一种基于脉搏回归模型的心电信号数据修正方法及系统技术领域
在本发明涉及心电信号领域，尤其涉及一种基于脉搏回归模型的心电信号数据修正方法及系统。
背景技术
现有的心电信号(Electrocardiography,ECG)数据分析算法，主要包含两个步骤：首先，检测并定位原始信号中的基本波形，提取其特征信息；而后，使用机器学习算法对此特征进行分类／回归分析，预测其目标状态。
如图1所示，一个正常心动周期中的心电信号，可视作由P波、QRS波群、T波及U波4种基本波形组成。其特征提取过程，便是通过测定输入信号的这4种基本波形，计算所包含的预设指标信息。现有算法一般使用峰值检测、小波分析等对基本波形进行测定，而提取的特征则包括所有4种基本波形的时长与形态(幅度及变化率等)、ST段时长、PR间期时长、QT间期时长、以及RR间期时长等。原始心电信号的采集精度越高，则其波形检测、特征提取的效果也越好，从而可更为有效地提升后续机器学习算法的预测性能。
心电信号由实际生理活动所产生，且由于测量时人体运动等原因，所获取的数据往往会包含一定的偏差与畸变，从而影响算法预测效果。在实际应用中，一般会要求被测者在连续时间内处于静卧状态，以降低采集数据的失真程度，一方面严重限制了心电信号的运用环境，另一方面部分固有偏差并不能以此被有效消除。因此亟须设计具针对性的信号修正算法，以从软件层面消除采集失真所带来的不良影响。
现有心电信号数据修正算法，主要针对某一特定指标进行校正。常用方法包括基于中值滤波的基线漂移修正、基于最小二乘的基线修正、以及基于心率的间期修正等。但这些现有的心电信号数据修正方法，都存在缺点：
1、现有算法仅能针对单一种类的失真进行修正，而实际采集的心电信号往往包含多种畸变与偏差。若要完全消除其干扰，则必须针对每种信号失真都构造相应的处理算法。这一方面增加了算法设计难度，另一方面也严重降低了数据处理的速度，不利于心电信号的实际运用。
2、现有算法仅能对较为简单的信号指标(如基线漂移、间期时长等)失真进行修正，而对波形形态等复杂特征则无能为力。此类特征对某些特定疾病状态的检测至关重要，若无法对其失真进行修正，将很可能导致此类状态被漏检或产生误判，从而造成不良的影响。
3、现有算法往往基于先验知识进行修正，其模型设计也较为简单。例如在对基线漂移进行处理时，现有方法一般使用人工预设的滤波频域范围，而可能与被测者的实际状况不相符。其使用的修正技术，通常也仅是简单的中值滤波而已，难以有效处理复杂多变的现实心电信号数据，从而影响了算法性能。
因此，现有技术还有待于改进和发展。
发明内容
鉴于上述现有技术的不足，本发明的目的在于提供基于Memetic算法的心电信号特征选择方法及系统，旨在解决现有的特征提取和选择方法存在学习效果差、特征提取不完整、效率和准确率低的问题。
本发明的技术方案如下：
一种基于Memetic算法的心电信号特征选择方法，其中，包括步骤：
A、设输入的心电信号数据集为F={(F1,t1),(F2,t2)…,(Fn,tn),…(FN,tN)}，其中Fn、tn分别为第n个信号矢量与样本标签，N为样本总数，信号维数为D，并设定优化总迭代次数为K次；
B、初始化迭代计数器k=0，构造用于Memetic算法的进化种群ps，其中每个寻优个体为D维矢量Xi，i=1,2,…,|ps|，Xi的值取为[0,1]范围内的随机值：
；
C、计算ps中每个寻优个体Xi的适应度函数值f(Xi)；
D、根据各寻优个体Xi的适应度函数值f(Xi)，使用Memetic算法优化进化种群ps；
E、更新迭代计数器k=k+1，判断k是否小于K，当是时则返回步骤C，否则执行步骤F；
F、优化迭代完成后，选择进化种群ps中的最优个体Xbest为：
；
G、将Xbest映射为最佳选择矢量Wbest，并对心电信号数据集F进行特征选择，形成最优降维数据集Fbest*，同时将此最优降维数据集用于训练分类/回归算法获得最终的学习准确率；
H、将Wbest、Fbest*及最终的学习准确率作为输出。
所述的基于Memetic算法的心电信号特征选择方法，其中，所述步骤C具体包括：
C1、对于当前输入的寻优个体，将其映射为选择矢量Wi：
