心电图房颤快速特征提取与识别的CS-SCHT算法优化-工程科学与技术国际期刊

工程科学与技术，国际期刊20（2017）1084完整文章基于序贯复Hadamard变换和混合Firefly算法的心电图房颤检测Padmavathi Koraa，Ambika Annavarapua，Priyanka Yadlapallia，K.Sri Rama Krishnab，Viswanadharajua印度海得拉巴Gokaraju Rangaraju工程技术学院bVR悉达多工程学院，印度cJNTU College of Engineering Jagiyal，Telangana，India阿提奇莱因福奥文章历史记录：2016年8月1日收到2017年2月5日接受在线提供2017年保留字：房颤心电图快速CS-SCHT神经网络分类器A B S T R A C T心电图（ECG）是一种非侵入性诊断技术，用于检测心律失常。从过去十年的行业处理生物医学仪器和研究，要求其区分不同的心律失常的能力心房颤动（AF）是一种心律不齐的心脏疾病在AF期间，心房时刻比正常速率快由于血液没有完全排出心房，所以有机会在心房内形成血栓。心脏中的这些异常可以通过ECG的形态学变化来识别。AF检测的第一步是ECG的预处理，其使用滤波器去除噪声特征提取是本研究下一步的关键步骤。最近的特征提取方法，如自回归（AR）建模，幅度平方相干（MSC）和小波相干（WTC）使用标准数据库（MIT-BIH），产生了大量的功能。这些特征中的许多可能是无关紧要的，包含一些冗余和非歧视性的特征，这些特征引入了计算负担和性能损失。本文提出了一种快速共轭对称顺序复阿达玛变换（CS-SCHT），用于心电信号的相关特征提取。稀疏矩阵分解方法被用来开发快速和有效的CS-SCHT算法和它的计算性能进行了检查和比较的HT和NCHT。最后讨论了CS-SCHT在基于ECG的AF检测中的应用这些快速CS-SCHT功能优化使用萤火虫和粒子群优化（FFPSO），以提高分类器的性能。©2017 Karabuk University. Elsevier B.V.的出版服务。这是CCBY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍ECG描述了人类心脏的电活动。通过将电极放置在胸部和肢体导联上的不同位置来监测心脏纤维复极化和去极化期间的电压变化。ECG信号打印在绘图纸上或显示在计算机监视器上。心电图的优点是它的便携性，及时可及性和灵活性。计算机化的ECG分类也有助于降低医疗保健成本。在生物医学行业，用于使用ECG信号早期检测心脏异常本文旨在开发一种智能、廉价、灵活的基于心电图的心律失常自动检测系统。该方法包括信号预处理，*通讯作者。电子邮件地址：padma386@gmail.com（P. Kora）。由Karabuk大学负责进行同行审查特征提取技术，以获得对应于心脏状况的ECG信号的区别特征。这些ECG特征使用监督学习技术进行分类。异常心搏的识别是心脏疾病检测的关键步骤。在AF期间，心房中的放电是快速或迅速的。通过ECG记录的变化可以观察到形态学变化。AF的明确指征是RR间期不由于AF搏动是偶然的（很少发生），医生有时不得不依赖于AF的偶然检查。医生手动检查心电图非常不方便，特别是对于AF搏动发生是随机的情况，并且需要长期监测以检测异常活动以进行进一步处理。图 2描述了关于每个ECG搏动的相对幅度和时间间隔的信息，称为形态转变。形态学（P波、QRS波群、T波和U波）也被称为心电信号的特征.形态学变化由于http://dx.doi.org/10.1016/j.jestch.2017.02.0022215-0986/©2017 Karabuk University.出版社：Elsevier B.V.这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表工程科学与技术国际期刊杂志主页：www.elsevier.com/locate/jestchP. Kora et 其他/工程 科学 和技术， 国际 期刊20（2017）10841085心脏异常房颤是心脏疾病中存在的形态学异常。在这项工作中，CS-SCHT被用作特征提取策略，而不是使用传统的[1，2]特征提取方法。AF信号的波形变化如图1所示。Moody[3]和Tateno[4]提出了基于RR间期的技术，Mohebbi[5]提出了基于P波的方法，这些方法具有一定的局限性。当ECG在节律之间快速变化或当AF以规则的心室率发生时，基于RR间期的方法无法准确检测。由于P波的振幅很小，所以很难排除文献中早期提出的用于从ECG信号中提取特征的不同技术和变换在[6]中进行了解释。