【《基于诊断要素的心电散点图分类模型分析》7500字】_第1页
【《基于诊断要素的心电散点图分类模型分析》7500字】_第2页
【《基于诊断要素的心电散点图分类模型分析》7500字】_第3页
【《基于诊断要素的心电散点图分类模型分析》7500字】_第4页
【《基于诊断要素的心电散点图分类模型分析》7500字】_第5页
已阅读5页,还剩8页未读, 继续免费阅读

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

PAGE5基于诊断要素的心电散点图分类模型分析目录TOC\o"1-3"\h\u3656基于诊断要素的心电散点图分类模型分析 171991.1分类算法流程 144531.2心电散点图长短轴计算 3207051.2.1排除离群点 33701.2.2方差法 5317141.3心电散点图B线提取 673211.4心电散点图的聚类 8115301.5模型验证及结果分析 11本章主要介绍基于诊断要素的分类模型,即基于心电散点图子图的位置、形态、吸引子数目、B线角度这诊断四要素建立,该模型是参考了临床上医生识别散点图的方法和常见的24小时心电散点图分类模型。根据窦性心律、低心率变异性、早搏和房颤在散点图上形成的图案在四个诊断要素上的不同,该模型构建了3个二分类分类器串联使用,不断做二分类,直到输出散点图的类型。在做二分类时,为了提高整个模型的正确率,把容易识别的正确率高的二分类放在前面,正确率低的二分类放在后面。在构建分类器时要提取5分钟散点图的SD1SD2、B线斜率和吸引子数量。在五分钟散点图中因为点数少,散点图吸引子轮廓不明显,这些特征的提取和24小时散点图中的提取方法不同,本章会详细介绍这些特征的提取方法。最后利用从四个数据库中得到的数据,分别独立验证三个二分类分类器的精度,之后再验证整个模型的精度并分析结果。分类算法流程读取心电数据后,用Matlab自带函数findpeaks找出心电信号的峰值所在,即R波波峰。将峰值对应的位置序列求差分,用得到的差分序列和一个采样点对应的时间相乘,就可以得到RR间期。读取RR间期数据,绘制出二维心电散点图,将散点图的水平轴和垂直轴统一到[0,2]秒,同时采用双线性插值的方法,将心电散点图的像素统一到512×512,使程序运行速度更快,但又不损失太多细节,便于后续处理。第一个二分类是形态要素,即计算长短轴距离。在这一步要注意离群点对长短轴的影响,因此使用基于密度的聚类,排除离群点后,再提取长短轴距离。如果长轴小于150ms或者短轴小于50ms即为窦性低心率变异性;如果不满足条件,输入第二个分类器继续计算;第二个二分类是心电散点图的B线斜率。由于5分钟散点图的点数少,吸引子边界不清晰,使用传统基于密度的聚类提取轮廓线计算B线斜率的方法,比较容易提取到错误的轮廓线,得到完全错误的斜率。本文设计了一种提取B线的方法,精度有所降低,但是可靠性增加。由于使用了新的存在误差的提取方法,同时5分钟散点图B线和24小时散点图B线之间存在一定误差,本文重新寻找不同心律失常的B线斜率的临界值。经验证本文选用0.6作为B线斜率的阈值效果最好。如果斜率大于0.6即为窦性心律;如果不满足条件,输入第三个分类器继续计算;第三个二分类是吸引子数目。传统的基于密度的聚类算法分类效果和参数选取有直接关系,而不同类别的心律失常图形中点的密度不同,一组参数很难在不同心律失常的散点图都取得良好的分类效果。同时该步骤只需要区分是一个吸引子还是多个吸引子,不需要知道具体的吸引子数量,因此本文改进了聚类算法,用改进后的分类算法计算心电散点图中吸引子的数量,多个吸引子为早搏,单个吸引子为房颤。