小波时间散射在心电信号分类中的应用

这个示例使用:

打开生活的脚本

这个例子展示了如何使用小波时间散射和支持向量机分类器对人体心电图信号进行分类。金宝app在小波散射中，数据通过一系列小波变换、非线性和平均来产生时间序列的低方差表示。小波时间散射产生的信号表示对输入信号的移位不敏感，而不牺牲类的可辨别性。要运行此示例，必须有小波工具箱™和统计和机器学习工具箱™。本例中使用的数据可以从以下网站公开获得生理网．在这个例子中，你可以找到一种深度学习的方法来解决这个分类问题利用小波分析和深度学习对时间序列进行分类还有这个例子中的机器学习方法基于小波特征和支持向量机的信号分类金宝app．

数据描述

本例使用了三组或三类人的心电图数据:心律失常者、充血性心力衰竭者和窦性节律正常者。该示例使用了来自三个PhysioNet数据库的162个心电记录:MIT-BIH心律失常数据库[3] [5],MIT-BIH正常窦性节律数据库[3]BIDMC充血性心力衰竭数据库[2][3]。共有96例心律失常患者的记录，30例充血性心力衰竭患者的记录，36例窦性节律正常的患者的记录。目的是训练一个分类器来区分心律失常(ARR)、充血性心力衰竭(CHF)和正常窦性心律(NSR)。

下载数据

第一步是从GitHub库．要下载数据，请单击代码并选择下载ZIP．保存文件physionet_ECG_data-main.zip在有写权限的文件夹中。本例的说明假设您已经将文件下载到临时目录，(tempdir在MATLAB中)。如果您选择在不同的文件夹中下载数据，请修改后续解压缩和加载数据的说明tempdir．

该文件physionet_ECG_data-main.zip包含

ECGData.zip
README.md

和ECGData.zip包含

ECGData.mat
Modified_physionet_data.txt
License.txt。

ECGData.mat持有s the data used in this example. The .txt file, Modified_physionet_data.txt, is required by PhysioNet's copying policy and provides the source attributions for the data as well as a description of the pre-processing steps applied to each ECG recording.

加载文件

如果您按照前一节中的下载说明操作，请输入以下命令来解压缩这两个归档文件。

解压缩(fullfile (tempdir,“physionet_ECG_data-main.zip”), tempdir)解压缩(fullfile (tempdir,“physionet_ECG_data-main”，“ECGData.zip”)，．..fullfile (tempdir“ECGData”））

解压ECGData.zip文件后，将数据加载到MATLAB中。

负载(fullfile (tempdir“ECGData”，“ECGData.mat”））

ECGData是一个有两个字段的结构数组:数据和标签．数据是一个162乘65536的矩阵，其中每一行是以128赫兹采样的心电图记录。每个心电时间序列的总持续时间为512秒。标签是一个162 × 1的细胞阵列诊断标签，每一行一个数据．三个诊断类别是:“ARR”(心律失常)，“CHF”(充血性心力衰竭)，和“NSR”(正常窦性心律)。

创建培训和测试数据

将数据随机分成训练数据集和测试数据集。辅助函数helperRandomSplit执行随机分割。helperRandomSplit接受训练数据和所需的分割百分比ECGData．的helperRandomSplit函数输出两个数据集以及每个数据集的一组标签。每一行的trainData和testData是心电信号。的每个元素trainLabels和testLabels包含数据矩阵的相应行的类标签。在本例中，我们将每个类中70%的数据随机分配给训练集。剩下的30%用于测试(预测)，并分配给测试集。

percent_train = 70;[trainData, testData trainLabels testLabels] =．..helperRandomSplit (percent_train ECGData);

共有113项记录trainData设置和49个记录testData．通过设计，训练数据包含69.75%(113/162)的数据。回想一下，ARR类代表59.26%的数据(96/162)，CHF类代表18.52% (30/162)，NSR类代表22.22%(36/162)。检查每个类在训练和测试集中的百分比。每个班级的百分比与数据集中的整体班级百分比一致。