用于ECG信号的特征提取的各种算法是快速傅立叶变换（FFT）在某些应用中执行从时域到频域的信号变换[11]。DCT因其最佳能量压缩特性而被广泛接受，因为信号的平均能量的划分被分组为DCT系数的相对较少的成分。离散小波变换[12]是熟悉其分析的图像和信号处理在多分辨率模式。在实时应用中，使用先进的快速算法，如Hadamard变换（HT）[13]哈达玛变换用于降低仅应用于实值的计算复杂度，而复哈达玛变换（CHT）可以应用于实值和复值两者SCHT被认为是其快速计算。与HT相比，CS-SCHT的优点是其低存储器需求和非常低的计算复杂度，对于M个数据样本为log2MBIFORE（二进制傅里叶表示）[14]或HADAMARD变换包含两个级别（）。它被用于各种应用，如信号处理，数据压缩算法，数据加密，量子计算等，但使用这种实阿达玛变换的缺点是，它只能应用于实值。这种限制可以通过使用复阿达玛变换（CHT）来避免。CHT是一个四值（1，j）序列。CHT包括高阶矩阵和Kronecker积。具有序列顺序的CHT称为SCHT。顺序衡量的是Hadamard变换矩阵的特定行向量的元素在归一化时基Ts [0，1]上变化。SCHT系数是由实部和虚部&部分，并且它们不是共轭对称的。因此，更多的内存需要存储用于变换实现中的分析和合成的系数。因此，一个新版本的SCHT，Fig. 1. AF信号。图二. ECG信号正常。它优于原来的共轭对称顺序复阿达玛变换（CS-SCHT），其频谱是共轭对称的。由于CS-SCHT谱是共轭对称的，所以只需一半的谱系数就可以进行合并和研究。这反过来又缩小了处理中的存储器需求，例如实时图像水印和频谱估计。总体分类流程图如图所示。3.第三章。2. 前处理预处理步骤分为三个阶段：去除噪声，将ECG分割为搏动[15]，并将所有搏动重新划分为相等大小的128个样本。使用Savizky-Golay [16]平滑滤波器（也称为数字平滑多项式滤波器或最小二乘平滑滤波器）去除ECG信号中的噪声，该滤波器的窗口大小为15，多项式阶数为13。该滤波器可以用LLS实现，通过考虑信号星座图之间的平方差之和来最小化噪声。然后通过检测“R”峰将获得的信号分割成节拍。ECG信号的检测到的R峰示于图1中。四、从MIT-BIH数据库[17]中，26名患者的AF数据文件和18名患者的正常窦性心律文件用于检测AF。所有MIT-BIH数据库均未以每秒360个样本进行采样正常信号的采样率为128 Hz，AF信号的采样率为250 Hz。在分割之 后 ， 获得 的 ECG 搏 动 具有 不 同 的 长度 （ 大 小 ） 。 我 们使 用“resample”Matlab命令，使所有的节拍到相同大小的128个样本，便于比较，如图所示。 五、3. 特征提取特征提取是心律失常检测的重要环节。每个ECG搏动由大量特征组成，其中许多特征可能是不重要的。在本文中CS-SCHT提取每个心跳的特征。3.1. 共轭对称序贯复阿达玛变换实阿达玛矩阵的行向量可以用多种方式排列以获得有序阿达玛矩阵。1086P. Kora et 其他/工程 科学 技术，国际 期刊20（2017）1084>：图三. 使用CS-SCHT特征的ECG分类。见图4。 ECG R峰检测。由于其与傅立叶变换的相似性及其在数字信号处理和通信中的适用性，序列顺序被广泛地优选。序列性衡量一个元素的Hadamard变换矩阵的特定行向量在归一化时基ks [0，1）上变化。因此，探索一些复Hadamard变换的排序也是有趣的。特殊应用。复阿达玛变换（CHT），其序列顺序被称为序列有序复阿达玛变换（SCHT）。SCHT矩阵的构造是基于复Rademacher函数的，复Rademacher函数是传统Rademacher函数的扩展。 SCHT矩阵的行向量在单位圆中以零交叉的递增顺序排列，06k6 1。SCHT可能在信号处理中具有重要意义，因为离散傅立叶变换（DFT）。具有自然序的CHT称为自然序复阿达玛变换（NCHT）[18].NCHT可以被视为CHT的另一个有序版本，其中其排序遵循WHT矩阵。NCHT与SCHT以某种方式相关。复Rademacher函数及其矩阵Rademacher函数[19]是具有奇对称性的不完全正交函数集，它们被用来形成表现出奇对称性或偶对称性或两者的其他函数系列。在本小节中，我们扩展了实Rademacher函数，并定义了非线性域上的复Rademacher函数（CRD）其中周期T = 1。在归一化时基ts [0，1）上定义复Rademacher函数的另一种更简单的方法如下：8>1;ke½0;1=4CRD100;k

下载后可阅读完整内容，剩余1页未读，立即下载