基于多示例学习和进化优化的逐搏心率检测方法转让专利
申请号 : CN202010682668.4
文献号 : CN111887834B
文献日 : 2021-11-02
发明人 : 焦昶哲 , 程家馨 , 刘源洁 , 缑水平 , 毛莎莎 , 李阳阳
申请人 : 西安电子科技大学
摘要 :
权利要求 :
1.一种基于多示例学习和进化优化的逐搏心率检测方法,其特征在于,包括如下:(1)采集原始心冲击描图信号和手指电信号,采样频率为100Hz,并对其进行滤波处理,获得滤波后的心冲击描图信号b和手指电信号f;
(2)提取心冲击图信号b的心跳信号特征fb;
(3)将手指电信号f每个波峰的同时刻的心冲击图信号b的波峰及其左右两个波峰对应的心跳信号特征,组成一个多示例正包,将两个正包间心冲击图信号b其余波峰对应的心跳信号特征记为负包,并将这些正负包按照1∶1的比例划分为训练样本集x和测试样本y;
(4)对训练样本集进行学习得到初始化心跳模板信号s′:(4a)计算训练样本集x所有负包中示例的均值μb和方差σb,所有训练样本协方差矩阵并通过对该 做特征值分解得到特征向量U和特征值D;
(4b)根据(4a)中的结果,对训练样本集x依次进行白化和归一化处理的预处理,得到预处理后的训练样本集
(4c)设心跳模板信号为s,根据(4a)中的结果,对s依次进行白化和归一化的预处理,得到预处理后的心跳模板信号
(4d)计算预处理后的心跳模板信号 与训练样本集 中正包的余弦相似度统计量及 与训练样本集 中负包的余弦相似度统计量 以 与 中正包示例相似度最大,与负包示例相似度最小为目标方程,将初始化心跳模板信号s′的模值为1作为约束条件,对该目标方程进行求解,得到初始化心跳模板信号s′;
(5)对初始化心跳模板信号s′进行降维处理,得到降维后的心跳模板信号s″;
(6)对降维后的心跳模板信号s″用约束进化算法进行迭代优化,得到最优心跳模板信号ubest;
(7)利用最优心跳模板信号ubest对测试样本集y进行分类检测,得到最终心率检测结果。
2.根据权利要求1所述的方法,其特征在于,(2)中提取心冲击图信号b的心跳信号特征fb,是从检测心冲击描图信号b的所有波峰中,以每个波峰的时间位置为中心,左右各取45个采样点,组成多个长为91的信号段,即为心跳信号特征fb。
3.根据权利要求1所述的方法,其特征在于,(4a)中计算训练样本集x所有负包中示例的均值μb和方差σb,公式如下:其中,xi为训练样本集中所有负包的样本中的第i个样本,1≤i≤n,n为训练样本集中所有负包的样本总和。
4.根据权利要求1所述的方法,其特征在于,(4a)中所有训练样本协方差矩阵 表示如下:
其中,σ(xp,xq)表示 为训练样本集x中第p个样本和第q个样本间的协方差,即 的第p行第q列元素,1≤p≤m,1≤q≤m,m为训练样本集x中样本总数,xpz为第p个样本中的第z个值,1≤z≤k,k为每个样本中值的总个数, 为第p个样本的样本均值,xqz为第q个样本中的第z个值, 为第q个样本的样本均值。
5.根据权利要求1所述的方法,其特征在于,(4b)中所述对训练样本集x依次进行白化和归一化的预处理,通过如下公式进行:T
其中, 是对特征值D的开方,U 是对特征向量U的转置,是对训练样本集x白化处理后的结果, 是 的L1范数,是对 归一化处理后的结果。
6.根据权利要求1所述的方法,其特征在于,(4c)中所述对心跳模板信号s依次进行白化和归一化的预处理,通过如下公式进行:T
其中, 是对特征值D的开方,U是对特征向量U的转置,是对心跳模板信号s白化处理后的结果, 是 的L1范数,是对 归一化处理后的结果。
7.根据权利要求1所述的方法,其特征在于,(4d)中计算所述预处理后的心跳模板信号分别与训练样本集 中正包的余弦相似度统计量 和负包的余弦相似度统计量公式如下:
其中, 为训练样本集x的第h个正包 中与预处理后的心跳模板信号+ +
