基于自适应快速S变换和XG...的心电信号精确快速分类方法_袁莉芬.pdf

基于自适应快速S变换和XGBoost的心电信号精确快速分类方法袁莉芬李松尹柏强*李兵佐磊(合肥工业大学电气与自动化工程学院合肥230009)摘要：针对心电信号(ECG)传统分类方法效率较低的问题，该文提出一种基于自适应快速S变换(AFST)和XG-Boost的心电信号精确快速分类方法。该方法首先通过快速定位算法确定心电信号特征频率点，再根据特征频率点自适应调节S变换窗宽因子，增强S变换的时频分辨率的同时避免迭代计算，大大减少运行时间。其次，基于自适应快速S变换的时频矩阵提取12个特征量来表征5种心电信号的特征信息，特征向量维数低，识别能力强。最后，利用XGBoost算法对特征向量进行识别。MIT-BIH心律失常数据库和患者实测数据验证表明，该方法显著地缩短了分类时间，对5种心电信号的分类准确率分别为99.59%和97.32%，适用于实际检测系统中心律失常疾病的快速诊断。关键词：心电信号；心律失常；S变换；自适应快速S变换；XGBoost算法中图分类号：TN911.7;R540.41文献标识码：A文章编号：1009-5896(2023)04-1464-11DOI:10.11999/JEIT220217Accurate and Fast ElectroCardioGram Classification Method Based onAdaptive Fast S-Transform and XGBoostYUANLifenLISongYINBaiqiangLIBingZUOLei(School of Electrical and Automation Engineering,Hefei University of Technology,Hefei 230009,China)Abstract:ConsideringthelowefficiencyoftraditionalElectroCardioGram(ECG)classificationmethods,anaccurateandfastElectroCardioGramclassificationmethodbasedonAdaptiveFastS-Transform(AFST)andXGBoostisproposed.Firstly,themainfeaturepointsoftheECGsignalsaredeterminedthroughafastpositioningalgorithm,andthentheS-Transformwindowwidthfactorisadjustedadaptivelyaccordingtothemainfeaturepointstoenhancethetime-frequencyresolutionoftheS-transformwhileavoidingiterativecalculationandreducingtherunningtimegreatly;Secondly,basedonthetime-frequencymatrixofAFST,12eigenvaluesareextractedtorepresentthecharacteristicinformationof5kindsofECGsignals,withloweigenvectordimensionandstrongrecognitionability.Finally,XGBoostisusedtoidentifytheeigenvectors.TheexperimentalstudiesbasedontheMIT-BIHarrhythmiadatabaseandtheverificationofpatientmeasurementdatashowthat,withtheproposedmethod,theclassificationtimeofECGsignalsissignificantlyshortenedandclassificationaccuracyof99.59%,97.32%isobtainedrespectively,whichissuitablefortherapiddiagnosisofabnormaldiseasesinthecenterrateoftheactualdetectionsystem.Key words:ElectroCardioGram(ECG);Arrhythmias;S-Transform(ST);AdaptiveFastS-Transform(AFST);XGBoostalgorithm1 引言近年来，心血管病的发病率呈明显上升趋势，而心律失常是心血管疾病中最常见的一种病症，研究表明，到2035年，心血管疾病将成为死亡的主要原因，并将严重影响国家的金融和卫生保健系统1,2。