图3-1基于诊断要素的分类模型流程图心电散点图长短轴计算排除离群点因为早搏呈现出多分布、房颤呈现出扇形,普通的窦性心律HRV较大呈现出彗星、鱼雷等形态,这些散点图的长短轴即SD1和SD2都会明显大于窦性低心率变异性的SD1、SD2。因此通过计算散点图的长短轴距离就可以区分出窦性低心率变异性,同时该特征差异显著、可靠性高、计算方便,因此把他作为第一个而分类器。在计算低心率变异性的长短轴时,游离在吸引子主体外的孤立点会对计算产生较大误差,如图2-5所示。因此,我们要先通过聚类标注这些孤立点,在计算SD1、SD2时排除这些点。聚类就是试图将数据集中的样本划分为若干个通常是不相交的子集,每个子集称为一个“簇”。在心电散点图中使用聚类就是在二维坐标中,将聚集在一起的点划分成一个个独立的吸引子。聚类后,一张散点图被划分成若干的吸引子和孤立点。在这里我们使用DBSCAN(Density-BasedSpatialClusteringofApplicationswithNoise)聚类算法,DBSCAN是一种经典的基于密度的聚类算法,该算法通过密度特征,将紧密相连的样本分到同一类,将密度变化较大的地方标记为边界,得到一个聚类类别。在使用该算法时需要先明确一些概念:最大半径(Epsilon):最大半径。如果数据点的相互距离小于或等于指定的epsilon,那么它们将是同一类的。换句话说,它是DBSCAN用来确定两个点是否相似和属于同一类的距离。更大的epsilon将产生更大的簇(包含更多的数据点),更小的epsilon将构建更小的簇。一般来说,我们喜欢较小的值是因为我们只需要很小一部分的数据点在彼此之间的距离内。但是如果太小,您会将集群分割的越来越小。最小点(minPts):在一个邻域的半径内minPts数的邻域被认为是一个簇,初始点包含在minPts中。一个较低的minPts帮助算法建立更多的集群与更多的噪声或离群值。较高的minPts将确保更健壮的集群,但如果集群太大,较小的集群将被合并到较大的集群中。如果“最小点”=4,则在彼此距离内的任意4个或4个以上的点都被认为是一个簇。核心点:核心数据点在其近邻距离内至少有的最小的数据点个数。边界点:边界数据点位于郊区,就像它们属于近邻点一样。(比如w/在epsilon距离内的核心点),但需要小于minPts。离群点:这些点不是近邻点,也不是边界点。这些点位于低密度地区。核心步骤为:首先,选择一个在其半径内至少有minPts的随机点。然后对核心点的邻域内的每个点进行评估,以确定它是否在epsilon距离内有minPts(minPts包括点本身)。如果该点满足minPts标准,它将成为另一个核心点,集群将扩展。如果一个点不满足minPts标准,它成为边界点。随着过程的重复,算法开始发展成为核心点“a”图3-2DBSCAN聚类的边界点和核心点是“b”的邻居,而“b”又是“c”的邻居,以此类推。当集群被边界点包围时,这个聚类簇已经搜索完全,因为在距离内没有更多的点。选择一个新的随机点,并重复该过程以识别下一个簇。DBSCAN算法描述:(1)从心电散点图中任意选择一个未处理的点;(2)如果选择的点满足核心点的条件,那么开始前述的核心步骤,即找出所有与该核心点密度相连的点,形成一个簇;(3)如果选择的点满足边缘点的条件,标记为已处理,寻找下一个点;(4)重复过程,直到所有的点都被处理;(5)数据集中既不是核心点也不是边界点的数据,就是要寻找的离群点。但是DBSCAN对用户定义的参数比较敏感,不同参数导致不同的聚类效果。在此处,聚类主要的目的是找出在窦性低心律变异性中的一些孤立噪声点,在计算SD1和SD2时排除这些点。窦性低心律变异性散点图中,主体吸引子面积小、密度高,因此需要设置一个较小的Epsilon和较大的minPts,本文中Epsilon=7,minPts=6。