其中，step(·)为单位阶跃函数，δ为映射阈值；
C2、根据Wi对心电信号数据集F中的各信号矢量Fn进行特征选择从而形成降维后的信号矢量Fn*；
C3、将降维后的信号矢量Fn*及其对应样本标签tn，构成特征选择数据集F*={(F1*,t1),(F2*,t2),…,(FN*,tN)}；
C4、将所述特征选择数据集F*用于训练分类/回归算法，获得学习准确率，并作为当前寻优个体Xi的粗适应度函数值fraw(Xi)；
C5、设置稀疏代价函数为Xi的1范数：
；
C6、计算Xi最终的适应度函数值f(Xi)为：
其中β为拉格朗日乘数，用于控制特征选择的稀疏程度。
所述的基于Memetic算法的心电信号特征选择方法，其中，所述步骤C2中，特征选择具体包括：
若Wi中第d维数值wd=0，则删除Fn在此维度上的对应信号值fd，若wd=1则将其保留，从而形成降维后的信号矢量Fn*：
。
所述的基于Memetic算法的心电信号特征选择方法，其中，所述δ设置为：δ=0.5。
所述的基于Memetic算法的心电信号特征选择方法，其中，所述Memetic算法为基于差分进化与DSCG搜索的Memetic算法。
一种基于Memetic算法的心电信号特征选择系统，其中，包括：
设置模块，用于设输入的心电信号数据集为F={(F1,t1),(F2,t2)…,(Fn,tn),…(FN,tN)}，其中Fn、tn分别为第n个信号矢量与样本标签，N为样本总数，信号维数为D，并设定优化总迭代次数为K次；
迭代计数器初始化模块，用于初始化迭代计数器k=0，构造用于Memetic算法的进化种群ps，其中每个寻优个体为D维矢量Xi，i=1,2,…,|ps|，Xi的值取为[0,1]范围内的随机值：
；
适应度函数值计算模块，用于计算ps中每个寻优个体Xi的适应度函数值f(Xi)；
进化种群优化模块，用于根据各寻优个体Xi的适应度函数值f(Xi)，使用Memetic算法优化进化种群ps；
迭代计数器更新模块，用于更新迭代计数器k=k+1，判断k是否小于K，当是时则返回适应度函数值计算模块，否则执行最优个体选择模块；
最优个体选择模块，用于优化迭代完成后，选择进化种群ps中的最优个体Xbest为：
；
特征选择模块，用于将Xbest映射为最佳选择矢量Wbest，并对心电信号数据集F进行特征选择，形成最优降维数据集Fbest*，同时将此最优降维数据集用于训练分类/回归算法获得最终的学习准确率；
输出模块，用于将Wbest、Fbest*及最终的学习准确率作为输出。
所述的基于Memetic算法的心电信号特征选择系统，其中，所述适应度函数值计算模块具体包括：
映射单元，用于对于当前输入的寻优个体，将其映射为选择矢量Wi：
其中，step(·)为单位阶跃函数，δ为映射阈值；
特征选择单元，用于根据Wi对心电信号数据集F中的各信号矢量Fn进行特征选择从而形成降维后的信号矢量Fn*；
特征选择数据集构建单元，用于将降维后的信号矢量Fn*及其对应样本标签tn，构成特征选择数据集F*={(F1*,t1),(F2*,t2),…,(FN*,tN)}；
学习准确率计算单元，用于将所述特征选择数据集F*用于训练分类/回归算法，获得学习准确率，并作为当前寻优个体Xi的粗适应度函数值fraw(Xi)；
1范数设置单元，用于设置稀疏代价函数为Xi的1范数：
；
适应度函数值计算单元，用于计算Xi最终的适应度函数值f(Xi)为：
其中β为拉格朗日乘数，用于控制特征选择的稀疏程度。
所述的基于Memetic算法的心电信号特征选择系统，其中，所述特征选择单元具体用于：
若Wi中第d维数值wd=0，则删除Fn在此维度上的对应信号值fd，若wd=1则将其保留，从而形成降维后的信号矢量Fn*：
。
所述的基于Memetic算法的心电信号特征选择系统，其中，所述δ设置为：δ=0.5。
所述的基于Memetic算法的心电信号特征选择系统，其中，所述Memetic算法为基于差分进化与DSCG搜索的Memetic算法。