因此，研究心律失常是诊治该类疾病患者的重要工作之一。心电图(ElectroCardioGram,ECG)信号是心脏电活动的记录器，可提供有关心脏性能的重要信息，可作为心血管疾病诊断的有效手段3。传统方法依赖于心脏疾病专家凭借经验判断，具有很强的主观性，并且效率非常低。因此，设计一种高效的心律失常自动诊断方法显得尤为重要。目前心电信号的分类技术主要包括信号预处理、收稿日期：2022-03-02；改回日期：2022-07-10；网络出版：2022-07-19*通信作者：尹柏强基金项目：国家自然科学基金(61971175)，中央高校基本科研业务费(JZ2019YYPY0025)FoundationItems:TheNationalNaturalScienceFoundationofChina(61971175),TheFundamentalResearchFundsfortheCentralUniversities(JZ2019YYPY0025)第45卷第4期电子与信息学报Vol.45No.42023年4月JournalofElectronics&InformationTechnologyApr.2023特征提取、自动分类3个环节4。信号预处理包括去除心电信号中的工频干扰、肌电信号干扰、基频漂移等噪声，并将心电信号进行分拍。针对心电信号的特征提取，国内外广大学者提出了不同的方法，目前主要有时域分析法、经验模态分解法、小波变换和S变换等。Chazal等人5基于心电信号本身特征，利用形态学方法提取ECG形态、R-R间期、T波持续时间，取得了85.88%的分类准确率。Mar等人6选择R-R间期、QRS波群和T波持续时间等作为心电信号特征，对5类心电信号分类准确率为89.0%。时域信息作为心电信号最有效的信息，可以反映心律异常的主要特征，但通常无法揭示心电信号隐藏的细节信息。王金海等人7提出一种近似熵和经验模态分解结合的新方法，对心电信号进行分解得到有限个模态分量，并计算近似熵来代表心电信号特征向量。Jacob等人8利用小波变换提取了心电信号的小波系数、R-R间期等特征，获得了94.5%的准确率。上述变换法提取特征时，没有加入能够直接反映信号特征的时频信息，分类准确率不足。对比上述方法，S变换能更好地提取到心电信号附加时间特征的形态特征，具有更强的时频表征能力9。Das等人10和Yang等人11分析了心电信号的主要特点，将S变换(S-Transform,ST)引入到心电信号的特征提取工作中，为心电信号分类工作提供了新思路。然而考虑到S变换在心电信号分析中的时频分辨率较低，难以充分提取心电信号的主要特征；同时S变换需要极大的计算量，当心电信号数据量较大时，会严重影响心电信号特征提取效率。心电信号的模式识别方法主要有支持向量机(SupportVectorMachine,SVM)12,13、神经网络14,15、集成学习16,17。在这个研究领域，仍然亟待解决的问题有两个：第一，分类器模型的分类效率有待提升。心电信号的诊断有很高的时效性要求，对于分类准确率低、训练时间长的分类器已不再适用于心电信号的快速分类；第二，心电信号数据常具有类别不平衡的特点，这要求分类器考虑心电信号类别权重，对所有样本都能充分学习。基于上述问题，本文从诊断心律失常的临床需求出发，提出一种心电信号5分类方案。针对心电信号设计自适应快速S变换(AdaptiveFastS-Trans-form,AFST)算法，降低计算复杂度，提取高时频分辨率特征集；提出一种自定义损失函数的XGBoost模型，克服了不平衡数据集对分类模型的影响，实现了对5类心电信号的精确、快速分类。在MIT-BIH心律失常数据库验证算法有效性的基础上，通过采集中国科学技术大学附属医院的患者实测数据进行验证，实验结果表明，本文所提算法的准确率和时效性能够满足临床实时诊断的要求。