最相似的示例, 为第h个正包中的第v个示例,1≤h≤N ,N为训练样本集 中正包数量,‑ ‑
为训练样本集x中第k个负包的第g个示例,1≤k≤N,N为负包数量, 表示第k个负包内示例数量。
8.根据权利要求1所述的方法,其特征在于,(4d)中对目标方程进行求解,得到初始化心跳模板信号s′,公式如下:T
其中,为预处理后的心跳模板信号,s′为对初始化心跳模板信号s′的转置, 为预处理后的心跳模板信号 与训练样本集 中正包的余弦相似度统计量, 为预处理后的心跳模板信号 与训练样本集 中正包的余弦相似度统计量
9.根据权利要求1所述的方法,其特征在于,(5)中对初始化心跳模板信号s′进行降维处理,实现如下:
(5a)对初始化心跳模板信号s′以采样频率fs做N点傅里叶变换,得到变换后所有频域分量的幅值、频率和相位,其中N=91,fs=128;
(5b)将变换后所有频域分量按幅值由大至小排序,取排序后的L维频域分量,得到降维后的心跳模板信号:
其中al,wl,θl分别为第l维分量对应的幅值,频率,相位,1≤l≤L,2≤L≤12。
10.根据权利要求1所述的方法,其特征在于,(6)中对降维后的心跳模板信号s″用多目标进化算法进行迭代优化,得到降维后的心跳模板信号s″,实现如下:t
(6a)设置最大迭代次数tmax,随机生成种群规模为M=100心跳模板信号的初始种群A;
t
(6b)设心跳模板信号种群A中的个体为u,将(4d)中的目标方程改写为个体的适应度函数:G(u)=[F(u),p(u)],其中:式中, 为训练样本集x的第h个正包 中与预处理后的心跳模板信号 最相似的示例,+ +
1≤h≤N ,N为训练样本集 中正包数量, 为 的转置, 为训练样本集x中第k个负包的‑ ‑
第g个示例,1≤k≤N ,N 为负包数量, 表示第k个负包内示例数量, 为 的转置;
t t
(6c)采用非一致性变异算子对初始种群A进行变异操作,得到变异后的种群B;
t t
(6d)采用单纯形交叉算子SPX对变异后的种群B进行交叉操作,产生子代种群C;
t t t t t
(6e)将初始种群A与子代种群C合并,得到合集CA=C∪A;
t
(6f)根据(6b)中的个体适应度函数G(u)计算CA种群中个体的适应度;
t t+1
(6g)对初始种群与子代种群合集CA根据进化策略NSES进行选择,得到t+1代种群A ;
t
(6f)对当前种群A进行判断:t
如果A的种群代数t满足(6a)中的最大迭代次数tmax,则停止迭代,根据帕累托最优法则t
从种群A中选出最优心跳模板信号ubest;
t+1
否则,将t+1代种群A 转至(6c)继续迭代。
说明书 :
基于多示例学习和进化优化的逐搏心率检测方法
技术领域
背景技术
测是预防心脏病的必要手段。目前用于测量心率的方法有:心电描记法ECG、光学体积描记
法PPG、心音描记法PCG及心冲击描记图法BCG。每种方法都通过测量心搏或心跳周期内人体
中发生的不同现象来确定心率。
期监测。一种使用心脏冲击成像的液压床可用于在睡眠期间收集人的心跳数据,该液压床
有四个传感器,所获得的信号是BCG和呼吸信号的叠加。它有四个液压传感器平行放置在床
垫下面,为心率和其他生命体征,如血压和呼吸频率,提供灵活、低成本和稳定的长期监测
解决方案。
含有若干个没有分类标签的示例。如果多示例包至少含有一个正示例,则该包被标记为正
类多示例包,即正包。如果多示例包的所有示例都是负示例,则该包被标记为负类多示例包
即负包。多示例学习的目的是,通过对具有分类标签的多示例包的学习,建立多示例分类
器,并将该分类器应用于未知多示例包的预测。在多示例学习中,多示例包的标记是已知
的,示例的标记是未知的。
神经网络和回归网络的心率估计方法。该方法提出的一种心率估计方法是使用双向循环神
经网络获取心跳信号的周期性特征和幅值特征,通过回归网络同时利用心冲击图信号的周
期性特征和幅值特征估计心率值,简化了心冲击图信号心率估计的步骤,有效地降低了心
