一种基于改进灰狼算法优化的SVM心电信号识别方法

技术领域

本发明涉及心电信号识别领域，具体属于一种基于改进灰狼算法优化的SVM心电信号识别方法。

背景技术

据世界卫生组织(WHO)指出，世界上每年死于非传染性疾病的人数占全球死亡人数的三分之二。其中，心血管疾病的发病率位居首位。全世界每年约有1750万的人因心血管相关疾病而死亡。我国近年来心血管病患病率也持续上升，患心血管人数高达2.9亿人次，也使得该类疾病的死亡率远高于其他疾病，心血管病的死亡人数占疾病总死亡人数的五分之二以上，成为对人们健康造成最大威胁的疾病。因而对于心血管病的分析诊断就有着非常重要的意义和研究价值。

心电图(Electrocardiogram,ECG)是心脏在受到兴奋刺激的情况下，心肌细胞产生电位反应，在生理采集设备中通过体表电极来采集，以波形的方式来呈现。心电图反映着心脏当前所处的生理状态，一般来说，正常的心脏在生理活动中通常呈现的心电图是有规律性；当心脏产生不同类型的病变，其搏动会导致其频率或节律异常，不同的症状展现出的心电波形也会有所不同，因此心电图成为检测和诊断心律失常疾病的重要技术手段和主要依据。由于因病变引起的心电图种类较多，且即使是同一类型的病变，心电图也会存在着较大差异。早期的心血管诊断，都是由有着丰富临床经验的专家来对心电图采取人工分析的方式。但专家的从医经验对诊断的准确度影响较大，诊断的过程时间长，难免会出现纰漏，从而导致误诊。此外心血管病诊断需求的不断增多同时，缺乏大量丰富经验的心电图专家，给心血管病诊断给带来巨大挑战。

近年来随着计算机信息化技术的发展，对心电信号进行自动识别的技术为心血管诊断提供可靠的支持，提高心电图识别效率，已经成为生物电信号自动分析领域中的热门研究。然而，目前的心电图识别只是起一个辅助诊断的作用，最终诊断结果仍然需要专家来做决断；现有的心电信号自动识别系统依旧存在识别准确率不高等问题，因此对于心电信号的识别仍还很大的研究空间。

发明内容

为解决以上技术问题，本发明提出一种基于改进灰狼算法优化的SVM心电信号识别方法。利用本方法对心电信号进行识别分类时，可以快速得到识别结果，并且具有较高的识别率，本发明的目的是通过以下技术方案实现的：

一种基于改进灰狼算法优化的SVM心电信号识别方法，包括以下步骤：

步骤S1：采集ECG数据；

步骤S2：对ECG信号进行简单的去噪处理后，通过小波变换进行特征提取，由此得到原始ECG信号样本熵特征

步骤S3：进入改进灰狼算法(DIGWO)，在迭代过程中，计算每个灰狼的适应度值，并与前一次迭代中相应灰狼的适应度值比较，若比之较好则替换位置信息，反之不动，达到最大迭代次数停止迭代，输出参数惩罚因子C和核函数参数g的最优组合，其中改进灰狼算法(DIGWO)是在传统灰狼算法的基础上，从子群划分、收敛因子和比例权重三个方面对灰狼算法进行改进；

步骤S4：将得到的参数C和g来训练SVM，建立DIGWO-SVM分类模型；

步骤S5：基于训练好的DIGWO-SVM分类系统进行分类；

步骤S6：根据DIGWO-SVM分类结果作为心电信号识别结果。

进一步的方案是，所述步骤S3中，改进的灰狼算法具体流程步骤如下：

步骤S31：参数初始化，设定灰狼种群数量N，迭代次数T，随机初始化灰狼种群位置；

步骤S32：遍历当前种群灰狼，计算适应度值，找出灰狼群体中的α狼(最优个体)，以及适应度最差的ω狼(最差个体)，分别计算并保留α狼的坐标X

步骤S33：分别计算灰狼个体i与最优个体之间的距离Disti_abest及与最差个体之间的距离Disti_worst；若Disti_abest≤(Disti_worst)/2，则将灰狼个体i划分到较优子群，转步骤S34)；否则，将灰狼划分到较差子群，转步骤S35)；

步骤S34：较优子群内灰狼采用收敛因子a1及欧式权重对灰狼个体位置更新，并且计算每个灰狼的适应度值，并与前一次迭代中相应灰狼的适应度值比较，若比之较好则替换位置信息，反之不动；

步骤S35：较差子群内灰狼采用收敛因子a2及欧式权重对灰狼个体位置更新，并且计算每个灰狼的适应度值，并与前一次迭代中相应灰狼的适应度值比较，若比之较好则替换位置信息，反之不动；

步骤S36：将较优与较差子群进行合并；

步骤S37：判断DIGWO算法是否满足结束条件(是否达到了迭代次数T，若不没有达到迭代次数，则返回步骤2)，若满足，则结束。

进一步的方案是，所述灰狼个体i与最优个体之间的距离Disti_abest及与最差个体之间的距离Disti_worst计算公式如下式(1)：

式中，X

进一步的方案是，针对较优子群与较差子群适应度值的差异，采用不同的收敛因子如下式(2)为较优子群的收敛因子公式，如下式(3)为较差子群的收敛因子公式：

进一步的方案是，在改进的灰狼算法中，提出一种基于欧式距离的位置更新策略，对当前灰狼个体位置进行更新，根据如下公式(4)至公式(7)更新灰狼个体的位置信息：

每一只ω狼与α、β、δ狼的距离公式如下式(4)：

更新α、β、δ狼的位置信息如公式如下式(5)：

式中C

式(4)中X

基于欧氏距离的位置更新策略，以D

与现有技术相比，本发明具有以下有益效果：

(1)本发明采用多尺度样本熵特征提取方法，采用样本熵特征和小波能量比特征共同融合组成特征空间，完全表现心电信号的本质，降低了肌电干扰、工频干扰等噪声的影响同时也减少了心电特征的维度。