2 自适应快速S变换2.1 传统S变换及其在ECG识别应用中的局限性x(t)S变换是一种时频分析工具，十分适合非平稳信号的分析，信号的S变换为S(,f)=+x(t)w(t,f)ej2ftdt(1)w(t,f)=1(f)2e(t)22(f)2(2)w(t,f)(f)=1/|f|ff n/NT kT其中，为高斯窗函数；为窗宽调节因子；为时移因子；为频率。令，则S变换的离散形式为SkT,nNT=N1m=0Xm+nNTe22m2n2ej2mkN,n=0SkT,0=1NN1m=0 xmT,n=0|(3)NTm n kN 1其中，为心电信号采样点数；为心电信号采样间隔；,的取值为0。心电信号经过S变换后得到一个2维复数矩阵，矩阵的行与列分别代表时间采样点与频率采样点。目前在ECG的分类研究中，ST并未得到广泛应用，主要是由于ST对信号进行变换使用高斯窗口，存在低频段时间分辨率较低、高频段频率分辨率较低的情况。另外，对于采样频率较高的ECG信号，采样点增多会使得S变换计算量剧增，限制了其在心电信号特征提取中的应用。2.2 Kaiser窗的自适应S变换本文提出基于Kaiser窗函数的自适应窗宽S变换(AdaptiveS-Transform,AST)。相较于高斯窗口，Kaiser窗频带内能量主要集中在主瓣中，对于旁瓣有很好的抑制能力，并且Kaiser窗由于存在窗宽调节因子，使得它在时频性要求不同的场景中可以灵活转换。基于Kaiser窗S变换的表达式为S(,f,)=+x(t)wK(t,)ej2ftdt(4)wK(t,)其中，为Kaiser窗函数；为窗宽调节因子。通过对不同频段设置合适的参数，即可达到不同的时频分辨率。由于临床诊断的心电信号频率范围要求在0.05125Hz，临床监护的频第4期袁莉芬等：基于自适应快速S变换和XGBoost的心电信号精确快速分类方法1465率范围要求0.0545Hz18。由此可见心电信号的能量主要集中在45Hz以内，其中QRS波群能量更是集中在215Hz。因此，为了满足心电信号分析的时频性要求，对Kaiser窗需要设置合适的参数，使不同频段采用不同的窗宽是很有必要的。通过文献19对不同信号的Kaiser参数选取标准可知，为均衡时间分辨率和频率分辨率，的选取范围是28。当 较大时，Kaiser窗函数的主瓣较宽，旁瓣较低，并且旁瓣的衰减速率增加，时间分辨率高，频率分辨率下降，不利于心电信号的特征提取。当选择较小的 值时，Kaiser窗函数频域窗口较窄，频率分辨率升高，时间分辨率会下降，影响模式识别精度。因此，需要选择合适的 以准确提取心电信号的特征，减小扰动的干扰和算法误差。将心电信号频率范围分段，分别设置不同 值：在02Hz的低频段，为减小基频漂移成分干扰，在此频段设置较大 值获取高时间分辨率；在215Hz频段，频率成分丰富，设置较低 值，提高频率分辨率以检测心电信号有用信息；在1545Hz频率区间，心电信号频率成分相对较少，使 值随频率逐渐增大，从高频率分辨率过渡到高时间分辨率；当频率高于45Hz，统一选取8。因此本文针对心电信号特征提取提出了一种通过调节窗函数参数 的自适应窗长S变换。具体做法为wK(t,(f)=I0(f)1(1 2tL)2I0(f)(5)(f)=8 k1f,f (0,2)2,f (2,15)2+k2(f 15),f (15,45)(6)I0()Lk1,k2(f)(f)其中，为第1类修正0阶贝塞尔函数，为心电信号长度，是控制变换率的固定参数，取值分别为3,0.2。图1为对应的Kaiser窗函数幅频特性。为证明AST相对于ST具有较好的时频分辨率，以NORM类型心电信号为例展开时频分析对比试验。图2展示了ST,AST对类型心电信号频率包络线，通过对比可以看出，在心电信号集中的低频段，ST的频率分辨率较低，很难识别出不同频率成分。原因在于心电信号不同于其他信号，其频率范围相对集中，传统的高斯窗函数不具备识别此类信号的能力。改进的自适应Kaiser窗，考虑到心电信号的特异性，保证了在心电信号的主要频率段有足够的频率分辨率，因此能够识别更多的频率成分。图3为心电信号的ST,AST时域累积特性曲线，可以看出，在心电信号的R波附近，ST和AST都识别出了心电信号的特征，时间分辨率接近。在P波和T波附近，AST能够识别出更多的尖峰，时间分辨率优于ST。2.3 自适应快速S变换O(N3)O(N2log2N)已知N点心电信号的ST需要进行离散傅里叶变换与离散傅里叶逆变换，完成整个ST运算的时间复杂度为。用快速傅里叶变换(FastFourierTransform,FFT)实现的快速S变换(FastS-Trans-form,FST)20，将ST的时间复杂度降低到，即便如此，随着采样点数的增加FST的运行时间可能仍无法满足实时信号分析要求。