这样的设置会导致敏感性过高,在普通窦性心律、早搏和房颤中识别出过多的吸引子,但是这些误判对SD1和SD2的影响比较少。DBSCAN距离后,用红色显示核心点和边界点,黑色显示离群点,结果如图3-3所示。图3-3聚类后的5分钟低心率变异性散点图方差法在标注出离群点后开始计算SD1和SD2,如图3-4所示。SD1和SD2分别是散点图沿X=Y和X=-Y方向的离散程度,即在这两个方向上数据的方差决定。本文利用旋转的方式这样,对原始坐标轴做逆时针45°旋转,旋转后的坐标系中X′X′方向和Y′Y′方向的数据标准差就是SD1与SD2。根据线性代数,旋转坐标系相当于对原坐标系下任意一点P(x,y),右乘一个如下的矩阵:(3-1)图3-4散点图的SD1和SD2记新坐标系下P的坐标为(x′,y′)(x′,y′):x′=*(x+y)(3-1)y′=*(x-y)(3-3)式中:x′和y′是变换后的坐标,x和y是变换前的坐标。由此,原始的坐标点集合S={(xi,yi)|i=1N}新坐标系变为S={(xSD2===(3-4)式中:D(x)是求x的方差,STD是标准差缩写。同理可以推得:SD1=(3-5)式中:STD代表了求标准差。心电散点图B线提取电散点图在图形上表现为有限区域内密集的点集,B图是指最靠近X轴的吸引子,B线斜率是指B图中轴线的斜率。在传统的24小时心电散点图中,一般是先使用聚类方法,找出B图吸引子,再计算B线。但是第二章所说,5分钟散点图的吸引子往往边界不明显,容易误判,且传统的DBSCAN算法对参数比较敏感,同一组参数在不同类型的心律失常散点图中有不同的表现,很难找到一组参数,使得DBSCAN聚类效果在窦性心律、低心率变异性、早搏、房颤上都取得较好效果。在SD1、SD2计算中只是寻找离群点,发生少量误判对结果的计算并无太大影响,而在B线提取中误判B图会导致结果完全错误。因此本文采取了边界线方法,利用B图边界以下几乎没有“点”,B图边界以上有大量“点”的特征。该方法提取B线斜率精度下降,但是可靠性增加。具体步骤如下所示,如图3-5所示:1)遍历x>y区域所有点的,找到Xmax和Xmin。为了尽量排除孤立点的影响,Xmax不是最大的X轴坐标,而是图中第五的X轴坐标,Mmin也不是最小的X轴坐标,而是倒数第五的X轴坐标;2)计算窗宽d=0.1*(Xmax-Xmin);3)以Xmin为起点,d为下底,y=x等于上底,统计区域内的点数;4)如果点数小于10略过这一步,认为该块区域没有吸引子存在,继续下一步;如果点数大于10,遍历其中每个点,找到一个点,在它的Y坐标之上有90%的点,在他的Y坐标之下有10%的点,记录下这个点的X,Y坐标;5)重复3)4)10次,直达到达Xmax;6)利用前几步得到的坐标可能有部分是B图的边界,也有可能是A图的边界,利用差值判断,去除A图边界的点。把得到的点按照Y轴坐标从小到大排序,计算相邻点之间的插值,若在某一点差值大于0.2ms,则认为后面的点都是A图的边界线,舍弃后面所有点;7)把剩下的点利用最小二乘法拟合一次多项式,获得多项式的斜率即B线斜率;如在3-5中,首先在x>y区域中找到Xmax和Xmin,即认为是在x>y区域“点”出现的最小位置和最大位置。计算d=0.1*(Xmax-Xmin),即窗宽,该窗口滑动十次可以从Xmax到Xmin,覆盖“点”出现的范围。然后窗口从Xmin开始,以X轴上d为宽度,x>y为上底,构建了一个梯形。每次统计梯形内部点的数量,如果少于10个,认为这一块只有噪声没有吸引子,继续滑动。如果多余10个,找到一个点,在它的Y坐标之上有90%的点,在他的Y坐标之下有10%的点,认为该点是B图中的一个点,记录该点。可以看出该滑动窗口法无法精确找到B图的中轴线,只能找到B图中的点,因此精度下降,但误判较少可靠性上升。