有益效果：本发明无需定位基本波形以提取特征，所以一方面避免了因波形检测失准，而造成后续机器学习算法性能下降，可更为有效地处理多变的实际心电信号；另一方面，还可节省波形检测所需的计算量，计算复杂度更低。本发明也不依赖于预设的特征指标，对先验知识要求较低，且可自动抽取输入原始心电信号中的特征信息，避免了人为设定提取指标导致的不合理性问题。本发明所采用的Memetic算法可比现有方法更有效地解决复杂的大规模优化问题，通过将其用于选择矢量的优化，可获得更具代表性的特征子集，从而显著提升后续分类／回归算法的预测性能。
附图说明
图1为现有技术中正常心动周期的心电信号波形图。
图2为本发明的基于Memetic算法的心电信号特征选择方法较佳实施例的流程示意图。
图3为本发明的基于Memetic算法的心电信号特征选择方法另一实施例的流程示意图。
图4为图2所示方法中步骤S103的具体流程图。
图5为本发明的方法中根据选择矢量对信号样本进行降维的流程示意图。
具体实施方式
本发明提供基于Memetic算法的心电信号特征选择方法及系统，为使本发明的目的、技术方案及效果更加清楚、明确，以下对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
请参阅图2，图2为本发明一种基于Memetic算法（MemeticAlgorithm，MA）的心电信号特征选择方法较佳实施例的流程图，并结合图3所示的流程图，本发明的方法其包括步骤：
S101、设输入的心电信号数据集为F={(F1,t1),(F2,t2)…,(Fn,tn),…(FN,tN)}，其中Fn、tn分别为第n个信号矢量与样本标签，N为样本总数，信号维数为D，并设定优化总迭代次数为K次；
在数据处理开始前，设输入的心电信号数据集为F，以及设定优化总迭代次数为K次。
S102、初始化迭代计数器k=0，构造用于Memetic算法的进化种群ps，其中每个寻优个体为D维矢量Xi，i=1,2,…,|ps|，Xi的值取为[0,1]范围内的随机值：
；
S103、计算ps中每个寻优个体Xi的适应度函数值f(Xi)；
其中的适应度函数值f(Xi)（FitnessValue），其是根据映射得到的选择矢量对各信号矢量进行特征选择，从而形成降维矢量，最后计算得到适应度函数值。
S104、根据各寻优个体Xi的适应度函数值f(Xi)，使用Memetic算法优化进化种群ps；
其中的Memetic算法优选为基于差分进化（DifferentialEvolution,DE）与DSCG搜索（Davies,Swann,andCampeywithGram-SchmidtOrthogonalizationSearch）的Memetic算法。
S105、更新迭代计数器k=k+1，判断k是否小于K，当是时则返回步骤S103，否则执行步骤S106；
S106、优化迭代完成后，选择进化种群ps中的最优个体Xbest为：
；
S107、将Xbest映射为最佳选择矢量Wbest，并对心电信号数据集F进行特征选择，形成最优降维数据集Fbest*，同时将此最优降维数据集用于训练分类/回归算法获得最终的学习准确率；
S108、将Wbest、Fbest*及最终的学习准确率作为输出。
作为本发明更优选的实施例，如图4所示，所述的步骤S103具体包括：
S201、对于当前输入的寻优个体，将其映射为选择矢量Wi：
其中，step(·)为单位阶跃函数，δ为映射阈值，所述δ一般设置为δ=0.5，那么任意wd∈Wi仅能取得{0,1}两种数值；
S202、根据Wi对心电信号数据集F中的各信号矢量Fn进行特征选择从而形成降维后的信号矢量Fn*；
如图5所示，在进行特征选择时，若Wi中第d维数值wd=0，则删除Fn在此维度上的对应信号值fd，否则(即wd=1)将Fn在此维度上的对应信号值fd保留，从而形成降维矢量Fn*：
。
S203、将降维后的信号矢量Fn*及其对应样本标签tn，构成特征选择数据集F*={(F1*,t1),(F2*,t2),…,(FN*,tN)}；
此特征选择数据集将用于训练分类/回归算法，常用的机器学习方法包括SVM（支持向量机）以及ELM（极限学习机器）等。
S204、将所述特征选择数据集F*用于训练分类/回归算法，获得学习准确率，并作为当前寻优个体Xi的粗适应度函数值fraw(Xi)；