对于心电信号来说，频率范围主要位于45Hz区间内，ST矩阵中大多数列对于信号的频谱分析并没有贡献，也就不存在计算的必要。如何剔除非(f)图1不同对应Kaiser窗幅频特性图2心电信号频率包络线图3心电信号时域累积特性曲线1466电子与信息学报第45卷1=0.052=0.0253=0.005特征频率点所在列，保留特征频率点所在列是实现快速算法的关键。据此，本文提出特征频率点快速定位算法来实现快速运算的S变换，即自适应快速S变换。在215Hz区间，设置FFT归一化阈值，1545Hz区间，高于45Hz阈值。自适应快速S变换的实现步骤如下：x(nT)X(/NT)(1)计算ECG信号的快速傅里叶变换(FFT)频谱。ii(2)特征点快速定位算法：对频谱取极大值，定位特征频率点，满足|X(iNT)|k(7)|X(i 1NT)|X(i+1NT)|(8)i=1,2,.,qqkk=1,2,3其中，是ECG信号中特征频率点的数目，为设定阈值，。i(i/NT)(3)根据特征频率点，确定窗宽调节因子并计算Kaiser窗的FFT频谱W(rNT,iNT)=1N|N1n=0wK(n,(iNT)ej2nrN|(9)X(i/NT)X(i+r)/NT)(4)将频移得到。X(i+r)/NT)W(r/(NT),i/(NT)B(r,i)(5)求与的乘积B(r,i)=X(i+rNT)W(rNT,iNT)(10)iB(r,i)i(6)对特征频率点，计算的快速傅里叶逆变换(InverseFastFourierTransform,IFFT)，得到对应的自适应快速S变换AFST(m,i)=N1r=0B(r,i)ej2rmN(11)(7)重复步骤(3)步骤(6)对所有特征频率点完成AFST。NqO(qNlog2N)qN/2当采用AFST去分析一个点ECG信号时，假设特征频率点的个数为，此时时间复杂度为。由于 远小于，AFST的运算量相对于FST进一步减少。表1为3种算法运量分析。为验证实际变换过程中AFST的计算效率，分别利用ST,FST以及AFST对不同样本点数心电信号样本进行运算，对比3种算法的运行时间，结果如图4所示。当心电信号样本点数增加时，3种算法的运算量都呈增大趋势。同样长度的样本下，AFST时间均优于ST和FST，在本文选取的300样本点数据，ST的运算时间为0.018s，FST的运算时间为0.013s，AFST的运算时间仅为0.0025s。当数据样本逐渐增大时，AFST由于计算复杂度较低，在运算时间上相对ST和FST具有更明显的优势。这表明，对不同长度的心电信号样本，本文所提的AFST都能够较快地完成信号变换，适用于时效性要求较高的临床环境。3 XGBoost分类模型集成算法是通过构建并结合多个学习器完成学习任务21。XGBoost算法是在自适应增强(AdaptiveBoosting,AdaBoost)算法和梯度提升迭代决策树(GradientBoostingDecisionTree,GBDT)算法基础上优化形成的，通过不断拟合优化目标函数，从而达到准确预测分类结果22。XGBoost算法在原函数的基础上增加了2阶导数和正则项，加之系统层面的一些优化，使得该算法减小了过拟合的可能性，大大缩短了训练时间，并且能够保持较高的准确性。对于心电信号的分类而言，不同心率类型在心电图中所占比例不同，通常表现为正常心率类型占比较高，而异常心率类型占比较低，即数据集具有类别不平衡的特点。这会导致分类器训练过程中对占比较少的类别样本学习不充分，对心电信号识别能力不足。为解决上述问题，通过改进XGBoost损失函数并在损失函数中引入L2正则项对XGBoost进行改进。m改进后的第棵树的损失函数为Lm=1N(Ni=1iL(yi,Fm1(xi;Am1)+2a22)(12)图4不同样本长度算法运行时间对比表 1 不同算法运算量分析算法运算量复数乘法复数加法时间复杂度ST(N2+N3)/2(N3 N2)/2O(N3)FST(2N2+N2log2N)/4(N2log2N)/2O(N2log2N)AFSTq(2N+Nlog2N)/2qNlog2NO(qN log2N)第4期袁莉芬等：基于自适应快速S变换和XGBoost的心电信号精确快速分类方法1467Fm1(xi;Am1)m 1Am1xiAm1m 1a1,a2,.,am1L(yi,Fm1(xi;Am1)yii其中，表示前棵树组成的模型在参数为的条件下对输入的预测值，这里的包括前棵树的参数。