CN104622446A - 一种基于khm聚类算法的心率变异信号优化方法 - Google Patents

Abstract

本发明提供一种基于KHM聚类算法的心率变异信号优化方法，包括以下步骤：步骤1，对由非接触式生命体征监护***获得的心跳信号进行峰值检测和周期计算得到心率变异信号；步骤2，对步骤1获得的心率变异信号采用KHM聚类算法对心率变异信号进行优化处理，剔除由呼吸谐波、随机运动等造成的无关干扰项，从而实现心率变异性信号的优化；步骤3，对步骤2中优化后的心率变异信号利用三次样条插值原理形成心率变异信号时域波形图。本发明通过KHM聚类分析算法能够有效剔除心跳信号中的无关干扰项，从而实现心率变异性信号的优化。

Description

一种基于KHM聚类算法的心率变异信号优化方法

技术领域

本发明属于雷达领域，特别设计一种基于KHM聚类算法的心率变异信号优化方法。

背景技术

心率变异是指逐波心动周期之间的时间变异数。正常人的心律也并非绝对整齐，其两次心脏跳动之间会有微小的时间差异，通过测量连续时间的正常的心脏跳动期间的变异数，即可以了解心率变异性。心率变异信号作为一种易获得心跳情况的无创手段，再加上其也能适当反映人体心理状态的特点，已经广为研究者接受和使用。

由于***所获取的心跳信号中，有很大可能性存在呼吸信号高次谐波、身体随机运动以及***自抖动等干扰项。所以尝试利用基于统计学中的聚类分析的方法，选择合适的点，同时去除不良峰值点，以此尽可能对此类误差的影响进行消除。

聚类分析方法的主要依据是“物以类聚”的基本原理，根据数据集合中固有的特点计算数据间的相似性进行划分，即相似性满足一定条件的数据划分到一组，不满足条件的划分到不同的组里。聚类分析不同于普通分类之处在于，聚类分析在分类之前不知道每个样本的类别或者类别的特征。实际应用中，聚类分析通常是作为数据处理的预处理过程，为其后续的分析与处理打下良好基础。

KHM算法(The k-harmonic means algorithm，K调和均值算法)是基于KM算法(The k means algorithm，K均值算法)的改进，也是FCM算法(fuzzy c-means,模糊聚类算法)的特殊情况。

调和平均数(Harmonic Average)定义为对各个单位值取导数，然后其倒数相加平均，之后再做倒数。主要用于仅知道端点，而不知道中间连续变量的情况下。

在传统的K均值聚类分析中，初始值的选取是一个非常重要的问题，不同的初始中心可以出现不同的聚类结果。因此，选择对初始聚类中心不敏感的算法逐渐受到重视。由于调和平均数对初始值不敏感，因此，KHM算法在不断地迭代过程中，对聚类中心不断的进行更新，从而相对传统KM算法有所改进。

发明内容

为了克服现有技术存在的问题，本发明通过KHM聚类分析算法能够有效剔除心跳信号中的无关干扰项，从而实现心率变异性信号的优化。

实现本发明目的的技术解决方案为：

步骤1，对由非接触式生命体征监护***获得的心跳信号进行峰值检测和周期计算得到心率变异信号；

步骤2，对步骤1获得的心率变异信号采用KHM聚类算法对心率变异信号进行优化处理，剔除由呼吸谐波、随机运动等造成的无关干扰项，从而实现心率变异性信号的优化；

步骤3，对步骤2中优化后的心率变异信号利用三次样条插值原理形成心率变异信号时域波形图。

(1)步骤1中心率变异信号的获取的具体方法为：

步骤1.1，对原始心跳信号进行峰值检测，获得心跳信号的各个峰值点；

步骤1.2，利用得到的峰值点进行心跳信号的周期计算，获得心跳信号的周期。

(2)步骤2中KHM聚类算法主要包括如下步骤：

步骤2.1，定义心率变异信号的数据点集合X＝{x₁,x₂...x_n}，聚类中心的集合C＝{c₁,c₂,...,c_n}定义阈值ε；

步骤2.2，任意取聚类中心c_j并且随机初始化聚类中心集合C；

步骤2.3，计算目标函数值k表示数据分类个数，p≥2表示模糊指数，l表示此次迭代次序；

步骤2.4，计算第i个数据点x_i到第j个聚类中心c_j的隶属度∪(c_j/x_i)

