Çok özellikli füzyon-AET'ye dayalı J dalgası sınıflandırma modeli
0 Önsöz
J dalgası, EKG'de QRS dalgasının sonu ile ST segmentinin başlangıcı arasındaki birleşme noktasına (J noktası) yakın bir tür hayal kırıklığıdır. Çok sayıda klinik analiz, J dalgasının aritmi ve ani ölüm gibi kardiyovasküler hastalıklarla önemli bir ilişkisi olduğunu göstermiştir. Artık anormal J dalgası ve belirli J dalgası sendromu türleri, ani kardiyak ölüm tespiti için yüksek riskli erken uyarı göstergeleri olarak listelendiğine göre, J dalgasıyla ilişkili hastalıkların ölümcüllüğünü azaltmak için elektrokardiyogramda J dalgasının tespiti ve sınıflandırmasının hızlı ve doğru bir şekilde nasıl gerçekleştirileceği Tıp camiasında yaygın olarak endişe duyuyor.
Son iki yılda yurtiçi ve yurtdışında J dalga hastalıkları için bilgisayar destekli bazı tanı yöntemleri ortaya çıktı. 2014 yılında CLARK EN ve arkadaşları J-dalgası algılamasını gerçekleştirdi ve QRS dalgasının düşen kenarı tarafından tanımlanan içbükey alanda% 90,5 hassasiyet elde etti. 2015 yılında Wang Y G ve diğerleri, J dalgası tespitini% 89 hassasiyetle tamamlamak için 12 kanallı verilere fonksiyon analizi teknolojisini uyguladılar. 2016 yılında Zhang Guimin, Zhu Beibei ve diğerleri, EKG sinyallerinden J dalgalarını çıkarmak için seyrek kör kaynak ayırma teknolojisi uyguladılar. Aynı yıl, Li Dengao ve diğerleri, özellik çıkarımını Gizli Markov Modeli ile birleştirdi ve% 94,2'lik bir duyarlılık elde etmek için 10 kat çapraz doğrulama uyguladı. Liu Xuebo ve diğerleri, 2017 yılında normal sinyalleri ve J-dalgası sinyallerini sınıflandırmak için eğri uydurma, dalgacık dönüşümü ve radyal temel destek vektör makinesini birleştirdi ve hassasiyet% 90'a ulaştı.
Bu J-dalgası tanıma modelleri analiz edildiğinde, öncelikle ilgili algoritmaların algılama doğruluğunda iyileştirme için belirli bir alan vardır.İkincisi, algoritmanın sınıflandırma etkisi J dalgası sinyallerinin varlığı veya yokluğu ile sınırlıdır ve iyi huylu ve kötü huylu J dalgaları arasındaki ayrım gerçekleştirilmemiştir. Bu makalede, normal sinyallerin, iyi huylu J-dalgası sinyallerinin ve habis J-dalgası sinyallerinin üç sınıflandırmasını tamamlamak için zaman-frekans alanındaki üçüncü dereceden kümülantın birinci çekirdek temel bileşenini ve faz uzayı özyinelemeli matrisin sıkıştırılmış vektörünü birleştiren bir kümeleme ön işleme AdaBoost sınıflandırıcısı tasarlanmıştır.
1 Veritabanı oluşturma ve ön işleme
Bu makale J dalgasına bağlı hastalıkları olan hastaların elektrokardiyogramlarını proje ortağı Shanxi Üniversite Hastanesi'nden alıyor. Sinyal, 360 Hz örnekleme hızı ile normalize edildi ve son olarak 200 EKG kaydından oluşan bir veri tabanı elde edildi ve her kaydın süresi yaklaşık 1 dakika idi.
Elde edilen EKG verileri gürültü sinyalleri ile karıştırılır Algoritma tasarımının etkinliğini sağlamak için sinyal sabit dalgacık kullanılarak 9 katmana ayrıştırılır ve en yüksek katman yaklaşım katsayısı rekonstrüksiyonu atılır. Yeniden yapılandırılmış sinyal üzerinde 6 katmanlı sabit dalgacık ayrıştırma gerçekleştirin ve gürültüyü ortadan kaldırmak için katsayıları düzeltmek için yumuşak eşik uygulayın.