是描述真实值 与当前模型预测值误差的函数，对XGBoost来说是对数损失函数。是正则化系数，系数的取值为i=1,yi=0NC N(yi),yi=0(13)yi=0yi=0NCyiN(yi)其中，表示正常样本，样本权重设置为1；表示非正常样本，样本权重由总样本数量、总样本类别数 与标签为 的样本总数决定。当数据集为不平衡数据集时，通过对异常样本加权，可以使得异常样本在训程中获得更大的梯度，从而减小样本比例差异带来的影响，最终提升XGBoost在不平衡数据集上的表现能力。当数据集为平衡数据集时，上述改进的XGBoost自动退化为传统XGBoost。AccSenSpePPV本文使用准确率(Accuracy,)、灵敏度(Sensitivity,)、特异性(Specificity,)、阳性预测率(PositivePredictiveValue,)4种度量指标描述分类器的性能，公式为Acc=TP+TNTP+FP+FN+TN 100%(14)Sen=TPTP+FN 100%(15)Spe=TNTN+FP 100%(16)PPV=TPTP+FP 100%(17)TPTNFPFN其中，为样本被正确分类的个数；不属于某类且被分为其他类的个数；为其他类样本被分类为某类样本的总数；为某样本分类为其他类样本的总数。4 心电信号分类实验4.1 信号预处理本文首先采用MIT-BIH公开数据集验证本文方法的有效性。MIT-BIH心律失常数据库中共包含了47名受试者的48条带注释的ECG记录，采样频率360Hz，每条记录都有对应的标签注释。实验选取MIT-BIH数据库中MILI导联的5类心电信号的数据作为研究对象，包括正常心电图(NORMbeat,NORM)、左束支传导阻滞(LeftBundleBranchBlockbeat,LBBB)、右束支传导阻滞(RightBundleBranchBlockbeat,RBBB)、房性早搏(AtrialPrematureContraction,APC)和室性早搏(PrematureVentricularContraction,PVC)。由于心电信号在采集过程中受到基频漂移、工频干扰、肌电噪声等因素的影响15，本文先采用简单的低通滤波器和小波阈值降噪对数据进行预处理，再采用Pan等人23提出的R波检测方法，以R波波峰为基准，向前取120个点，向后取180个点，共计300个点的长度作为一个心电信号样本。最终从48条记录中提取出了5类心电信号的全部数据共99325个样本，对应的样本数量分别为77495,8061,7255,2543,6971，按照3:1的比例构建实验训练集和测试集。4.2 特征提取本文将特征分为频域特征和时域特征。首先采用AFST算法对5类心电信号变换，将心电信号从时域转换到时间-频率下的时频图，如图5和图6所示。P1,P2,P3,P4,Q1,Q2,Q3,Q4A1,A2,A3,A4P1,P2,P3,P4,Q1,Q2,Q3,Q4,A1,A2,A3,A4频域特征用特征频率点及其对应的幅值表示，对特征频率点按照幅值升序排列，选取最大4组作为频率特征，计为。时域特征的提取依靠心电信号变换后的时域累计特性曲线，选取最大值、最小值、均值、方差4种时域特征指标；由于心电信号的AFST只对特征频率点进行变换，因此AFST特征提取时，时域特征指的是最大特征频率点所对应行的最大值、最小值、均值、方差4种时域特征指标，计为。为此，本文从时域和频域两个角度提取特征，构成特征向量。4.3 特征评价对5类心电信号分别采用ST和AFST方法提取特征，得到样本容量为400的特征向量。为比较不同特征区分能力的差异，分别使用频率特征子集F1=P1,P2,P3,P4,Q1,Q2,Q3,Q4(18)原始时频特征F2=P1,P2,P3,P4,Q1,Q2,Q3,Q4,A1,A2,A3,A4(19)利用相同参数的核主成分分析法将特征向量转换成3维特征分布图，对特征进行评价。图7结果表明，基于ST提取的频率特征和时频特征不能清晰地将5类心电信号类型进行区分，其原因在于ST的高斯窗不能根据心电信号的自适应调节频率分辨率，在提取频率特征时各种频率之间相互干扰，特征之间界限不明显；其次由于ST对于心电信号之间相互关联，不具有很好的类间离散度。图8为AFST的特征分布情况。