(2)本发明在传统灰狼算法的基础上，通过引入双子群策略，在子群划分、收敛因子和比例权重三个方面改进，不同于传统灰狼算法易陷入局部最优，能获取全局最优解，求解精度有一定的提高，收敛速度也更快。

(3)本发明提出的方法拥有较高的准确率，对不同的心拍的识别率有较大的提升效果，且具有方法简单、成本低等优点。

附图说明

图1为基于改进灰狼算法优化的SVM心电信号识别方法的流程图；

图2为改进灰狼算法的流程图。

具体实施方式

下面结合附图1～2对本发明的技术方案作更进一步的解释说明。

本发明提供一种基于改进灰狼算法优化的SVM心电信号识别方法，流程图如图1所示，具体实施步骤如下：

步骤S1：采集ECG数据；

步骤S2：对ECG信号进行简单的去噪处理后，通过小波变换进行特征提取，由此得到原始ECG信号样本熵特征

步骤S3：进入改进灰狼算法(DIGWO)，初始化α、β、δ狼的位置和狼群的目标函数值，每个灰狼个体的位置由要优化的惩罚因子C和核函数参数g组成，在迭代过程中，计算每个灰狼的适应度值，并与前一次迭代中相应灰狼的适应度值比较，若比之较好则替换位置信息，反之不动，最终判断是否达到最大迭代次数，达到最大迭代次数停止迭代，输出参数C和g的最优组合；

步骤S4：将得到的参数C和g来训练SVM，建立DIGWO-SVM分类模型；

步骤S5：基于训练好的DIGWO-SVM分类系统进行分类；

步骤S6：根据DIGWO-SVM分类结果作为心电信号识别结果。

具体的，改进灰狼算法(DIGWO)在传统灰狼算法的基础上，从子群划分、收敛因子和比例权重三个方面对灰狼算法进行改进。

子群划分：采用一种基于动态子群的方式，在迭代过程中分别计算当前灰狼个体与当代最优个体α狼的距离Disti_best和当代最差个体的距离Disti_worst，(灰狼个体分为α、β、δ以及ω狼，ω个数较多，当代最差个体也是ω中的一个，最差个体其适应度值最低)如下式(1)。

若Disti_abest≤(Disti_worst)/2，则将灰狼个体划分为以当代最优个体为几何中心的较优子群，否则将其划分以当代较差个体为中心的较差子群，再采取不同的寻优策略。

式中，X

收敛因子：针对较优子群与较差子群适应度值的差异，采用不同的收敛因子。如下式(2)对于适应度值较高的较优子群，为了使得适应度较高的灰狼快速向最优解靠拢，初期a1的减小速率要大，而后期为避免出现局部最优a1值缓慢下降；对于适应度值较低的较差子群采用下式(3)，初期为使得适应度较低的灰狼获得更大的寻优范围，a2值缓慢减小，后期快速下降完成收敛。

比例权重：为体现α、β、δ狼在指导ω狼进行位置更新时的重要性，采用一种基于欧氏距离的位置更新策略。在传统灰狼算法，由式(6)对当前灰狼个体位置进行更新，而在改进的灰狼算法，由式(7)对当前灰狼个体位置进行更新，传统灰狼算法和改进的灰狼算法对当前灰狼个体位置更新计算方法如下：

式中C

式(4)中X

而本发明改进灰狼算法，基于欧氏距离的位置更新策略，在步骤(5)后以D

在传统灰狼算法的基础上进行上述三方面改进，提出基于双子群非线性收敛因子的灰狼算法(简称DIGWO)的算法流程图如图2所示，流程步骤如下：

步骤S31：参数初始化，设定灰狼种群数量N，迭代次数T，随机初始化灰狼种群位置；

步骤S32：遍历当前种群灰狼，计算适应度值，找出灰狼群体中的α狼(最优个体)，以及适应度最差的ω狼(最差个体)。分别计算并保留α狼的坐标X

步骤S33：分别计算灰狼个体i与最优个体的距离Disti_abest及与最差个体距离Disti_worst；若Disti_abest≤(Disti_worst)/2，则将灰狼个体i划分到较优子群，转步骤S34)；否则，将灰狼划分到较差子群，转步骤S35)；

步骤S34：较优子群内灰狼采用收敛因子a1及欧式权重对灰狼个体位置更新，并且计算每个灰狼的适应度值，并与前一次迭代中相应灰狼的适应度值比较，若比之较好则替换位置信息，反之不动；

步骤S35：较差子群内灰狼采用收敛因子a2及欧式权重对灰狼个体位置更新，并且计算每个灰狼的适应度值，并与前一次迭代中相应灰狼的适应度值比较，若比之较好则替换位置信息，反之不动；

步骤S36：将较优与较差子群进行合并；

步骤S37：判断DIGWO算法是否满足结束条件(是否达到了迭代次数T，若不没有达到迭代次数，则返回步骤2)，若满足，则结束。

表1改进的灰狼算法和传统的算法对比试验结果

以上所述仅表达了本发明的优选实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形、改进及替代，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。