继续滑动直到Xmax,记录下所有符合条件的点。在图3-5中可以看出,滑动时候有的梯形中没有B图的点,只有A图的点,记录下的也是A图中的点,因此要排除这部分干扰。A图中的点会明显比B图中的点Y轴做坐标变大,因此得到的点按照Y轴坐标从小到大排序,计算相邻点之间的插值,若在某一点差值大于0.2ms,则认为后面的点都是A图的边界线,舍弃后面所有点,把剩下的点利用最小二乘法拟合一次多项式,获得多项式的斜率即B线斜率。在24小时心电散点图中,一般早搏和房颤的B线斜率在0.8以下,而窦性心律在1左右,也就是说在24小时散点图中通常以0.8为阈值。但是在5分钟散点图中,由于吸引子往往不够清晰,且窗口法提取到的不是B图中的中轴线,带有一定偏差,因此需要重新统计阈值。如第二章所说,本文利用从数据库下载得到的数据,采用0.1为步长,遍历0到1的方式,求得在阈值为0.6时候效果最好,因此本文用B线是否大于0.6作为区分早搏房颤还是窦性心律的条件。图3-5B线提取心电散点图的聚类最后使用聚类计算吸引子的个数,区分壹分布的房颤和多分布的早搏。在24小时散点图中聚类相对比较简单,在5分钟散点图中错误率较高,因此把它放在二分类的最后一个。误差主要来自两点:(1)5分钟散点图因为点数较少,有可能在一个吸引子中明显“断层”,这样一个吸引子被聚类算法识别成多个,如图壹分布的扇形被误判成三个吸引子。(2)传统的DBSCAN算法需要设置两个参数,不同类别的散点图“密度”不同,同一组聚类参数难以适应不同类型的散点图。房颤只有一个吸引子,但是图形成扇形,面积大,吸引子内部密度较小;早搏多个吸引子,但是每个吸引子面积小,内部密度高。如果按照低密度的扇形设置参数,早搏相对比较容易误判成壹分布;如果按照高密度设置参数,则房颤相对容易误判成多分布。图3-5房颤散点图DBSCAN聚类第一种误差难以避免,本文针对第二种误差,提出了一种改良的聚类算法。需要注意的是,在这里区分房颤和早搏,仅需要计算出是壹分布还是多分布,并不需要知道具体的聚类数目。因此本文的聚类算法无法求出具体的吸引子数目,但是在区分壹分布还是多分布上效果更加。聚类的步骤如下,如图3-6所示:图3-6改进的聚类流程图1)读取散点图;2)计算散点图的重心,即遍历图片中的每一个点,计算该点到图中其他所有点的欧几里得距离之和xi,完成遍历后得到集合X={x1,x2,x3xn},其中最小的xi对应的点即为重心点;3)计算散点图的其他点和重心的距离,如果小于参数E,则标记为密度可达点;4)分别以新加入的密度可达点为重心,重复步骤3),直到不再有新的点被标记,该过程如图所示5)计算密度可达点占所有散点图中点所有点的比例,该比例小于阈值则认为是多分布,大于阈值认为是壹分布。经验证阈值选取0.875时聚类效果最佳。6)使用传统的DBSCAN聚类算法,此时按照房颤的低密度设置参数,即更容易一分类假阳率上升的参数,统计聚类数7)如果5)或6)中任意一步判定为多分布,则认为是壹分布,如果果5)和6)都是壹分布则认为最终结果是壹分布如图3-7所示在针对低密度散点图的参数设置下,吸引子边界不清晰的早搏会被误判成是一整个吸引子,如图3-7(b)所示红色代表识别到的吸引子主体,黑色代表离群点。而在2)到4)的步骤,从重心开始不断寻找密度可达点,不断扩张,直达不再有新的点加入,如图3-7(c)所示,蓝色代表所有密度可达点,黑色代表密度不可达点。最后计算密度可达点数量占总点数的比例小于0.875,因此该散点图为多分布。图3-7聚类效果比较模型验证及结果分析该模型由三个二分类器组成,分别是SD1SD2二分类器、B线二分类器和改进的聚类二分类器。