Ctrain = countcats(分类(trainLabels)。/元素个数(trainLabels)。* 100

Ctrain =3×159.2920 18.5841 22.1239

ct = countcats(分类(testLabels)。/元素个数(testLabels)。* 100

ct =3×159.1837 18.3673 22.4490

情节样品

从四个随机选择的记录中绘制前几千个样本ECGData．辅助函数helperPlotRandomRecords这是否。helperPlotRandomRecords接受ECGData和一个随机种子作为输入。初始种子设置为14，这样每个类至少可以绘制一条记录。你可以执行helperPlotRandomRecords与ECGData作为唯一的输入参数，只要你希望得到与每个类相关的各种心电图波形的感觉。您可以在本例末尾的支持函数一节中找到这个函数和所有帮助函数的源代码。金宝app

helperPlotRandomRecords (ECGData 14)

小波时间散射

在小波时间散射网络中需要指定的关键参数是时不变的尺度、小波变换的次数以及每个小波滤波器组中每倍频程的小波数。在许多应用中，两个滤波器组的级联就足以实现良好的性能。在这个例子中，我们构造了一个带有默认滤波器组的小波时间散射网络:第一个滤波器组每倍频程有8个小波，第二个滤波器组每倍频程有1个小波。不变性比例设置为150秒。

N =大小(ECGData.Data 2);sn = waveletScattering (“SignalLength”N“InvarianceScale”, 150,“SamplingFrequency”, 128);

你可以用下面的方法在两个滤波器组中可视化小波滤波器。

[fb, f, filterparams] = filterbank (sn);Subplot (211) plot(f,fb{2}.psift) xlim([0 128]) grid在标题(“第一个滤波器组小波滤波器”）;

Subplot (212) plot(f,fb{3}.psift) xlim([0 128]) grid在标题(第二滤波器组小波滤波器）;包含(“赫兹”）;

为了演示不变性尺度，获取尺度函数的傅里叶反变换，并将其居中于0秒时间。两条垂直的黑线分别是-75秒和75秒的分界线。另外，从第一个滤波器组中绘制出最粗尺度(最低频率)小波的实部和虚部。注意，最粗尺度小波不会超过由尺度函数的时间支持所决定的不变尺度。金宝app这是小波时间散射的一个重要性质。

图;φ= ifftshift(传输线(神奇动物{1}.phift));psiL1 = ifftshift(传输线(神奇动物{2}.psift (:,)));t = (2 ^ 15:2 ^ 15 - 1) * 1/128;scalplt =情节(t,φ);持有在网格在ylim(1.6[-1.5军医的军医]);情节(-75[-75],[-1.5 1.6的军医]的军医,“k——”）;情节(75[75],[-1.5 1.6的军医]的军医,“k——”）;包含(“秒”）;ylabel (“振幅”）;wavplt = plot(t，[real(psiL1) imag(psiL1)]);传奇([scalplt wavplt (1) wavplt (2)), {“扩展功能”，“Wavelet-Real部分”，“Wavelet-Imaginary部分”}）;标题({“扩展功能”；“最粗尺度小波第一滤波器组”})举行从

构建散射网络后，将训练数据的散射系数以矩阵形式表示。当您运行featureMatrix对于多个信号，每一列都被处理为单个信号。

scat_features_train = featureMatrix (sn, trainData ');

的输出featureMatrix这里是409乘16乘113。张量的每一页，scat_features_train，为一个信号的散射变换。基于尺度函数的带宽，对小波散射变换进行了严格的时间下采样。在这种情况下，409条散射路径中的每条都有16个时间窗口。

为了得到一个与SVM分类器兼容的矩阵，将多信号散射变换重构为一个矩阵，其中每一列对应一个散射路径，每一行为散射时间窗。在本例中，您将获得1808行，因为训练数据中的113个信号每个都有16个时间窗口。

Nwin =大小(scat_features_train, 2);Scat_features_train = permute(Scat_features_train，[2 3 1]);scat_features_train =重塑(scat_features_train,．..大小(scat_features_train 1) *大小(scat_features_train, 2), []);