对于分类算法，fraw(Xi)表示分类错误率（ClassificationErrorRate）；对于回归算法，则表示均方跟误差（RootMeanSquareError,RMSE）。
S205、设置稀疏代价函数为Xi的1范数：
；
设置这样的1范数是为了使特征选择尽可能稀疏化。
S206、计算Xi最终的适应度函数值f(Xi)为：
；
其中β为拉格朗日乘数，用于控制特征选择的稀疏程度。
基于上述方法，本发明还提供一种基于Memetic算法的心电信号特征选择系统，其包括：
设置模块，用于设输入的心电信号数据集为F={(F1,t1),(F2,t2)…,(Fn,tn),…(FN,tN)}，其中Fn、tn分别为第n个信号矢量与样本标签，N为样本总数，信号维数为D，并设定优化总迭代次数为K次；
迭代计数器初始化模块，用于初始化迭代计数器k=0，构造用于Memetic算法的进化种群ps，其中每个寻优个体为D维矢量Xi，i=1,2,…,|ps|，Xi的值取为[0,1]范围内的随机值：
；
适应度函数值计算模块，用于计算ps中每个寻优个体Xi的适应度函数值f(Xi)；
进化种群优化模块，用于根据各寻优个体Xi的适应度函数值f(Xi)，使用Memetic算法优化进化种群ps；
迭代计数器更新模块，用于更新迭代计数器k=k+1，判断k是否小于K，当是时则返回适应度函数值计算模块，否则执行最优个体选择模块；
最优个体选择模块，用于优化迭代完成后，选择进化种群ps中的最优个体Xbest为：
；
特征选择模块，用于将Xbest映射为最佳选择矢量Wbest，并对心电信号数据集F进行特征选择，形成最优降维数据集Fbest*，同时将此最优降维数据集用于训练分类/回归算法获得最终的学习准确率；
输出模块，用于将Wbest、Fbest*及最终的学习准确率作为输出。
进一步，所述适应度函数值计算模块具体包括：
映射单元，用于对于当前输入的寻优个体，将其映射为选择矢量Wi：
其中，step(·)为单位阶跃函数，δ为映射阈值；
特征选择单元，用于根据Wi对心电信号数据集F中的各信号矢量Fn进行特征选择从而形成降维后的信号矢量Fn*；
特征选择数据集构建单元，用于将降维后的信号矢量Fn*及其对应样本标签tn，构成特征选择数据集F*={(F1*,t1),(F2*,t2),…,(FN*,tN)}；
学习准确率计算单元，用于将所述特征选择数据集F*用于训练分类/回归算法，获得学习准确率，并作为当前寻优个体Xi的粗适应度函数值fraw(Xi)；
1范数设置单元，用于设置稀疏代价函数为Xi的1范数：
；
适应度函数值计算单元，用于计算Xi最终的适应度函数值f(Xi)为：
其中β为拉格朗日乘数，用于控制特征选择的稀疏程度。
进一步，所述特征选择单元具体用于：
若Wi中第d维数值wd=0，则删除Fn在此维度上的对应信号值fd，若wd=1则将其保留，从而形成降维后的信号矢量Fn*：
。
进一步，所述δ设置为：δ=0.5。
进一步，所述Memetic算法为基于差分进化与DSCG搜索的Memetic算法。
关于上述模块单元的技术细节在前面的方法中已有详述，故不再赘述。
本发明的方法，使用基于封装的特征选择框架，并且引入了Memetic算法对心电信号进行优化提取，其具有如下有益效果：
1、本发明无需定位基本波形以提取特征：一方面，其避免了因波形检测失准，而造成后续机器学习算法性能下降，可更为有效地处理多变的实际心电信号；另一方面，可节省波形检测所需的计算量，计算复杂度更低。
2、本发明不依赖于预设的特征指标，对先验知识要求较低，且可自动抽取输入原始心电信号中的特征信息。避免了人为设定提取指标导致的不合理性问题。
3、Memetic算法可比现有方法更有效地解决复杂的大规模优化问题。通过将其用于选择矢量的优化，可获得更具代表性的特征子集，从而显著提升后续分类／回归算法的预测性能。此外，通过在适应值计算中加入稀疏代价函数，本方法可有效避免定域性问题，提升算法泛化能力。
应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。