步骤，对不均衡心拍具有较佳分类效果，提高了心电特征提取的效率和准确率，减轻了医生识别心电图的压力，降低了医生误诊的概率。

技术领域

本发明涉及一种基于PCANet的心电特征提取方法，属于医学信号处理领域。

背景技术

目前，随着计算机技术的发展，数据挖掘、深度学习等模式识别技术已经逐步应用到医学信号处理当中。当前已知的模式识别领域包括心电图、脑电图、医学图像处理等技术领域。在心电图领域当中，心电图辅助诊疗设备已经具有长足的发展，它能够挖掘心电图中的深层次信息并进行高效的自动识别。

心电图自动识别技术包括三个步骤，分别是预处理、特征提取与分类，即将预处理后的心拍通过特征提取步骤挖掘深层特征，并使用分类器对这些特征进行识别。其中特征提取步骤尤为重要，同时也是本发明的关键所在。

然而，在进行特征提取前，往往需要进行心电信号预处理，该过程中的去噪尤为重要。首先，在我们通过仪器设备进行心拍采样时，由于存在身体内其他器官的影响而造成我们获得的心拍波形存在噪声污染，一般情况下心电图(ECG)信号的噪声包括基线漂移噪声、工频噪声等，现有技术中，在预处理阶段需要采用必要的措施对心拍进行噪声去除，目前已存在小波分析、中值滤波器等众多种噪声去除方法，但噪声的去除的同时不可避免的造成信号中有用信息的损失。其次，现今存在的众多分类算法虽然对数量上平衡的多种心拍进行训练与分类能够获得较好的评价标准，但对采样数量不平衡的心拍进行训练时，往往对数量上优势的心拍具有显著的分类优势，而对训练较少的心拍识别准确率偏低。因此本发明针对噪声鲁棒性与样本数量不均衡鲁棒性提出了一种心拍特征提取方法。。

发明内容

为解决上述问题，本发明的目的在于提供一种基于PCANet的心电特征提取方法，其对噪声具有鲁棒性，不需要在预处理过程中对心拍噪声进行去除，也不需要对心拍数量进行均衡化处理，能够获得较好的分类效果，减轻医生通过心电图分析病情的压力。

本发明解决其问题所采用的技术方案是：

一种基于PCANet的心电特征提取方法，包括如下步骤：S10、对心电图进行预处理获得训练集和待分类集，S20、使用PCANet分别对训练集和待分类集进行心拍的特征提取，S30、使用训练集提取的心拍特征训练分类器并将其用于待分类集心拍特征的分类；

所述步骤S10包括：

S11、检测心电图信号的R波波峰点并以其为基准点向前后各截取一定数量采样点作为一个单心拍；

S12、将整个心电图分割成若干单心拍；

S13、将所述单心拍幅值进行归一化处理；

S14、将经过归一化处理的单心拍划分为训练集和待分类集两部分；

所述步骤S20包括：

S21、将训练集和/或待分类集使用PCA算法作二阶卷积处理获得对应心拍的输出矩阵；

S22、对训练集和/或待分类集心拍的输出矩阵进行二进制哈希编码和分块直方图处理获得训练集和/或待分类集心拍的特征向量；

所述步骤S30包括：

S31、使用训练集心拍的特征向量训练分类器；

S32、将待分类集心拍的特征向量输入训练好的分类器进行分类并输出分类结果。