冲击图信号心率的估计误差。但是,该方法是有监督的方法,获取准确标注的数据集需要耗
费大量人工,在实际应用中受限。
于高阶谱和卷积神经网络的心跳信号分类方法。该方法提出的一种心冲击信号分类方法包
括:采用切比雪夫和小波变换的滤波方法对获得的数据集训练样本进行去噪预处理,得到
纯净的心冲击信号;对心冲击信号进行高阶谱特征分析,得到信号的幅值和相位的特征信
息;构建卷积神经网络模型,将步信号的幅值和相位的特征信息,作为卷积神经网络模型的
输入,得到分类结果。该方法利用高阶谱的时移不变性、尺度变化性和相位保持性进行特征
提取,不仅可以保留更多的信号信息,还能够抑制高斯有色噪声,从而提升心冲击信号分类
的性能;同时,该方法具有更好的泛化性能,并有效解决了高阶谱谱应用的二维模板匹配问
题。但是该方法的不足之处是:针对不同数据期望得到同样良好的分类精度,需要进行大量
特征提取以及特征选择,这显然大大增加了科研人员的工作量,而且,特征选择的不同会对
该方法的分类结果造成一定影响。
发明内容
监督和多目标优化算法的特性,减少对信号不同特征的选择,降低人工成本,提高BCG信号
心跳分类的准确性及心率检测的精确性。
心跳信号特征记为负包,并将这些正负包按照1:1的比例划分为训练样本集x和测试样本y;
大,与负包示例相似度最小为目标方程,将初始化心跳模板信号s'的模值为1作为约束条
件,对该目标方程进行求解,得到初始化心跳模板信号s';
优解,能够对心跳位置与非心跳位置实现准确分类,进而得到更加精确的心率检测结果。
附图说明
具体实施方式
阶巴特沃斯带通滤波器分别对v个心冲击描图信号及手指电信号进行滤波,得到滤波后的v
个心冲击图信号b和手指电信号f,其中f1的取值范围的依据为心冲击图信号中呼吸分量的
频率上限约为0.3Hz~0.8Hz,f2的取值范围的依据为心冲击图信号中高频噪声分量的频率
下限约为8Hz~12Hz,本实例取但不限于f1=0.4Hz,f2=10Hz,v=4,fc=100Hz,T=60000。
应的心跳信号特征记为负包;
数,xpz为第p个样本中的第z个值,1≤z≤k,k为每个样本中值的总个数, 为第p个样本的
样本均值,xqz为第q个样本中的第z个值, 为第q个样本的样本均值;
号 最相似的示例,为第h个正包中的第v个示例,1≤h≤N ,N 为训练样本集 中正包数
量;
信号s'的模值为1作为约束条件,该约束的目的是防止在目标方程求解过程中 趋于无
限大,求解目标方程得到s',表示如下:
后的心跳模板信号 与训练样本集 中正包的余弦相似度统计量
群A;
示例,1≤h≤N ,N为训练样本集 中正包数量, 为 的转置, 为训练样本集x中第k个
‑ ‑
负包的第g个示例,1≤k≤N ,N 为负包数量, 表示第k个负包内示例数量,
为 的转置;
变异的范围相对较大,随着进化到后期,变异的范围越来越小,从而起到一种对系统微调的
t
作用,因此本实例采用非一致性变异算子对初始种群A 进行变异操作,得到变异后的种群
t
B;
算复杂度低,因此本实例采用单纯形交叉算子SPX对变异后的种群B 进行交叉操作,产生子
t
代种群C;
应度进行选择,得到t+1代种群A ;
优法则从种群A中选出最优心跳模板信号ubest;
1 0.85 14.69 0.19±0.04
2 0.79 1.83 0.66±0.16
3 0.48 1.65 0.60±0.38
4 1.26 0.77 0.27±0.10
5 1.07 0.53 0.087±0.09
6 1.05 0.61 0.32±0.05
六位受试者的测试集样本上的平均心率估计误差为3.35,显然与HT方法、EN方法相比,本方
法的估计误差较小。并且从上表中可以看出本发明的心率估计误差方差更小,说明本发明
方法的鲁棒性更强。
得到比其他传统迭代优化方法的更优的解,能够BCG信号心跳位置实现有效的分类,证明了
该方法在心跳数据检测上的优越性及鲁棒性。