$\∪(c_j/x_i)=\frac{{\left|\right|x_i-x_j\left|\right|}^{-p-2}}{{\left({\mathrm{\Σ}}_{j=1}^k{\left|\right|x_i-c_j\left|\right|}^{-p}\right)}^2}$

步骤2.5，计算每个数据点的权重w(x_i)

$w\left(x_i\right)=\frac{{\mathrm{\Σ}}_{j=1}^k{\left|\right|x_i-c_j\left|\right|}^{-p-2}}{{\left({\mathrm{\Σ}}_{j=1}^k{\left|\right|x_i-c_j\left|\right|}^{-p}\right)}^2}$

步骤2.6，根据数据点的隶属度∪(c_j/x_i)和权重w(x_i)更新聚类中心公式：

$c_j=\frac{{\mathrm{\Σ}}_{i=1}^n\∪(c_j/x_i)w\left(x_i\right)x_i}{{\mathrm{\Σ}}_{i=1}^n\∪(c_j/x_i)w\left(x_i\right)}$

步骤2.7，重新计算KHM_l+1值；

步骤2.8，如果||KHM_l+1-KHM_l||＜ε，则计算停止，输出优化后的心率变异性信号；否则转回步骤2.3。

本发明与现有技术相比，具有以下优点：本发明先采取传统方法获取原始心率变异信号，然后利用KHM聚类算法剔除心率变异信号中的无关干扰项，从而实现心率变异性信号的优化。本发明有效可靠，优化效果明显。

下面结合说明书附图对本发明做进一步说明。

附图说明

图1为本发明的实现流程框图。

图2为本发明的由采集数据拟合成的原始心跳信号波形图。

图3为本发明的未经KHM聚类算法处理的心率变异信号。

图4为本发明的未经KHM聚类算法处理的心率变异信号时域波形图。

图5为本发明的经过KHM聚类算法处理的心率变异信号。

图6为本发明的经过KHM聚类算法处理的心率变异信号时域波形图。

具体实施方式

结合图1，一种基于KHM聚类算法的心率变异信号优化方法，方法步骤如下：

步骤1，对由非接触式生命体征监护***获得的心跳信号进行峰值检测和周期计算得到心率变异信号；

步骤2，对步骤1获得的心率变异信号采用KHM聚类算法对心率变异信号进行优化处理，剔除由呼吸谐波、随机运动等造成的无关干扰项，从而实现心率变异性信号的优化；

步骤3，对步骤2中优化后的心率变异信号利用三次样条插值原理形成心率变异信号时域波形图；

步骤1中心率变异信号的获取的具体方法为：

步骤1.1，对原始心跳信号进行峰值检测，获得心跳信号的各个峰值点；

步骤1.2，利用得到的峰值点进行心跳信号的周期计算，获得心跳信号的周期。

步骤2中KHM聚类算法主要包括如下步骤：

步骤2.1，定义X＝{x₁,x₂...x_n}表示被聚类的数据，在这里即表示之前获得的原始心率变异信号的数据集。∪(c_j/x_i)定义数据中样本x_i隶属于聚类中心c_j的隶属度，C＝{c₁,c₂,...,c_n}表示聚类中心的集合，p表示KHM算法的模糊指数，一般情况下模糊指数p≥2，w(x_ij)表示权重，即下一次迭代过程中，数据样本对聚类中心重新计算的影响程度。

输入端：心率变异信号的数据集以及分类的个数k；

输出端：满足KHM最小隶属度的矩阵和聚类中心矩阵。

步骤2.2，任意取聚类中心c_j并且随机初始化聚类中心集合C，设迭代次数l＝1；

步骤2.3，计算目标函数值 ${\mathrm{KHM}}_l(X,C)={\mathrm{\Σ}}_1^n\frac{k}{{\mathrm{\Σ}}_{j=1}^k\frac{1}{{\left|\right|x_i-c_i\left|\right|}^p}}p\≥2,$ k表示数据分类个数，p表示模糊指数，l表示此次迭代次序；