对测试数据重复上述过程。最初,scat_features_test是409 × 16 × 49，因为在训练集中有49种心电图波形。对SVM分类器进行整形后，特征矩阵为784 × 416。

scat_features_test = featureMatrix (sn, testData ');Scat_features_test = permute(Scat_features_test，[2 3 1]);scat_features_test =重塑(scat_features_test,．..大小(scat_features_test 1) *大小(scat_features_test, 2), []);

因为对于每个信号，我们获得了16个散射窗口，我们需要创建标签来匹配窗口的数量。辅助函数createSequenceLabels这是基于窗口的数量。

[sequence_labels_train, sequence_labels_test] = createSequenceLabels (Nwin、trainLabels testLabels);

交叉验证

为了分类，进行了两项分析。首先利用所有散射数据，用二次核拟合多类支持向量机;整个数据集共有2592个散射序列，其中162个信号分别对应16个散射序列。错误率，或损失，估计使用5倍交叉验证。

scat_features = [scat_features_train;scat_features_test];allLabels_scat = [sequence_labels_train;sequence_labels_test];rng (1);模板= templateSVM (．..“KernelFunction”，多项式的，．..“PolynomialOrder”2,．..“KernelScale”，“汽车”，．..“BoxConstraint”, 1．..“标准化”,真正的);classificationSVM = fitcecoc (．..scat_features,．..allLabels_scat,．..“学习者”模板,．..“编码”，“onevsone”，．..“类名”, {“加勒比海盗”；瑞士法郎的；“签约”}）;kfoldmodel = crossval (classificationSVM,“KFold”5);

计算损失和混淆矩阵。显示的准确性。

predLabels = kfoldPredict (kfoldmodel);损失= kfoldLoss (kfoldmodel) * 100;confmatCV = confusionmat (allLabels_scat predLabels)

confmatCV =3×31535 0 1 1 479 0 0 576

流('准确度为%2.2f % .\n'100 -损失);

准确率为99.92%。

准确率为99.88%，相当不错，但考虑到这里每个时间窗口都是单独分类的，实际结果更好。每个信号有16个单独的分类。使用简单多数投票获得每个散射表示的单个类预测。

类=分类({“加勒比海盗”，瑞士法郎的，“签约”}）;[ClassVotes, ClassCounts] = helperMajorityVote (predLabels [trainLabels;testLabels)、类);

根据每组散射时间窗口的类预测模式，确定实际的交叉验证精度。如果模式对于给定的集合不是唯一的，helperMajorityVote返回由指示的分类错误“NoUniqueMode”．这将导致混淆矩阵中额外的一列，在这种情况下，这一列都是零，因为对于每一组散射预测，都存在一个独特的模式。

CVaccuracy =总和(eq (ClassVotes分类([trainLabels;testLabels]))) / 162 * 100;流(“真正的交叉验证准确率为%2.2f %。”, CVaccuracy);

真实交叉验证准确率为100.00%。

MVconfmatCV = confusionmat(分类([trainLabels;testLabels]), ClassVotes);MVconfmatCV

MVconfmatCV =4×496 0 0 0 30 0 0 0 36 0 0 0 0 0

散射正确地分类了交叉验证模型中的所有信号。如果你检查ClassCounts，你看到2个错误分类的时间窗口confmatCV归因于2个信号，其中15个散射窗被正确分类。

支持向量机分类

在接下来的分析中，我们只对训练数据拟合了一个多类二次支持向量机(70%)，然后使用该模型对等待测试的30%数据进行预测。测试集中有49条数据记录。使用多数投票个别散射窗口。

模型= fitcecoc (．..scat_features_train,．..sequence_labels_train,．..“学习者”模板,．..“编码”，“onevsone”，．..“类名”, {“加勒比海盗”，瑞士法郎的，“签约”}）;predLabels =预测(模型、scat_features_test);[TestVotes, TestCounts] = helperMajorityVote (predLabels、testLabels、类);testaccuracy =总和(eq (TestVotes分类(testLabels))) /元素个数(testLabels) * 100;流(测试准确率为%2.2f %。\ n”, testaccuracy);

试验准确率为97.96%。

confusionchart(分类(testLabels)、TestVotes)