J dalgası esas olarak EKG'nin ST segmentinde vurgulanır ve bazen QRS dalga formunun azalan dalında da görülür. Genel hesaplama miktarını azaltmak için, bu makale R referans noktası tespitini tamamlamak için Pan-Tompkins yöntemini kullanır ve araştırma kalp atışını oluşturmak için R noktasından önce ve sonra 172 örnek noktası seçer.
2 J dalgası çok özellikli füzyon sınıflandırma yöntemi
Bu makale bir J-dalgası çok sınıflı tanıma algoritması tasarlamaktadır. EKG sinyali ön işlendikten sonra, çok açılı analiz özellikleri çıkarılır. Özellik optimizasyonundan sonra, bu özellikler paralel olarak birleştirilir ve normal kalp atışları, iyi huylu J-dalgası kalp atışları ve kötü huylu J-dalgası kalp atışları arasında ayrım yapmak için geliştirilmiş AdaBoost sınıflandırıcısına girdi. Yöntemin genel süreci Şekil 1'de gösterilmektedir.
2.1 Çok açılı özellik çıkarma
Bu makale temel olarak, zaman-frekans alanı ve faz uzayı perspektifinden gelen sinyallerin doğrusal olmama durumunu ve benzerliğini ölçer.
2.1.1 Zaman-frekans alanı doğrusal olmayan özellikler
Ayarlanabilir Q Dalgacık Dönüşümü (TQWT), teorik destekten yoksun ayrık dalgacık temelli fonksiyon seçiminin eksikliklerinin üstesinden gelen gelişmiş bir ayrık dalgacık dönüşümü algoritmasıdır.TQWT, elde etmek için sinyal merkezi frekansının bant genişliğine oranını tanımlayan bir kalite faktörü Q sunar. Sinyal dalga biçimine uyarlanabilir yeteneği olan anne dalgacık, daha etkili ölçek katsayıları elde edebilir.
Kalp atışı sinyalinin 5 katmanlı TQWT ayrışmasına dayalı olarak algoritma, üçüncü katmanın d3, d4, d5 katsayıları, dördüncü katman ve ayrışmadan sonraki beşinci katman ve beşinci katmanın yaklaşık a5 katsayısı üzerinde doğrusal olmayan üçüncü derece kümülant istatistikleri gerçekleştirir. Formülü formül (1) 'de gösterildiği gibi alın. Ve özellik boyutsallığını azaltmak için Kernel Principal Component Analysis (KPCA) kullanın.
Şekil 2, üç tip kalp atışı sinyalinin TQWT ayrıştırılmasından sonra seçilen alt bant katsayılarının dalgalanma eğrilerini göstermektedir. Şekilden, seçilen her bir alt bant üzerinde karşılık gelen katsayıların dalgalanma aralığında bariz farklılıklar olduğu görülebilir.
Şekil 3 ila 6, üç tip sinyale karşılık gelen alt bant katsayıları d3 ila d5 ve a5'in üçüncü dereceden kümülantlarının kontur çizimleri ve üç boyutlu diyagramlarıdır. Grafikteki veri dağılımı incelendiğinde, J dalgası sinyalini içeren üç boyutlu haritanın genliğinin daha yüksek olduğunu görmek zor olmayıp, kontur haritasına J dalgası sinyalinin, özellikle malign J dalgasının, kontur değişim eğimine daha açık bir şekilde karşılık geldiği yansıtılmaktadır.
