[发明专利]基于Memetic算法的心电信号特征选择方法及系统

摘要

本发明公开基于Memetic算法的心电信号特征选择方法及系统，本发明使用基于封装的特征选择框架，并且引入了Memetic算法（Memetic Algorithm，MA）对心电信号进行优化提取，本发明无需定位基本波形以提取特征：一方面，其避免了因波形检测失准，而造成后续机器学习算法性能下降，可更为有效地处理多变的实际心电信号；另一方面，可节省波形检测所需的计算量，计算复杂度更低。本发明不依赖于预设的特征指标，对先验知识要求较低，且可自动抽取输入原始心电信号中的特征信息。避免了人为设定提取指标导致的不合理性问题。Memetic算法可比现有方法更有效地解决复杂的大规模优化问题。通过将其用于选择矢量的优化，可获得更具代表性的特征子集，从而显著提升后续分类／回归算法的预测性能。此外，通过在适应值计算中加入稀疏代价函数，本方法可有效避免定域性问题，提升算法泛化能力。

主权项

1.一种基于Memetic算法的心电信号特征选择方法，其特征在于，包括步骤：A、设输入的心电信号数据集为F＝{(F1，t1)，(F2，t2)...，(Fn，tn)，...(FN，tN)}，其中Fn、tn分别为第n个信号矢量与样本标签，N为样本总数，信号维数为D，并设定优化总迭代次数为K次；B、初始化迭代计数器k＝0，构造用于Memetic算法的进化种群ps，其中每个寻优个体为D维矢量Xi，i＝1，2，...，|ps|，Xi的值取为[0，1]范围内的随机值：Xi＝{xd＝rand(0，1)|d∈D}，Xi∈ps；C、计算ps中每个寻优个体Xi的适应度函数值f(Xi)；D、根据各寻优个体Xi的适应度函数值f(Xi)，使用Memetic算法优化进化种群ps；E、更新迭代计数器k＝k+1，判断k是否小于K，当是时则返回步骤C，否则执行步骤F；F、优化迭代完成后，选择进化种群ps中的最优个体Xbest为：G、将Xbest映射为最佳选择矢量Wbest，并对心电信号数据集F进行特征选择，形成最优降维数据集Fbest*，同时将此最优降维数据集用于训练分类/回归算法获得最终的学习准确率；H、将Wbest、Fbest*及最终的学习准确率作为输出；所述步骤C具体包括：C1、对于当前输入的寻优个体，将其映射为选择矢量Wi：Wi＝{wd＝step(xd‑δ)|d∈D，xd∈Xi}其中，step(·)为单位阶跃函数，δ为映射阈值；C2、根据Wi对心电信号数据集F中的各信号矢量Fn进行特征选择从而形成降维后的信号矢量Fn*；C3、将降维后的信号矢量Fn*及其对应样本标签tn，构成特征选择数据集F*＝{(F1*，t1)，(F2*，t2)，...，(FN*，tN)}；C4、将所述特征选择数据集F*用于训练分类/回归算法，获得学习准确率，并作为当前寻优个体Xi的粗适应度函数值fraw(Xi)；C5、设置稀疏代价函数为Xi的1范数：ρi＝||Xi||；C6、计算Xi最终的适应度函数值f(Xi)为：f(Xi)＝fraw(Xi)+βρi其中β为拉格朗日乘数，用于控制特征选择的稀疏程度。