图8(a)表明单纯的频率特征能够较好地区分5类心电信号的特征，其中，LBBB,RBBB和PVC3类心电信号之间边1468电子与信息学报第45卷界清晰，易于区分。只有NORM和APC两类心电信号之间存在局部混叠现象。图8(b)表明加入AFST时域特征之后，5类心电信号明显分离开来，进一步提升了特征区分度。综上表明，ST由于时频分辨率较低，无法准确提取心电信号特征；AFST根据心电信号自适应调节时频分辨率，提取的时频特征区分度较高，更有利于分类器进行识别。此外在特征选择上，同时选取时域信息与频域信息作为心电信号特征，特征维度低，识别能力强。4.4 XGBoost模式识别为保证数据验证的准确性，加入5折交叉验证。表2显示了测试集的分类结果，对5种异常心电信号的识别上平均准确率为99.59%，总体灵敏度为99.25%，特异性为99.47%，阳性预测率为99.45%。重复实验20次，并计算标准差，标准差为0.0959，证明了实验的稳定性和可靠性。为验证自适应快速S变换算法的有效性，将ST作为对比算法，使用不同分类器进行模式识别，结果如表3所示。容易看出在特征提取方面，AFST用时更短，同时分类准确率更高，这证明了AFST在心电信号的特征提取上具有优越性。在分类器的对比上，XGBoost相对于随机森林和GBDT，分类准确率和训练时间都具有明显优势。改进后的XG-Boost，克服了不平衡数据集对模型的影响，提高了模型的泛化能力，因此相对于传统的XGBoost，对应的分类准确率得到了进一步的提升。将本文提出的心电信号分类方法与先前工作对比，结果见表4，所得分类效果均基于MIT-BIH数据集。从特征提取上看，本文方法采用自适应快速S变换只提取了心电信号的时频信息作为特征，简化了心电信号的分析。而其他方法需要从多个角度提取不同特征，信号分析过程复杂，特征提取效率较低；从4个分类评价指标上看，本文方法显著优于前5种方法，略低于文献11方法。考虑到文献11采用的是传统S变换和形态学提取的特征高达316维，忽图5心电信号时域波形图第4期袁莉芬等：基于自适应快速S变换和XGBoost的心电信号精确快速分类方法1469视了算法的运行效率，在分类总体性能上不如本文方法。4.5 实测数据验证为了验证本文算法在实际的医学诊断中的应用价值，联合中国科学技术大学第一附属医院心电科室，征集20名具有心脏病史患者，作为志愿者参与在线心电信号分类试验。采用12导联设备采集心电信号，采样频率为1kHz，采样时间2h。对所得的数据样本按照前文方法进行预处理、分拍，同时根据心脏病临床专家的建议对数据进行标注，筛选出本文研究的5类心电信号，选取正常心电信号1200例、左束支传导阻滞200例、右束支传导阻滞200例、房性早搏200例和室性早搏200例，共计2000个心电信号样本构成不平衡数据集，按照3:1图6心电信号AFST变换时频3维图图7基于ST提取的特征可视化分布情况1470电子与信息学报第45卷的比例构建训练集和测试集，进行特征提取和模式识别，实验结果如图9和图10所示。通过图9、图10的对比，可以得到如下结论：(1)自适应快速S变换在实测心电信号数据集上图8基于AFST提取的特征可视化分布情况表 2 分类结果(%)心电类型AccSenSpePPVNORM99.6899.0699.3098.95LBBB99.4398.8399.5899.64RBBB99.5299.5499.9099.96APC99.7099.3698.8699.43PVC99.6199.4899.7199.29总计99.5999.2599.4799.45表 3 各算法性能对比特征提取方法分类器特征提取时间(s)分类器运行时间(s)准确率(%)ST随机森林389.106.4284.14GBDT4.9880.29XGBoost4.3585.95改进XGBoost4.3588.53AFST随机森林152.076.4798.42GBDT4.9897.74XGBoost4.3699.06改进XGBoost4.3699.59表 4 不同分类方法对比(%)方法分类器ECG特征AccSenSpePPVWavelet24E-SVM小波系数、R-R间期、形态特征94.5094.7093.90Wavelet8RNN-LSTM小波系数、R-R间期、形态特征97.1085.7094.2898.35TSFEL16RT+SVM统计学特征、时频特征98.2184.2195.9592.81XWT8SVM小波系数、R-R间期、时域特征98.5099.6998.80SST25SVMSST系数、R-R间期、形态特征84.7180.4370.75ST11GA-SVMR-R间期、时频特征、形态特征99.7499.4299.83AFST改进XGBoost时频特征99.5999.2599.4799.45第4期袁莉芬等：基于自适应快速S变换和XGBoost的心电信号精确快速分类方法1471表现优异，5类心电信号准确率维持在96.5%以上，平均准确率为97.32%，显著高于ST和FST。