在本章节中,利用数据库中得到的数据评估模型,即18位患者的60张5分钟窦性心律散点图、11位患者的56张5分钟低心率变异性散点图、11位患者的39张5分钟房颤散点图、31位患者的91张5分钟早搏散点图(包含室性早搏和室上性早搏)。首先分别独立的测试三个分类器的正确率,最后把它们组合在一起测试整个模型的正确率。模型的分类能力用精确率、召回率和F测度衡量,在本文中每一类数据的样本量大小不一,使用F测度可以降低样本失衡的影响,计算方法如下:精确率=真阳数/(真阳数+假阳数)*100%(3-6)召回率=真阳数/(真阳数+假阴数))*100%(3-7)F测度=2*精确率*召回率/(召回率+精确率)(3-8)精确率,指在模型预测为正样本的样本中实际为正的比例;召回率,指在所有实际正样本中被模型准确预测为正样本的比例;F测度,是一个综合指标精确率和召回率的指标。一般情况下,精确率召回率是两个呈现出负相关的指标,一个随着另一个指标的上升而下降。而F测度是综合了精确率和召回率来衡量分类能力,F1越大,代表分类器效果越好。首先输入窦性心律、低心率变异性、早搏和房颤四类数据,计算SD1和SD2,验证第一个分类器。结果显示所有低心率变异性散点图被正确识别,所有非低心率变异性即窦性心律、房颤、早搏被正确识别,SD1SD2分类器没有发生误判,精确率为1召回率为1,F测度为1。该分类器优秀的分类效果是因为该特征在低心率变异性和非低心率变异性中差异明显,且预先使用DBSCAN聚类排除了离群点的影响。第二步输入窦性心律、早搏和房颤这三类数据,提取B线斜率,验证第二个分类器。在24小时心电散点图中,一般以0.8作为阈值,早搏、房颤的B线斜率在0.8以下,而窦性心律在0.8以上。但是在5分钟散点图中,由于点数少吸引子轮廓不够清晰,且窗口法提取到的不是B图中的中轴线,带有一定偏差,因此需要重新统计阈值。本文利用从数据库下载得到的窦性心律、早搏和房颤心里散点图,采用0.1为步长,遍历0.1到0.9的方式,把窦性心律作为阳性非窦性心律为阴性,观察不同阈值时的精确率、召回率和F测度衡量。结果如图3-8所示,随着阈值的增加精确率不断下降、召回率上升,F测度先升后低。在阈值为0.6时,F测度最高为0.912,精确率和召回率分别为0.95、0.8769,证明此时分类效果最好。在阈值为0.6时,60张窦性心律散点图中57张被正确识别3张被错误识别,早搏、房颤共130张散点图中122张被正确识别,8张被错误识别。图3-8不同于阈值的分类效果第三步输入早搏和房颤这两类数据,聚类计算吸引子数量,壹分布为房颤,多分布为早搏,验证第三个分类器。在这里分别使用传统的DBSCAN聚类和本文中改进的聚类提取吸引子计算正确率,多分布当作阳性壹分布当作二分类中的阴性。对比两种算法的效果。DNSCAN有两个参数,最大半径和最小点数,参数的不同会导致分类效果的不同,本文经过测试后最大半径设置为8,最小点数设置为9,此时91张早搏中有67张被正确识别为早搏而24张错误识别为房颤,在39张房颤散点图中有32张被正确识别为房颤而7张被错误识别为早搏。此时此时91张早搏中有79张被正确识别为早搏而12张错误识别为房颤,在39张房颤散点图中有35张被正确识别为房颤而4张被错误识别为早搏。此时精确率、召回率和F测度分别为0.9054、0.7363和0.8121。改进的聚类中阈值设置为0.875,可达半径设置为10,此时精确率、召回率和F测度分别为0.9518、0.8681和0.9080,如表3-1所示。根据测试结果可以发现,在5分钟散点图中改进的聚类效果优于传统的DBSCAN聚类。表3-1不同聚类效果对比精确

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

评论

0/150

提交评论