目前比較常用的特征提取是提取心電信號的各波形間期長度、波峰高度等，本文是使用ARMA模型對心電信號進行處理，使用其系數(shù)來作為特征。

一、心拍劃分

大多伴有異常波形的心律失常信號，通常都會具體表現(xiàn)在單個心拍中，需要對信號進行心拍劃分。心拍信號截取的常見方法之一是以R波位置作為定位點，前后分別截取估計的采樣點數(shù)。

R波位置上圖是用matlab找出的R波位置，下面附上代碼。但是我直接用的注釋文件中標注的R波位置。%ecg去噪后標記QRS波、R點。

啦啦啦

本文采用的MIT-BIH心律失常數(shù)據(jù)庫以及其中由權威專家標注的R波位置。

100.dat前十秒R波標注

心律失常的波形異常主要出現(xiàn)在PR間期和QRS波群，本文以R波位置為中心定位點，為了能基本包含所有的波形特性，向前向后各截取150個樣本點共計301個樣本點作為一個樣本心拍。

%去噪后信號&標注信息

本文從MIT-BIH數(shù)據(jù)庫的48條記錄種的MLII通道數(shù)據(jù)中進行心拍劃分，總計獲取96871個樣本心拍，其中正常心拍(N)有74466個，左束支傳導阻滯心拍(L)有8051個，右束支傳導阻滯心拍(R)有7239個，室性早搏心拍(V)有7115個。

二、ARMA模型

三、特征提取

在開始設計和使用ARMA模型前首先需要通過定階來確定階數(shù)，常見的進行定階的方法有：通過一個序列的自相關函數(shù)(ACF)和偏自相關函數(shù)(PACF)進行定階、通過赤池信息量準則(AIC)進行定階。

根據(jù)葛丁飛等人的利用MDL和 MDL敏感性函數(shù)作為準則進行模型定階，或者根據(jù)毛雪岷等人所提出的按照信噪比和赤池信息量準則進行定階，結果都可以表明當 n = 4，m = 2 時，模型擬合得到的信號與原始心電信號最為相似。因此本文選用ARMA(4,2)模型，通過R語言的arima()函數(shù)來建立模型，輸出擬合的模型系數(shù)。

RStudio：

library(readxl) X100 <- read_excel("D:/DATA/test1.xlsx", col_names = FALSE) X=X100 N=nrow(X)ARMAnum=matrix(nrow = N,ncol = 6,byrow = TRUE)for(i in 1:N){TE=X[i,1:301]TE=t(TE)TE_AR=arima(TE,order=c(4,2,2))TE_CO=TE_AR$coeffor (n in 1:6) {ARMAnum[i,n]=TE_CO[n]} }View(ARMAnum)write.csv (ARMAnum, file ="C:UsersDesktop數(shù)據(jù)2_處理后數(shù)據(jù)3_ARMA系數(shù)test1.csv")

本文從劃分出的心拍中選取四類心拍各1700個，共計6800個樣本心拍數(shù)據(jù)。

部分正常心電信號樣本心拍的ARMA模型擬合系數(shù)

然后就可以用ARMA系數(shù)作為分類模型的輸入進行訓練了。

總結

以上是生活随笔為你收集整理的arma模型谱估计matlab_基于机器学习的心律失常分类(四)——心电信号特征提取[MATLAB]...的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。