在特征提取时间上，AFST时间最短，约为FST的47%，ST的28%。(2)改进的XGBoost在4类分类器中性能最佳，在保持了传统XGBoost较快运行速度的同时，获得了最高的识别准确率。实验证明了本文提出的算法的高效性和可靠性，适用于数据样本不平衡的现场实测环境。5 结束语心电信号的检测和分类，有利于各类心脏疾病的诊断和治疗，有利于促进心血管疾病的临床研究，具有极其重要的临床意义。本文针对心电信号传统分类方法效率较低的问题，提出了一种自适应快速S变换和XGBoost的心电信号快速分类方法，实现了5类常见心电信号类型的快速准确分类。与传统方法相比，本文提出的方法准确率更高、算法耗时更短，满足心电信号分类的临床需求。由于本文只研究了5类常见心电信号类型，在未来工作中，可以继续应用本文方法开展更多心电信号类型的诊断研究。参 考 文 献KREATSOUSCandANANDSS.TheimpactofsocialdeterminantsoncardiovasculardiseaseJ.CanadianJournalofCardiology,2010,26SupplC:8C13C.doi:10.1016/S0828-282X(10)71075-8.1World Health Organization.Cardiovascular disease(CVDs)EB/OL.https:/www.who.int/en/news-room/fact-sheets/detail/cardiovascular-diseases-(cvds),2021.2AMORIMP,MORAEST,FAZANAROD,et al.ShearletandcontourlettransformsforanalysisofelectrocardiogramsignalsJ.Computer Methods and Programs in Biomedicine,2018,161:125132.doi:10.1016/j.cmpb.2018.04.021.3吴志勇,丁香乾,许晓伟,等.基于深度学习和模糊C均值的心电信号分类方法J.自动化学报,2018,44(10):19131920.doi:10.16383/j.aas.2018.c170417.WUZhiyong,DINGXiangqian,XUXiaowei,et al.AmethodforECGclassificationusingdeeplearningandfuzzyC-meansJ.Acta Automatica Sinica,2018,44(10):19131920.doi:10.16383/j.aas.2018.c170417.4DE CHAZAL P,ODWYER M,and REILLY R B.Automatic classification of heartbeats using ECGmorphologyandheartbeatintervalfeaturesJ.IEEETransactions on Biomedical Engineering,2004,51(7):5图10不同分类器性能比较图9不同特征提取方法性能比较1472电子与信息学报第45卷11961206.doi:10.1109/TBME.2004.827359.MAR T,ZAUNSEDER S,MARTNEZ J P,et al.OptimizationofECGclassificationbymeansoffeatureselectionJ.IEEE Transactions on Biomedical Engineering,2011,58(8):21682177.doi:10.1109/TBME.2011.2113395.6王金海,史梦颖,张兴华.基于EMD和ApEn特征提取的心律失常分类研究J.