基于数学形态学及支持向量机的心率失常识别

doi:10.3724/SP.J.1087.2013.01173

计算机应用 ›› 2013, Vol. 33 ›› Issue (04): 1173-1175.DOI: 10.3724/SP.J.1087.2013.01173

基于数学形态学及支持向量机的心率失常识别

刘雄飞,晏晨伟,胡志坤

中南大学物理与电子学院，长沙 410083

收稿日期:2012-11-01 修回日期:2012-11-25 出版日期:2013-04-01 发布日期:2013-04-23
通讯作者: 晏晨伟
作者简介:刘雄飞(1960-)，男，湖南长沙人，教授，主要研究方向：数字信号处理、心电图检测算法、车牌定位识别算法；晏晨伟(1989-)，男，江西南昌人，硕士研究生，主要研究方向：心电图检测、嵌入式软件；胡志坤(1976-)，男，湖北鄂州人，副教授，主要研究方向：复杂系统的在线监测与故障诊断。

Arrhythmia classification based on mathematical morphology and support vector machine

LIU Xiongfei,YAN Chenwei,HU Zhikun

School of Physics and Electronics, Central South University, Changsha Hunan 410083, China

Received:2012-11-01 Revised:2012-11-25 Online:2013-04-23 Published:2013-04-01
Contact: YAN Chenwei

摘要/Abstract

摘要： 为实现对不同类型的心电图自动分析，研究并提出了一种顺序筛选极大值的R波定位算法,并采用支持向量机(SVM)进行最后的心律失常心拍识别。定位算法以数学形态学为基础，结合心电图自身特点，定义R波筛选区间，避免了传统算法中的阈值选择；定位R波峰后以R波峰为中心提取不同类型的心率失常的心拍，选择径向基(RBF)支持向量机进行识别分类。使用MIT-BIH心率失常数据库文件进行实验仿真，结果表明，算法对含不同类型心拍的心电图R波峰正确检测率较高(99.36%)，学习后的SVM能有效识别早搏、房颤、束支传导阻滞、正常等不用类型心拍，总体识别率达到99.75%。

关键词: 心电图, 数学形态学, R波检测, 心律失常分类, 支持向量机

Abstract: To achieve automatic analysis for different types of ElectroCardioGraph (ECG), a sequential screening method for maximum value was brought to detect R wave, while Support Vector Machine (SVM) was used to identify arrhythmia heart beats finally. The localization algorithm based on mathematical morphology combined with characteristics of ECG defined R-wave screening interval to avoid threshold selection in traditional algorithm. After R-peaks being positioned, various types of arrhythmia heart beats were extracted with R wave crest as its center and classified by selecting Radial Basis Function (RBF) or SVM. The results of the simulation experiment on the MIT-BIH database files indicate that this algorithm acquired high relevance ratio at 99.36% for ECG with different types of heart beats. After learning, the SVM can effectively identify as many as 4 types, such as atrial premature beat, premature ventricular beat, bundle branch block and normal heart beat, the overall recognition rate is 99.75%.

Key words: ElectroCardioGram (ECG), mathematical morphology, R wave detection, arrhythmia classification, Support Vector Machine (SVM)

中图分类号:

TP391.9

刘雄飞晏晨伟胡志坤. 基于数学形态学及支持向量机的心率失常识别[J]. 计算机应用, 2013, 33(04): 1173-1175.

LIU Xiongfei YAN Chenwei HU Zhikun. Arrhythmia classification based on mathematical morphology and support vector machine[J]. Journal of Computer Applications, 2013, 33(04): 1173-1175.

参考文献

［1］ZHANG FEI， LIAN YONG. QRS detection based on multiscale mathematical morphology for wearable ECG devices in body area networks ［J］. IEEE Transactions on Biomedical Circuits and Systems, 2009, 3(4): 220-228.

［2］田学隆,闫春红, 俞亚青,等. 基于小波变换的R波检测算法［J］. 生物医学工程学杂志,2006, 23(2):257-261.

［3］陈永利, 段会龙. 基于数学形态学和信号包络提取的QRS波检测［J］ .中国生物医学工程学报,2007,26(3):332-336.

［4］BANERJEE S, MITRA M. ECG feature extraction and classification of anteroseptal myocardial infarction and normal subjects using discrete wavelet transform［C］// 2010 International Conference on Systems in Medicine and Biology. [S.l.]: IEEE, 2010: 55-60.

［5］杨思军, 郝继飞, 闫文杰, 等. 小波滤波与QRS波检测［J］. 计算机工程与应用,2011,47(12):239-241.

［6］熊平, 徐敏, 雷英俊. 基于小波变换和BP神经网络的室性早搏(PVC)识别［J］. 中国医学物理学杂志,2010, 27(2): 1762-1765.

［7］李坤阳, 胡广书. 基于心电图分析的心律失常分类［J］. 清华大学学报:自然科学版, 2009,49(3): 416-418.