在测试数据集上的分类准确率约为98%。混淆矩阵显示一个CHF记录被误分类为ARR。其他48个信号都被正确分类了。

总结

这个例子使用小波时间散射和支持向量机分类器将心电波形分类为三个诊断类之一。小波散射被证明是一种强大的特征提取方法，它只需要用户指定的最小参数集就可以产生一组鲁棒的特征用于分类。将这个与示例进行比较基于小波特征和支持向量机的信号分类金宝app，这需要大量的专业知识来手工制作特征，以用于分类。对于小波时间散射，您只需要指定时不变性的规模，滤波器组(或小波变换)的数量，以及每个八度的小波数量。小波散射变换和支持向量机分类器的结合在交叉验证模型上产生了100%的分类结果，当将支持向量机应用到持度测试集的散射变换上时，分类的正确率达到98%。

参考文献

Anden J.， Mallat, S. 2014。深散射谱，IEEE信号处理汇刊，62,16,414 -4128页。
Baim DS, Colucci WS, Monrad ES, Smith HS, Wright RF, Lanoue A, Gauthier DF, Ransil BJ, Grossman W, Braunwald E.口服米力农治疗严重充血性心力衰竭患者的生存率。美国心脏病学会1986年3月;7(3): 661 - 670。
Goldberger AL, Amaral LAN, Glass L, Hausdorff JM, Ivanov PCh, Mark RG, miietus JE, Moody GB, Peng C-K, Stanley HE。PhysioBank, PhysioToolkit和PhysioNet:复杂生理信号新研究资源的组成部分。循环．第101卷，第23卷，2000年6月13日，页e215-e220。http://circ.ahajournals.org/content/101/23/e215.full
Mallat。2012。集团不变的散射。《纯粹与应用数学通讯》，65,10,1331-1398页。
穆迪GB，马克RG。MIT-BIH心律失常数据库的影响。IEEE医学与生物学工程20(3):45-50(2001年5- 6月)。(PMID: 11446209)

金宝app支持功能

helperPlotRandomRecords图中随机选取的四个心电信号ECGData．

函数helperPlotRandomRecords (ECGData randomSeed)%此函数仅用于支持XpwWaveletMLExample。金宝app它可能%更改或在未来的版本中删除。如果输入参数个数= = 2 rng (randomSeed)结束M =大小(ECGData.Data, 1);idxsel = randperm (M, 4);为numplot = 1:4 subplot(2,2,numplot) plot(ECGData.Data(idxsel(numplot)，1:30)) ylabel(“伏”）如果Numplot > 2 xlabel(“样本”）结束标题(ECGData.Labels {idxsel (numplot)})结束结束

helperMajorityVote为每一组散射时间窗口查找预测类标签中的模式。该函数返回每个散射时间窗口集的类标签模式和类预测数量。如果没有唯一的模式，helperMajorityVote返回一个类标签“error”，表示散射窗口集是一个分类错误。

函数[ClassVotes, ClassCounts] = helperMajorityVote (predLabels、origLabels类)%该函数支持ecgwavettimescat金宝appteringexample。它可能%更改或在未来的版本中删除。%如果标签不是分类的，则创建分类数组predLabels =分类(predLabels);origLabels =分类(origLabels);%要求predLabels和origLabels都是分类向量npr =元素个数(predLabels);Norig =元素个数(origLabels);Nwin = npr / Norig;predLabels =重塑(predLabels Nwin Norig);ClassCounts = countcats (predLabels);[mxcount, idx] = max (ClassCounts);ClassVotes =类(idx);%检查最大值中的任何领带，并确保它们被标记为%错误，如果模式出现多次modecnt = modecount (ClassCounts mxcount);ClassVotes (modecnt > 1) =分类({“错误”}）;ClassVotes = ClassVotes (:);%-------------------------------------------------------------------------函数modecnt = Inf(size(ClassCounts,2)，1); / / mxcount = mdecnt为c = 1:size(ClassCounts,2) modecnt(nc) = histc(ClassCounts(:，nc)，mxcount(nc));结束结束% EOF结束