2.1.2 Faz uzayının yineleme grafiği (RP) özellikleri
RP, düzlem grafiğindeki sinyaller arasındaki periyodikliği, benzerliği, kaosu ve durağanlığı yansıtır ve karmaşık sinyallerin deterministik olmayan değerlendirmesini dolaylı olarak tamamlar. Zaman geciktirme yöntemi, faz uzayı rekonstrüksiyonunu gerçekleştirmek için kalp atışı segmentlerinin dizisine {x1, x2, ..., xn} uygulanır ve yeniden yapılandırılmış vektörler Xi ve Xj elde edilir. İlgili tekrarlamalı matrisin matematiksel ifadesi şu şekilde tanımlanır:
Özyinelemeli matrisi elde ettikten sonra, matris elemanları üzerinde değiştirme işlemini gerçekleştirin, böylece faz uzay noktası durumları benzer olduğunda, özyinelemeli değer 0'dır; faz alanı nokta durumları farklı olduğunda, özyinelemeli değer 1'dir. Şu anda, özyinelemeli matris seyrek koşulu karşılar ve sıkıştırılmış algılamada ölçüm matrisinin rec sıkıştırması, M özyinelemeli matris R'nin sıkıştırmasını sağlamak için kullanılabilir. < < N.
2.2 AdaBoost sınıflandırıcısını geliştirin
AdaBoost algoritması, yanlış bölünmüş örneklerin ağırlıklarının sürekli yinelemeli ayarlaması yoluyla farklı zayıf sınıflandırıcılar elde eder ve nihai sınıflandırma sonucunu elde etmek için zayıf sınıflandırıcıların sonuçlarını ağırlıklandırır ve istifler. Bu makale AdaBoost algoritmasını geliştirmektedir ve geliştirilmiş sınıflandırıcının akış diyagramı Şekil 7'de gösterilmektedir. AdaBoost mimarisinden önce, bu belgenin orijinal veri setini önceden işlemek için küme analizi uyguladığı ve ardından stratejik olarak, veri kümesinde orantılı olarak bir eğitim alt kümesi oluşturmak için ikame ile rastgele örneklemeyi benimsediği şekilden görülebilir. Diğer bir deyişle, alt-numune seti 1'i oluşturmak için ilk küme kümesindeki numuneleri örnekleyin, alt kümedeki farklı numune türlerinin sayısını dengeleyin ve temel sınıflandırıcı C1'in eğitimini tamamlayın; daha sonra her bir alt numune seti, üst seviye hata sınıflandırma numunesi tarafından önceden işlenir Durdurma durumuna ulaşılana kadar aşağıdaki örnekleme numuneleri oluşturulur. J dalgalarının düşük insidansını hesaba katan bu makale, sınıflandırıcının örnek ağırlık ayarlamasına farklı maliyet kayıpları da getirmektedir.
3 Deneysel simülasyon
3.1 Unsur boyutlarının belirlenmesi
Sinyalin zaman-frekans alanındaki d3 d5 ve a5 katman katsayılarının üçüncü dereceden kümülantını çıkardıktan sonra deney, tipik normal sinyalin üçüncü dereceden kümülantının ilk nükleer temel bileşenini, iyi huylu J dalgası sinyalini ve habis J dalgası sinyalini ve karşılık gelen değerlerini çıkarmak için KPCA'yı uyguladı. Dağılım Şekil 8'de gösterilmektedir. Şekilden, zaman-frekans alanında çıkarılan birinci temel bileşen özelliklerinin üç sinyali daha iyi ayırt edebildiği görülebilir. Bu nedenle, bu yazının sonunda, özelliklerden biri olarak 4 katmanda toplam 4 birinci çekirdek ana bileşen elde edilmiştir.
Sinyal benzerliğini açıklayan yinelemeli analiz matrisini çıkarırken, gecikme süresi 3 ve gömme boyutu 2'dir. Şekil 9, 3 farklı EKG segmentinin karşılık gelen yinelemeli grafiklerini listeler. Orijinal sinyalin 70-90 örnek noktası EKG dalga formundaki QRS kompleksine karşılık gelir ve J dalgasının görünümüne genellikle QRS dalga kuyruğu eşlik eder.Bu fenomen yinelemeli grafiğe yansıtılır, yani J dalgası sinyali yinelemeli grafiğinde karşılık gelen pozisyonda yinelemeli noktaların oluşum oranı önemli ölçüde azalır .