步骤2.4，计算第i个数据点x_i到第j个聚类中心c_j的隶属度∪(c_j/x_i)，公式如下：

$\∪(c_j/x_i)=\frac{{\left|\right|x_i-x_j\left|\right|}^{-p-2}}{{\left({\mathrm{\Σ}}_{j=1}^k{\left|\right|x_i-c_j\left|\right|}^{-p}\right)}^2}$

步骤2.5，计算每个数据点的权重w(x_i)，公式如下：

$w\left(x_i\right)=\frac{{\mathrm{\Σ}}_{j=1}^k{\left|\right|x_i-c_j\left|\right|}^{-p-2}}{{\left({\mathrm{\Σ}}_{j=1}^k{\left|\right|x_i-c_j\left|\right|}^{-p}\right)}^2}$

步骤2.6，根据数据点的隶属度∪(c_j/x_i)和权重w(x_i)更新聚类中心公式：

$c_j=\frac{{\mathrm{\Σ}}_{i=1}^n\∪(c_j/x_i)w\left(x_i\right)x_i}{{\mathrm{\Σ}}_{i=1}^n\∪(c_j/x_i)w\left(x_i\right)}$

步骤2.7，l＝l+1，重新计算KHM_l+1值；

步骤2.8，如果||KHM_l+1-KHM_l||＜ε，则计算停止，其中ε是我们所规定的一个值；否则转回步骤2.3。

通过以上步骤最后就能得到获取所需优化后的心率变异信号。

结合图2、图3、图4、图5、图6：

首先通过非接触式生命体征监护***采集心跳信号数据，然后通过曲线拟合方法拟合心跳信号，图2是为由采集数据拟合成的原始心跳信号波形图；接着对拟合的原始心跳信号进行峰值检测和周期计算得到未经KHM聚类算法处理的心率变异信号即如图3所示；然后对图3的心率变异信号利用三次样条插值原理形成心率变异信号时域波形图即图4；由于信号中存在由呼吸谐波、随机运动等引起的干扰点，为了剔除不必要的干扰点，引进KHM聚类算法进行处理。对图3利用KHM聚类算法进行优化处理得到经过KHM聚类算法处理的心率变异信号即图5，再对图5利用三次样条插值法进行处理得到经过KHM聚类算法处理的心率变异信号时域波形图即图6。

Claims (3)

1.一种基于KHM聚类算法的心率变异信号优化方法，其特征在于，方法步骤如下：

步骤1，对由非接触式生命体征监护***获得的心跳信号进行峰值检测和周期计算得到心率变异信号；

步骤2，对步骤1获得的心率变异信号采用KHM聚类算法对心率变异信号进行优化处理，剔除由呼吸谐波、随机运动等造成的无关干扰项，从而实现心率变异性信号的优化；

步骤3，对步骤2中优化后的心率变异信号利用三次样条插值法形成心率变异信号时域波形图。

2.根据权利要求书1所述的基于KHM聚类算法的心率变异信号优化方法，其特征在于：步骤1中心率变异信号的获取的具体方法为：

步骤1.1，对原始心跳信号进行峰值检测，获得心跳信号的各个峰值点；

步骤1.2，利用得到的峰值点进行心跳信号的周期计算，获得心跳信号的周期。

3.根据权利要求书1所述的基于KHM聚类算法的心率变异信号优化方法，其特征在于，步骤2中KHM聚类算法主要包括如下步骤：

步骤2.1，定义心率变异信号的数据点集合X＝{x₁,x₂...x_n}，聚类中心的集合C＝{c₁,c₂,...,c_n}，定义阈值ε；

步骤2.2，任意取聚类中心c_j并且随机初始化聚类中心集合C；

步骤2.3，计算目标函数值k表示数据分类个数，p≥2表示模糊指数，l表示此次迭代次序；

步骤2.4，计算第i个数据点x_i到第j个聚类中心c_j的隶属度∪(c_j/x_i) 

步骤2.5，计算每个数据点的权重w(x_i)

步骤2.6，根据数据点的隶属度∪(c_j/x_i)和权重w(x_i)更新聚类中心公式：

步骤2.7，重新计算KHM_l+1值；

步骤2.8，如果||KHM_l+1-KHM_l||＜ε，则计算停止，输出优化后的心率变异性信号；否则转回步骤2.3。