［8］MOODY G, MARK R. The MIT-BIH arrhythmia database［DB/OL］. (2005-07-22)[2012-10-01]. http: //ecg. mit. edu/.

［9］宋喜国, 邓亲恺. MIT-BIH心率失常数据库的识读及应用［J］. 中国医学物理学杂志,2004,21(4):230-232.

［10］刘少颖, 卢继来, 胡广书, 等. 基于数学形态学和小波分解的QRS波群检测算法［J］. 清华大学学报:自然科学版,2004, 44(6): 852-855.

［11］TADEJKO P, RAKOWSKI W. Mathematical morphology based ECG feature extraction for the purpose of heartbeat classification［C］// CISIM '07: Proceedings of the 6th International Conference on Computer Information Systems and Industrial Management Applications. [S.l.]: IEEE, 2007:322-327.

［12］GHOSH D, MIDYA B L, KOLEY C, et al. Wavelet aided SVM analysis of ECG signals for cardiac abnormality detection ［C］// 2005 Annual IEEE INDICON. Piscataway, NJ: IEEE Press, 2005:9-13.

［13］BAKHSHIPOUR A, POOYAN M, MOHAMMADNEJAD H, et al. Detection with ECG analysis using wavelet transform and support vector machines［C］// Proceedings of the 17th Iranian Conference of Biomerucal Engineering, Computing in Cardiology. Piscataway, NJ: IEEE Press,2010: 405-408.

［14］曹玉珍,李广,范增飞. 基于小波变换特征提取的支持向量机心搏分类研究［J］. 天津大学学报, 2007,40(7): 811- 815.

［15］杨煦, 张跃. 基于支持向量机的心律失常识别方法［J］. 计算机工程与设计, 2007,28(18): 4442-4445.

[1]	贾鹤鸣, 姜子超, 李瑶, 孙康健. 基于改进斑点鬣狗优化算法的同步优化特征选择[J]. 计算机应用, 2021, 41(5): 1290-1298.
[2]	袁芊芊, 邓洪敏, 王晓航. 基于超像素快速模糊C均值聚类与支持向量机的柑橘病虫害区域分割[J]. 计算机应用, 2021, 41(2): 563-570.
[3]	李凯, 李洁. 基于pinball损失的结构模糊多分类支持向量机算法[J]. 《计算机应用》唯一官方网站, 2021, 41(11): 3104-3112.
[4]	童林, 官铮. 改进鲸鱼优化支持向量机的交通流量模糊粒化预测[J]. 计算机应用, 2021, 41(10): 2919-2927.
[5]	陆荣秀, 陈明明, 杨辉, 朱建勇. 基于溶液图像时序特征的元素组分含量动态监测系统[J]. 计算机应用, 2021, 41(10): 3075-3081.
[6]	张健铭, 施元昊, 徐正蓺, 魏建明. 基于误差预测的自适应UWB/PDR融合定位算法[J]. 计算机应用, 2020, 40(6): 1755-1762.
[7]	黄功, 赵永平, 谢云龙. 基于局部密度的加权一类支持向量机算法及其在涡轴发动机故障检测中的应用[J]. 计算机应用, 2020, 40(3): 917-924.
[8]	朱喆, 许少华. 降噪自编码器深度卷积过程神经网络及在时变信号分类中的应用[J]. 计算机应用, 2020, 40(3): 698-703.
[9]	王杨, 赵红东. 基于改进粒子群优化的支持向量机与情景感知的人体活动识别[J]. 计算机应用, 2020, 40(3): 665-671.
[10]	赵一, 段兴, 谢仕义, 梁春林. 面向特定目标自识别的交通图像语义检索方法[J]. 计算机应用, 2020, 40(2): 553-560.
[11]	王治忠, 钱龙龙, 韩闯, 师丽. 基于统计特征和熵特征融合的心肌梗死辅助诊断方法[J]. 计算机应用, 2020, 40(2): 608-615.
[12]	李卉, 杨志霞. 基于Rescaled Hinge损失函数的多子支持向量机[J]. 计算机应用, 2020, 40(11): 3139-3145.
[13]	牛晓可, 黄伊鑫, 徐华兴, 蒋震阳. 基于听皮层神经元感受野的强噪声环境下说话人识别[J]. 计算机应用, 2020, 40(10): 3034-3040.
[14]	白东颖, 易亚星, 王庆超, 余志勇. 面向概念漂移问题的渐进多核学习方法[J]. 计算机应用, 2019, 39(9): 2494-2498.
[15]	何海琳, 郑建彬, 余方利, 余烈, 詹恩奇. 基于改进鲸鱼优化算法的外骨骼机器人步态检测[J]. 计算机应用, 2019, 39(7): 1905-1911.

基于数学形态学及支持向量机的心率失常识别

Arrhythmia classification based on mathematical morphology and support vector machine

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics