基于小波变换和支持向量机的心电信号ST 段分类

吉林大学学报(信息科学版) ›› 2016, Vol. 34 ›› Issue (3): 315-319.

基于小波变换和支持向量机的心电信号ST 段分类

杨宇¹, 司玉娟^1,2, 宋晓洋¹

1. 吉林大学通信工程学院, 长春 130012; 2. 吉林大学珠海学院电子信息系, 广东珠海 519041

收稿日期:2015-08-29 出版日期:2016-05-25 发布日期:2016-12-21
作者简介:杨宇(1991—), 男, 湖北鄂州人,吉林大学硕士研究生,主要从事通信与信息系统研究,(Tel)86-15948384148(E-mail) yangxiaojiang@ yahoo. com; 通讯作者: 司玉娟(1963—), 女, 长春人, 吉林大学教授, 博士生导师, 主要从事通信与信息系统研究, (Tel)86-13604424766(E-mail)siyj@ jlu. edu. cn。
基金资助:
吉林省重点科技攻关基金资助项目(20150204039GX);吉林省长春市重大科技攻关专项基金资助项目(14KG064); 广东省省级科技计划基金资助项目(2013B010101020)

ST Segment Classification of ECG Signals Based on Wavelet Transform and Support Vector Machine

YANG Yu¹, SI Yujuan^1,2, SONG Xiaoyang¹

1. College of Communication Engineering, Jilin University, Changchun 130012, China;2. Department of Electronic Information Science & Technology, College of Zhuhai, Jilin University, Zhuhai 519041, China

Received:2015-08-29 Online:2016-05-25 Published:2016-12-21

摘要/Abstract

摘要：

摘要: 为完成ECG(Electrocardiogram)信号特征点提取, 并对ST 段分类, 提出了一种基于离散小波变换和支持向量机的ST 分类算法。首先对信号进行预处理, 完成噪声消除, QRS 波群检测和提取特征值; 然后计算ST段平均值、曲线面积和标准差, 并结合使用SVM(Support Vector Machine)对ST段进行分类。Matlab 仿真结果表
明, 小波去噪效果明显,ST 段未出现失真现象, 特征点提取完整。经MIT鄄BIT 数据库验证, 分类结果显示交叉验证准确率平均值为80. 70%, 训练准确率平均值为91. 83%, 测试准确率平均值为74. 28%。

关键词: 特征点提取, 分类, 小波变换, 支持向量机

Abstract:

Abstract: To complete the ECG signal feature points extraction and the classification of ST segment, we put forward an algorithm based on the discrete wavelet transform, combined with the f derivative and the SVM(Support Vector Machine). The algorithm can accomplish the signal preprocessing, noise elimination, QRS complex detection and extraction of characteristic value, calculating the average ST segment, curve area and the standard deviation, and the simple classification of ST segment by using the SVM combined with the three sets of data. The matlab simulation results show that the wavelet denoising is effective and has no distortion, and completely extract ST segment feature points. The data are downloaded from the MIT-BIT database, the classification results show that cross-validation average accuracy is 80. 70%,the average accuracy of training is 91. 83%, the average testing accuracy was 74. 28%.

Key words: feature point extraction, classification, wavelet transform, support vector machine(SVM)

中图分类号:

TN911

杨宇, 司玉娟, 宋晓洋. 基于小波变换和支持向量机的心电信号ST 段分类[J]. 吉林大学学报(信息科学版), 2016, 34(3): 315-319.

YANG Yu, SI Yujuan, SONG Xiaoyang. ST Segment Classification of ECG Signals Based on Wavelet Transform and Support Vector Machine[J]. Journal of Jilin University(Information Science Ed, 2016, 34(3): 315-319.

[1]	隋振，徐峰，苏振东. 基于遗传算法的凸轮升程误差修正[J]. 吉林大学学报(信息科学版), 2018, 36(3): 277-282.
[2]	王昕, 李亮, 尹小童, 李梦烁, 曾朝伟, 艾勇鑫. 甲状腺结节超声图像多特征融合及识别[J]. 吉林大学学报(信息科学版), 2017, 35(6): 650-655.
[3]	张雨烟, 陈万忠, 张涛, 李明阳. 基于非负矩阵分解的癫痫脑电自动检测[J]. 吉林大学学报(信息科学版), 2017, 35(5): 551-559.
[4]	兰兰, 陈万忠, 魏庭松. 基于融合特征提取与 LLE 方法的表情识别[J]. 吉林大学学报(信息科学版), 2017, 35(4): 384-391.
[5]	杨永健, 聂瑜, 吴洋, 孙广志, 杨仲尧. 基于 SVM 新的情感计算方法[J]. 吉林大学学报(信息科学版), 2017, 35(4): 438-442.
[6]	李学贵,许少华,李娜,赵恩涛,郭昊 . 基于涡流搜索算法的过程支持向量回归机模型[J]. 吉林大学学报(信息科学版), 2017, 35(3): 341-346.
[7]	胡云鹏, 王世刚. 基于支持向量机与朴素贝叶斯的犯罪度理论研究[J]. 吉林大学学报(信息科学版), 2017, 35(1): 20-25.
[8]	王贺,邓茂云,姜守坤,李明明,宗宇轩,刘富 . 改进的双边二维线性判别分析的手背静脉识别[J]. 吉林大学学报(信息科学版), 2017, 35(1): 32-36.
[9]	杜昭慧,司玉娟 . 基于层次支持向量机的脉搏信号情感识别[J]. 吉林大学学报(信息科学版), 2017, 35(1): 37-42.
[10]	贾隆嘉,孙铁利,杨凤芹,孙红光 . 基于类空间密度的文本分类特征加权算法[J]. 吉林大学学报(信息科学版), 2017, 35(1): 92-97.
[11]	唐国维,张岩,王苫社,刘彦彤,赵璨 . 基于 ε-SVR 的嵌入式小波图像编码算法[J]. 吉林大学学报(信息科学版), 2017, 35(1): 76-84.
[12]	王丹,臧雪柏,陈奋君 . 基于 Latent SVM 的多视角行为识别方法[J]. 吉林大学学报(信息科学版), 2016, 34(6): 747-752.
[13]	蔡柳, 恵飞, 叶敏, 康科, 赵祥模. 基于不确定抽样的半监督城市土地功能分类方法[J]. 吉林大学学报(信息科学版), 2016, 34(4): 550-555.
[14]	宋晓洋, 刘立勋. 基于SVM 回归的连续血压测量方法[J]. 吉林大学学报(信息科学版), 2016, 34(3): 384-389.
[15]	马兴民1, 孙文财2, 徐艺2, 郑鹏宇3. 驾驶员不良情绪状态检测系统的方法研究[J]. 吉林大学学报(信息科学版), 2015, 33(6): 680-.