CS ölçüm matrisi ayrıca özellik boyutunun azaltılması için kullanılır Deney, karşılaştırmak için seyrek döngü, Hadamard ve Toplitz üç sabit matris kullanır ve indeks değerlendirmesine ulaşmak için sınıflandırıcıları tasarlar. Deney nihayet Hadamard matrisinin bir dönüşüm matrisi olduğunu belirler ve dönüşüm boyutu M ile doğruluk arasındaki ilişki eğrisi Şekil 10'da gösterilir. Bu yazıda, M değeri 27 olduğunda karşılık gelen yinelemeli grafik sıkıştırma değeri başka bir özellik olarak ayarlanmıştır. Şekil 11, üç sinyal bölümünün yinelemeli grafiklerinin üç boyutlu sıkıştırılmış görüntüsünü gösterir.
3.2 Sınıflandırma simülasyonu
Bu makale normal EKG segmentlerini, benign J dalga segmentlerini ve malign J dalga segmentlerini ayırt etmeyi amaçlamaktadır. Simülasyon doğrulaması için deneyde toplam 18.736 normal kalp atışı verisi, 3.829 iyi huylu J dalgası kalp atışı verisi ve 2.081 kötü huylu J dalgası kalp atışı verisi seçilmiştir. Duyarlılık (Se), özgüllük (Sp) ve doğruluk ( Doğruluk, Acc) sınıflandırıcı değerlendirmesini tamamlayın. Deneysel veriler eğitim seti ve test setine 7: 3 oranına göre bölünür ve yukarıdaki iki özellik paralel olarak birleştirilerek sınıflandırıcı eğitimi ve testi tamamlanır. Son olarak, eğitim seti ve test setinin deneysel olarak elde edilen sınıflandırma doğruluğu sırasıyla Şekil 12 ve Şekil 13'te gösterilmektedir. Bunlardan eğitim setindeki benign J dalgası ve malign J dalgası sinyalinin sınıflandırma doğruluğu sırasıyla% 84.28 ve% 84.21'e ulaştı ve test setindeki doğruluk oranı sırasıyla% 76.3 ve% 78.9 ile göreceli olarak daha düşüktü.
Bu yazıda çok özellikli füzyon ve geliştirilmiş sınıflandırıcı kombinasyonunun algoritma avantajlarını tam olarak doğrulamak için, paralel füzyon özelliği giriş vektörü olarak, test seti verileri ise farklı sınıflandırıcıların sınıflandırma göstergelerini karşılaştırmak için kullanılmıştır.Elde edilen çoklu sınıflandırmanın ortalama doğruluğu Tablo 1'de gösterilmiştir. Tablodan, kümelemenin ön işlenmesi ve maliyet cezası parametrelerinin tanıtılması nedeniyle, bu yazının sınıflandırma etkisinin diğer sınıflandırıcılardan daha iyi olduğunu görmek zor değildir.
Tasarım yönteminin etkinliğini daha da doğrulamak için, bu makale bunu normal sinyaller ve J dalgası sinyallerinin iki sınıflandırmasına da uygular ve ardından diğer J dalgası algılama algoritmalarıyla performans karşılaştırmasını tamamlar. Deneyde, J dalgası tespitini tamamlamak için bu makalenin veri tabanına farklı tespit algoritmaları uygulanmıştır. Tablo 2, farklı J-dalgası tanıma algoritmalarının performans göstergelerini listelemektedir Diğer yöntemlerle karşılaştırıldığında, bu makale iki özelliği boyut azaltma sonrasında paralel olarak birleştirmekte, gelişmiş sınıflandırıcılarla birleştirmekte ve J-dalgası algılama doğruluğunu önemli ölçüde iyileştirmektedir.