仪器仪表学报,2016,37(S1):168173.doi:10.19650/ki.cjsi.2016.s1.028.WANGJinhai,SHIMengying,andZHANGXinghua.ClassificationofarrhythmiasbasedonEMDandApEnfeature extractionJ.Chinese Journal of ScientificInstrument,2016,37(S1):168173.doi:10.19650/ki.cjsi.2016.s1.028.7JACOBNandJOSEPHLA.ClassificationofECGbeatsusing cross wavelet transform and support vectormachinesC.2015IEEERecentAdvancesinIntelligentComputationalSystems(RAICS),Trivandrum,India,2015.doi:10.1109/RAICS.2015.7488412.8尹柏强,邓影,王署东,等.时频广义S变换和VL-MOBP神经网络在人体动作识别中的应用J.电子测量与仪器学报,2020,34(11):19.doi:10.13382/j.jemi.B2003032.YIN Baiqiang,DENG Ying,WANG Shudong,et al.Applicationoftime-frequencygeneralizedStransformandVL-MOBPneuralnetworkinhumanmotionrecognitionJ.Journal of Electronic Measurement and Instrumentation,2020,34(11):19.doi:10.13382/j.jemi.B2003032.9DASMKandARIS.ElectrocardiogrambeatclassificationusingS-transformbasedfeaturesetJ.Journal of Mechanicsin Medicine and Biology,2014,14(5):1450066.doi:10.1142/S0219519414500663.10YANGJianyongandYANRuqiang.Amultidimensionalfeature extraction and selection method for ECGarrhythmiasclassificationJ.IEEE Sensors Journal,2021,21(13):1418014190.doi:10.1109/JSEN.2020.3047962.11RAJSandRAYKC.ECGsignalanalysisusingDCT-Based DOST and PSO optimized SVMJ.IEEETransactions on Instrumentation and Measurement,2017,66(3):470478.doi:10.1109/TIM.2016.2642758.12SINHANandDASA.IdentificationandlocalizationofmyocardialinfarctionbasedonanalysisofECGsignalincrossspectraldomainusingboostedSVMclassifierJ.IEEETransactions on Instrumentation and Measurement,2021,70:4007409.doi:10.1109/TIM.2021.3117663.13HOUBorui,YANGJianyong,WANGPu,et al.LSTM-based auto-encoder model for ECG arrhythmiasclassificationJ.IEEE Transactions on Instrumentation and14Measurement,2020,69(4):12321240.doi:10.1109/TIM.2019.2910342.柯丽,王丹妮,杜强,等.基于卷积长短时记忆网络的心律失常分类方法J.电子与信息学报,2020,42(8):19901998.doi:10.11999/JEIT190712.KELi,WANGDanni,DUQiang,et al.Arrhythmiaclassif