原创《基于小波熵的早期房颤心电信号检测算法》
该文是关于心电信号相关论文范文素材和小波熵和房颤和心电相关论文范文素材。
摘 要：房颤是全球最为常见的心律失常,由此导致的并发症不断威胁着人类健康.心电图是临床上行之有效的研究手段.选取PhysioNet2017心电数据库,使用PAN- TOMPKINS方法对数据预处理,接着离散小波分解方法获取小波熵,最后使用正则化逻辑回归算法进行分类.经50组实验验证,方法平均准确率为92.98%、灵敏性为93.33%,特异性为92.63%,能够快速检测房颤.
关键词：RR间期；小波熵；递归定量分析；房颤
一、引言
房颤是一种很常见的快速心律失常疾病,也是心脏疾病中难于攻克的难关之一.全球房颤总患病率为0.4％,成人患病率在0.5%～0.95%之间,在75岁以上人群可达10％[1].短时、偶尔发作的房颤本身并不会危及生命,但是快速持续的房颤会导致心力衰竭等严重后果[2].不仅如此,房颤病人的住院率和费用都很高,耗费了巨大的医疗资源和治疗费用[3].
研究房颤检测算法,把握治疗的最佳时期,减少房颤的发病率和死亡率.心电图是诊断心脏电活动的常用诊断工具,现有的研究房颤方法主要是根据房颤时心电图的两大特征展开：（1）P波消失,出现一系列无规则的F波；（2）RR间期绝对不等.由于P波与F波属于微弱波,容易受噪音和基线漂移影响[4],基于P波消失的检测房颤算法,如[5], [6],并没有展现很好的性能.近些年,学者提出了基于RR间期检测房颤的方法.RR间期伴随着人体生理状态的变化而变化,能够用于快速房颤检测.Park制作庞加莱图并计算簇的数量、平均步进增量、对角线周围点的离散度作为三个特征,输入支持向量机算法检测房颤[7].万慧华等制作序列直方图,将其输入神经网络进行房颤检测[8].
Zhou提出基于符号动力学和香农熵的方法检测房颤[9].但目前这些方法需要长时数据确定房颤发作,无法判定时长小于一分钟的房颤.为了解决这一问题,本文提出基于小波熵的房颤检测方法,从量化信息的角度入手,能够用于检测短时房颤.首先利用心电图提取RR间期时间序列,接着利用小波变换分析和香农熵计算小波熵,最后将正则化逻辑回归引入房颤检测算法中,进行房颤的检测.正则化逻辑回归的优点是能够很好的解决机器学习算法中过度拟合的问题.方法流程图如图1所示.
每一尺度的熵值反映了其概率分布的有序程度,能够被看作是衡量信号有序度或者无序的方法.如果是一个完全无序过程生成的紊乱信号,在不同的尺度上都存在小波系数,此时该信号的小波熵值近似于1.
本文所提出的方法,利用尺度为2的离散小波变换分析求解心电信号RR间期时间序列的小波熵.Rafiee对Haar、Daubech ies、Coiflet、 Biorthogonal、Reverse Biorthogonal 和Symlet6种不同的小波母函数进行测试,使用6阶Daubechies小波母函数能够得到最优值[11],因此本作选择它作为离散小波分解分析的小波母函数.
2.3正则化逻辑回归
在机器学习算法中,当使用小规模、多特征量的训练样本时,模型容易出现过拟合的现象,即训练得到的分类预测模型适用于训练样本,均方误差小、准确率高,在测试集上效果不好.而正则化方法能够在一定程度上抑制过拟合,加强模型的泛化能力.
三、结果与讨论
共选取了10 0 0条心电信号进行分析,其中房颤信号和正常窦性心律信号各500条,紧接着获得RR间期时间序列.离散小波分解方法中,db6作为小波母函数,分解2层后计算小波熵.接着带入正则化逻辑回归算法中进行训练,训练集与测试集的信号按照比例为7：3随机抽取,完成分类预测.在测试集中,算法的准确率为92.98%、灵敏性为93.33%,特异性为92.63%,结果如表1所示.
测试集小波熵的箱线图分析如图2所示,房颤组和窦性心律组的小波熵分布区别明显,房颤的小波熵明显比窦性心律的小波熵大,说明可以表征房颤与窦性心律信号内在动态差异性变化规律.这表明在房颤发生过程中,病理引起的电活动兴奋性导致不同尺度上的小波系数的有序程度发生转化.通过量化RR间期时间序列,从而能够识别房颤和窦性心律,相比于依靠P波或F波的检测算法,不需要考虑心电图中噪音的干扰,并且该算法在短时房颤片段中有很高的检测准确率.
心电信号论文参考资料：
本文点评:该文是一篇适合小波熵和房颤和心电论文写作的大学硕士及关于心电信号本科毕业论文，相关心电信号开题报告范文和学术职称论文参考文献。
