许越凡等：基于一维卷积特征与手工特征融合的集成超限学习机心跳分类方法 1227 2提出的方法 号分割为单个的心跳片段.特征提取阶段分为手 工特征提取和深度特征提取.手工特征包括时域 本节将对所提出的特征融合集成ELM心跳分 特征以及时频特征.同时使用ID CNN自动提取 类方法进行详细论述 心跳信号的深度特征.我们融合手工提取的特征 2.1总体结构 和深度特征，将其作为一个心跳信号的新的特征 图2展示了所提方法的总体结构，总共包括 表示.在心跳分类阶段，为了提升ELM分类性能 4个阶段，分别为ECG信号预处理、心跳分割、特 的稳定性，采用Bagging集成方法组合多个ELM 征提取和心跳分类.在预处理阶段消除了ECG信 分类器，最后以多数投票的方式得到最终的分类 号的基线漂移.在心跳分割阶段将连续的ECG信 结果 ECG signals 300 250 200 150 100 50 -50 500 1000 1500 2000 Sample index Preprocessing 250 200 150 100 Heartbeat 入A 50 segmentation Heartbeat signal 0 50100150200 Sample index Handcrafted feature Deep feature extraction extraction Time-domain feature Time-frequency ID CNN feature extraction feature extraction extraction ELM 1 ELM2 ELM Ensemble ELM Majority voting Heartbeat class 图2心跳分类算法总体结构 Fig.2 Overall structure of the heartbeat classification algorithm 2.2手工特征提取 多分辨分析的特点，而且在时频两域都具有表征 2.2.1RR间期特征提取 信号局部特征的能力.因此，适合于分析非平稳的 RR间期特征反应了心跳在时间域的特性.总 信号和提取信号的局部特征.离散小波变换 共4类RR间期信息被计算：前RR,即当前心跳与 (Discrete wavelet transform,DWT)是小波变换的一 前一个心跳的R峰的时间间隔；后RR,即当前心 种，它是将尺度参数和平移参数离散化.在本文 跳与后一个心跳的R峰的时间间隔：短期RR间 中，我们使用DWT作为特征提取器，提取心跳信 期，当前心跳的前十个RR间期的平均值；长期 号的局部特征.小波类型选择Daubechies1小波， RR间期.当前心跳的前五分钟RR间期的平均值. 小波分解层数为五层.小波分解第五层的近似系 2.2.2时频特征提取 数和细节系数被用来作为一个心跳片段的时频 小波变换是一种时间-频率分析方法，它具有 特征.2    提出的方法 本节将对所提出的特征融合集成 ELM 心跳分 类方法进行详细论述. 2.1    总体结构 图 2 展示了所提方法的总体结构，总共包括 4 个阶段，分别为 ECG 信号预处理、心跳分割、特 征提取和心跳分类. 在预处理阶段消除了 ECG 信 号的基线漂移. 在心跳分割阶段将连续的 ECG 信 号分割为单个的心跳片段. 特征提取阶段分为手 工特征提取和深度特征提取. 手工特征包括时域 特征以及时频特征. 同时使用 1D CNN 自动提取 心跳信号的深度特征. 我们融合手工提取的特征 和深度特征，将其作为一个心跳信号的新的特征 表示. 在心跳分类阶段，为了提升 ELM 分类性能 的稳定性，采用 Bagging 集成方法组合多个 ELM 分类器，最后以多数投票的方式得到最终的分类 结果. Voltage/mV 300 250 200 150 100 50 0 1000 1500 2000 500 0 −50 Preprocessing Heartbeat segmentation Time-domain feature extraction Time-frequency feature extraction 1D CNN feature extraction Deep feature extraction ECG signals ELM 1 ELM 2 ... ELM n Ensemble ELM Heartbeat signal Majority voting Heartbeat class Handcrafted feature extraction Voltage/mV Sample index Sample index 250 200 200 150 150 100 100 50 50 0 0 图 2    心跳分类算法总体结构 Fig.2    Overall structure of the heartbeat classification algorithm 2.2    手工特征提取 2.2.1    RR 间期特征提取 RR 间期特征反应了心跳在时间域的特性. 总 共 4 类 RR 间期信息被计算：前 RR，即当前心跳与 前一个心跳的 R 峰的时间间隔；后 RR，即当前心 跳与后一个心跳的 R 峰的时间间隔；短期 RR 间 期，当前心跳的前十个 RR 间期的平均值；长期 RR 间期，当前心跳的前五分钟 RR 间期的平均值. 2.2.2    时频特征提取 小波变换是一种时间−频率分析方法，它具有 多分辨分析的特点，而且在时频两域都具有表征 信号局部特征的能力. 因此，适合于分析非平稳的 信号和提取信号的局部特征 . 离散小波变换 （Discrete wavelet transform，DWT）是小波变换的一 种，它是将尺度参数和平移参数离散化. 在本文 中，我们使用 DWT 作为特征提取器，提取心跳信 号的局部特征. 小波类型选择 Daubechies 1 小波， 小波分解层数为五层. 小波分解第五层的近似系 数和细节系数被用来作为一个心跳片段的时频 特征. 许越凡等： 基于一维卷积特征与手工特征融合的集成超限学习机心跳分类方法 · 1227 ·