4. Sonuç
Bu makale, çok özellikli bir füzyon J-dalgası sınıflandırma teknolojisi önermektedir. Q-anahtarlamalı dalgacık dönüşümü ve yüksek sıralı kümülantlar, EKG segment zaman-frekans alanının ayrıntılı performans tahminini gerçekleştirir, çekirdek temel bileşen analizi, birikim matrisi indirgemesini gerçekleştirir; özyinelemeli matris, EKG segmentinin faz uzayı durum noktalarının benzerlik ölçümünü gerçekleştirir ve Hadamard matrisi özyinelemeyi gerçekleştirir Hacim sıkıştırma gösterimi. İki özellik, ön işlemeyi kümelemeden sonra AdaBoost sınıflandırıcısıyla paralel olarak kaynaştırılır, bu da J dalgalarının yüksek hassasiyetle tespitini sağlayabilir ve iyi huylu ve kötü huylu J dalgaları arasındaki ayrımı tamamlayabilir. Yapılan deneyler, bu yöntemin J dalgasına bağlı hastalıkların teşhisi için belirli bir referans sağlayabileceğini kanıtlamıştır. Daha sonra, J-dalgası çoklu sınıflandırmasının doğruluğunu iyileştirmek için diğer yöntemleri uygulamaya çalışmak temelinde, J-dalgası sınıflandırma sürecini basitleştirmek için J-dalgası iyi huylu ve kötü huylu ayırt edici göstergeleri de arayacaktır.
Referanslar
Shen Yanyan, Zhang Yanxun. J dalgası sendromu ve klinik önemi üzerine araştırmada ilerleme. Tıbbi İnceleme, 2012, 18 (8): 1208-1212.
CLARK EN, KATIBI I, MACFARLANE P W. Otomatik son QRS çentik veya çamur tespiti Journal of Electrocardiology, 2014, 47 (2): 151-154.
WANG Y G, WU H T, DAUBECHIES I, et al .Dijital 12 uçlu elektrokardiyogramdan otomatik J dalgası algılama.Elektrokardiyoloji Dergisi, 2015, 48 (1): 21-28.
Zhang Guimin, Li Dengao, Zhao Jumin.Geribildirim bölümünün seyrek bileşen analizine dayalı J-dalgası ekstraksiyon yöntemi. Journal of Taiyuan University of Technology, 2016, 47 (1): 53-56.
Zhu Beibei, Zhao Jumin, Li Dengao. Givens dönüşümüne dayalı EKG'den J dalgası sinyalinin çıkarılması Bilgisayar Uygulamaları ve Yazılım, 2016, 33 (8): 95-98.
Li Dengao, Bai Yanfei, Zhao Jumin. Gizli Markov modeline dayalı J-dalgası otomatik tanıma ve algılama Elektronik Teknolojisi Uygulaması, 2016, 42 (11): 112-115.
Liu Xuebo, Li Dengao, Zhao Jumin ve diğerleri.Değişken adım boyutu destek vektör makinesine dayalı J-dalgası otomatik algılama yöntemi Bilgisayar Mühendisliği ve Uygulamaları, 2017, 53 (23): 203-207.
PAN J, TOMPKINS W J. Bir gerçek zamanlı QRS algılama algoritması Biyomedikal Mühendisliğinde IEEE İşlemleri, 1985 (3): 230-236.
PATIDAR S, PACHORI R B, ACHARYA U R. Kalp atış hızı sinyallerine uygulanan ayarlanabilir-Q dalgacık dönüşümü kullanılarak koroner arter hastalığının otomatik teşhisi Knowl-edge-Based Systems, 2015, 82: 1-10.
Wu Yunxia, Zhang Hong. Curvelet dönüşümü ve sıkıştırılmış algılamaya dayalı kömür ve kaya tanıma yöntemi. Journal of China Coal Society, 2017, 42 (5): 1331-1338.
yazar bilgileri:
Wang Hong, Zhao Jumin, Li Dengao
(Bilgi Mühendisliği Okulu, Taiyuan Teknoloji Üniversitesi, Shanxi Jinzhong 030600)
