[发明专利]一种用于非治疗目的的基于模糊推理结合加权相似度量的心电分类方法

摘要

一种基于模糊推理结合加权相似度量的心电分类方法，涉及一种心电分类方法。本发明为了解决已有的模糊推理分类方法无法构建心电知识库，从而忽略了心电知识及不同波段形态的不同组合对分类的影响导致分类错误率高的问题，和已有的模糊推理分类方法对属性概念不加筛选直接利用其隶属度值的比对进行分类导致分类错误率高的问题。本发明首先对心电信号进行预处理，然后对各波段进行特征参数提取，构建分类特征属性值向量Yi＝[yi1 yi2 yi3 yi4 yi5]和待检特征属性值向量X＝[x1 x2 x3 x4 x5]，并根据心电图知识创建心电本体ecg.owl；构建模糊概念格，将模糊属性转化成具体的隶属度值，并对隶属度值进行有效筛选；再利用加权分类算法进行最终分类。本发明适用于心电信号的分类。

主权项

一种用于非治疗目的的基于模糊推理结合加权相似度量的心电分类方法，其特征在于它包括下述步骤：步骤一：对已知类型的心电信号f(n)进行预处理，包括两部分，利用数学形态学方法去除基线漂移，利用小波阈值法去除高频噪声，预处理之后的心电信号用F(n)表示；步骤二：对步骤一中预处理之后的心电信号F(n)进行波形检测，检测心电信号F(n)的ST段、T波、QRS波段位置，然后对各波段进行特征参数提取，选取的特征参数包括ST段抬高，ST段降低，QRS波段宽大，T波倒置，T波电交替；对已知类型的心电信号F(n)进行QRS波段的波形检测以及提取对应特征参数的实现过程为：步骤2.1.1、利用二进样条小波变换对心电信号F(n)按Mallat算法进行分解滤波，消除干扰；步骤2.1.2、利用小波变换与信号奇异点之间的关系，在23尺度下对QRS波段进行检测，得到QRS波段的起止点，检测到的QRS波段的采样时间大于0.1s判定为QRS波段宽大，小于等于0.1s即判定为QRS波段正常；步骤2.1.3、获得已知类型i中的所有心电信号F(n)中QRS波段宽大的心拍数，将这些QRS波段宽大的心拍数计和，这些QRS波段宽大的心拍数的总数占总心拍数的百分比记为yi3，即类型i的心电信号的QRS波段宽大特征属性值为yi3；对已知类型的心电信号F(n)进行T波的波形检测以及提取对应特征参数的实现过程为：步骤2.2.1、利用小波极值点的方法检测T波，得到T波的起止点；通过分析小波变换在21‑25尺度上的小波系数可知：尺度24和25上包含了T波的大部分能量，但尺度25包含了部分基线漂移噪声；所以对心电信号进行24尺度的小波变换，寻找该尺度上的极值点，在T波起止点之间搜索出幅值最大的正模极大值Pmax和负模极大值Pmin，设正负模极大值的幅值阈值分别为Pmax/6和Pmin/6，满足Pi<Pmax/6和Pi>Pmin/6的模极值作为无意义的模极值剔除掉，m为剩余的模极值个数；步骤2.2.2、根据模极值的个数和符号与T波形态的对应关系来确定T波的形态：若模极值个数m为2，且极值符号依次为正负，则判定该T波为倒置；若模极值个数m为3，且极值符号依次为负正负或者正负正，则判定该T波为电交替；T波倒置与T波电交替为互斥事件，其中一项出现时，另一项的特征属性值为0；若出现其他情况则判定两项特征属性值均为0；步骤2.2.3、获得已知类型i的所有心电信号F(n)中T波倒置和T波电交替的心拍数，将T波倒置和T波电交替的心拍数分别计和，T波倒置的心拍数的总数占总心拍数的百分比记为yi4，T波电交替的心拍数的总数占总心拍数的百分比记为yi5，即类型i的心电信号的T波倒置的特征属性值和T波电交替的特征属性值分别为yi4和yi5；对已知类型的心电信号F(n)进行ST段的波形检测以及提取对应特征参数的实现过程为：步骤2.3.1、根据步骤2.1.1‑2.1.3和步骤2.2.1‑2.2.3中获得的QRS波段位置和T波的位置来确定ST段的起点、终点以及中点；步骤2.3.2、分别对ST段的起点和中点，中点和终点之间进行直线拟合，根据所得直线斜率来判断ST段形态；设ST段起点和中点之间的直线的斜率为d1，ST段中点和终点之间的直线的斜率为d2，若‑0.5<d1<‑1且d2>1则判定ST段抬高，若d1>0.5且d2>1则判定ST段降低，其他情况ST段正常；ST段抬高与ST段降低为互斥事件，其中一项出现则另一项的特征属性值为0；若ST段正常，则两项特征属性值均为0；步骤2.3.3、获得已知类型i的所有心电信号F(n)中ST段抬高和ST段降低的心拍数，将ST段抬高和ST段降低的心拍数分别计和，ST段抬高的心拍数的总数占总心拍数的百分比记为yi1，ST段降低的心拍数的总数占总心拍数的百分比记为yi2，即类型i的心电信号的ST段抬高和ST段降低的特征属性值分别为yi1和yi2；对同一类型的多个已知类型的心电信号F(n)进行特征参数提取之后，对于属于同一类型i的心电信号F(n)，i＝(a、b、c、d、e、f)，定义类型i的多个已知类型心电信号F(n)中某种特征参数的心拍数总数占总心拍数的百分比为这一类心电信号的特征属性值，则这一类心电信号的特征属性值向量定义为分类特征属性值向量Yi＝[yi1yi2yi3yi4yi5]；步骤三、根据心电图知识创建心电本体ecg.owl：创建心电本体ecg.owl的类和实例，定义心电本体的属性的限制条件，包括属性的名称，定义域和值域；步骤四、根据模糊概念格与心电本体ecg.owl之间的映射关系，模糊概念格由外延、内涵和相应的隶属度值构成；模糊概念格的外延、内涵依次对应为心电本体ecg.owl中的类名、属性，将步骤二中得到的一类心电信号的特征属性值yi作为模糊概念格行与列交叉处的隶属度值，从而构建模糊概念格，获得概念格中的节点关系和节点构成；步骤五、利用步骤一的方法对待检心电信号fx(n)进行预处理，处理之后得到的待检心电信号用Fx(n)表示；利用步骤二的方法对Fx(n)进行特征提取获得待检心电的待检特征属性值向量X＝[x1x2x3x4x5]；步骤六、利用心电本体ecg.owl结合模糊概念格中的节点关系以及各节点对应的节点构成，获得模糊推理规则，利用Jess推理机完成推理，获得待检心电Fx(n)的候选对象概率值P；步骤七、利用基于信息熵的概率加权相似度量对待检心电进行分类，得到最终的分类结果，将待检心电Fx(n)划分为已知类型心电信号F(n)中的一种完成待检心电Fx(n)的分类。