[发明专利]基于WT与WOA-PNN算法的ECG身份识别方法

权利要求书

1.基于WT与WOA-PNN算法的ECG身份识别方法，其特征在于，具体按照如下步骤实施：

步骤1，采集心电信号，利用小波变换对采集的心电信号进行预处理去噪，得到去噪后的ECG信号；

步骤2，对步骤1去噪后的ECG信号采用小波定位方法对R波峰值点进行定位；

步骤3，通过步骤2所得R波峰值点，确定QRS波群位置，确定P波与T波的峰值点、起点与终点；

步骤4，基于步骤2和步骤3得到的QRS波群、P波和T波的峰值点、起点和终点进行组合得到特征向量，然后运用WOA-PNN算法进行ECG信号识别。

2.根据权利要求1所述的基于WT与WOA-PNN算法的ECG身份识别方法，其特征在于，所述步骤1具体为：

步骤1.1，通过设备读取或数据库获取的方式获得心电原始数据，然后，利用绘图算法将得到原始数据进行绘图，得到存储有ECG数据的矩阵，该矩阵即为需要处理的ECG信号；

步骤1.2，采用Mallat算法对步骤1.1所得的ECG信号进行分解重构，得到去噪后的ECG信号。

3.根据权利要求1所述的基于WT与WOA-PNN算法的ECG身份识别方法，其特征在于，所述步骤2具体为：

步骤2.1，通过二进样条小波滤波器对经步骤1去噪后的ECG信号进行四层离散小波分解，得到四次尺度分解后的ECG信号；

步骤2.2，基于步骤2.1得到的四次尺度分解后的ECG信号，在三次尺度下寻找R波极大值和R波极小值，确定疑似R波峰值点；

步骤2.3，针对步骤2.2确定的疑似R波峰值点进行R波的漏检与错检排查，最终确定准确的R波峰值点位置。

4.根据权利要求3所述的基于WT与WOA-PNN算法的ECG身份识别方法，其特征在于，所述步骤2.2具体为：

步骤2.2.1，寻找R波极大值：基于步骤2.1得到的四次尺度分解后的ECG信号，在三次分解尺度下寻找R波极大值，即找出斜率大于0的点，赋值为1，将其余点赋值为0，极大值点就位于这样的1、0序列之中；

寻找R波极小值：基于步骤2.1得到的四次尺度分解后的ECG信号，在三次分解尺度下寻找R波极小值，即找出斜率小于0的点，赋值为1，其余点赋值为0，极小值点就位于这样的1、0序列之中；

步骤2.2.2，再通过设定阈值为三次分解尺度下三分之一相邻信号周期的平均值，去除绝对值小于阈值的极大值和极小值点，得到疑似的R波峰值点的存在区间，相邻极大极小值对的过零点即就是疑似的R波峰值点。

5.根据权利要求4所述的基于WT与WOA-PNN算法的ECG身份识别方法，其特征在于，所述步骤2.3具体为：

设定判定条件如下，当相邻疑似R波峰值点的距离0.4mean(RR)时，说明存在错检的现象，则去除三次分解尺度下绝对值最小的疑似R波峰值点，若当相邻R波峰值点距离1.6mean(RR)时，说明存在漏检，此时需要在三次分解尺度下两个疑似R波间期内寻找绝对值和为最大的极大值极小值对，此时寻找到的极大值极小值对的过零点即可定位为漏检R波峰值的位置，最终确定准确的R波峰值点位置，将确定的R波峰值点位置与原始心电数据中的实际R波峰值点对比，若确定的R波峰值点位置和原始心电数据中的实际R波峰值点存在位移量，则人为选择位移修正量修正确定的R波峰值点位置，得到最终的R波峰值点的位置。

6.根据权利要求5所述的基于WT与WOA-PNN算法的ECG身份识别方法，其特征在于，所述步骤3具体为：

步骤3.1确定QRS波群位置：

基于步骤2所得R波峰值点的位置，将其位置对应到一次分解尺度下，取一次分解尺度下R波峰值点前三个极值点的位置确定为Q波起点，后三个极值点认定为S波终点。

步骤3.2确定P波与T波的峰值点：

在四次分解尺度下，利用已确定好的QRS波群位置，以Q波起点向前2/3RR间期作为P波搜寻区间，以S波终点向后2/3RR间期作为T波搜寻区间，在各自区间范围内搜寻最大极值对，找到其过零点确定为P波与T波的峰值点，同时各自区间范围内搜寻的最大极大值点及最小极小值点分别确定P波与T波的起点与终点。

7.根据权利要求6所述的基于WT与WOA-PNN算法的ECG身份识别方法，其特征在于，所述步骤4具体为：

步骤4.1，将P波起点、P波峰值点、P波终点，QRS波起点、QRS波R波峰值点、QRS波终点，T波起点、T波峰值点、T波终点作为特征点，利用特征点之间的距离与特征点的幅值以两两组合的方式得到22个不同的特征向量来表示一个周期信号，该周期信号即为得到的特征数据组样本，其中，22个不同的特征向量包括16个距离特征向量：R-R、R-Q、R-S、R-P、R-PBegin、R-Pend、R-T、R-TBegin、R-Tend、PBegin-Pend、TBegin-Tend、Q-P、S-T、P-T、Q-PBegin、S-Tend，6个幅值特征向量：Q-R、S-R、PBegin-P、P-Q、T-TBegin、T-S，其中，字母后加Begin则代表起点点，加end则代表终止点，不加则代表峰值点；

步骤4.2，在步骤4.1提取得到特征数据组样本后，以特征数据组样的2/3、3/4、4/5样本分别为训练集，剩下的1/3、1/4、1/5样本分别作为测试集，将每组样本的训练特征量与测试特征量分别存储保存为数据文件，利用WOA算法做三次训练和测试，共取得三次识别精度数据，并取平均精度作为算法WOA-PNN的适应度；

步骤4.3，首先，通过手动调试来确定PNN算法平滑因子δ的范围，然后设定WOA-PNN算法的平滑因子范围为[δ-h,δ+h]，种群规模Q，迭代次数N，当迭代次数大于N，迭代结束，此时步骤4.2中适应度最高，获得最优的分类识别精度。