本文關(guān)鍵詞：一種基于MBE和HHT的心電信號(hào)自動(dòng)分類方法　出處：《航天醫(yī)學(xué)與醫(yī)學(xué)工程》2017年01期 　論文類型：期刊論文

  更多相關(guān)文章： 自動(dòng)分類 心電信號(hào) 多尺度化基本尺度熵 希爾伯特-黃變換 支持向量機(jī)

【摘要】：目的研究一種基于多尺度化基本尺度熵(multiscale base-scale entropy,MBE)和希爾伯特-黃變換(Hilbert-Huang transform,HHT)的心電信號(hào)自動(dòng)分類方法。方法首先利用離散小波變換對心電信號(hào)進(jìn)行去噪預(yù)處理;其次利用多尺度化基本尺度熵進(jìn)行分析,提取多個(gè)尺度下的基本尺度熵值;然后利用希爾伯特-黃變換得到希爾伯特邊際譜,并求取邊際譜的信息熵;最后將這兩部分特征參數(shù)輸入到支持向量機(jī)中,實(shí)現(xiàn)心電信號(hào)的自動(dòng)分類。結(jié)果健康人、心律不齊患者、呼吸暫�；颊吆头款澔颊叩男碾娦盘�(hào)分類準(zhǔn)確率分別為87.5%、93.75%、90.63%和90.63%。結(jié)論本文提出的基于多尺度化基本尺度熵和希爾伯特-黃變換的分類方法,可以有效實(shí)現(xiàn)心電信號(hào)的自動(dòng)分類。
[Abstract]:Objective to study a multiscale base-scale entropy based on multi-scale basic scale entropy. And Hilbert-Huang transform. Firstly, the discrete wavelet transform is used to pre-process the ECG signal. Secondly, the basic scale entropy of multiple scales is extracted by using the multi-scale basic scale entropy analysis. Then the Hilbert marginal spectrum is obtained by Hilbert-Huang transform and the information entropy of the marginal spectrum is obtained. Finally, the feature parameters of these two parts are input into support vector machine to realize the automatic classification of ECG signals. Results healthy people, patients with arrhythmia. The accuracy of ECG classification in patients with apnea and atrial fibrillation was 87.5% and 93.75% respectively. Conclusion the classification method based on multi-scale basic scale entropy and Hilbert-Huang transform can effectively realize the automatic classification of ECG signals.
【作者單位】： 北京理工大學(xué)信息與電子學(xué)院;
【分類號(hào)】：R540.4;TN911.7
【正文快照】： 心電(electrocardiogram,ECG)信號(hào)中蘊(yùn)含著許多關(guān)于心臟生理功能的信息,對ECG信號(hào)進(jìn)行分類是心血管疾病診斷的重要途徑[1]。通過對ECG信號(hào)進(jìn)行分析能夠獲得反映心臟健康狀況的特征參數(shù),可作為ECG信號(hào)分類的有效依據(jù)[2]。ECG信號(hào)分類的傳統(tǒng)方法主要是人工方式,但此方法耗費(fèi)時(shí)間

【相似文獻(xiàn)】

相關(guān)期刊論文 前2條

1 宋莉;孟慶建;張光玉;車琳琳;曹衛(wèi)芳;;基于波形特征和SVM的心電信號(hào)自動(dòng)分類方法研究[J];中國醫(yī)學(xué)物理學(xué)雜志;2010年04期

2 ;[J];;年期

相關(guān)會(huì)議論文 前1條

1 劉杰;王光飛;;體視化中的自動(dòng)分類方法[A];2004年CT和三維成像學(xué)術(shù)年會(huì)論文集[C];2004年

相關(guān)碩士學(xué)位論文 前10條

1 樊承柱;基于深度神經(jīng)網(wǎng)絡(luò)的心電圖自動(dòng)分類方法研究與實(shí)現(xiàn)[D];山東大學(xué);2016年

2 蔚磊;基于地域風(fēng)格的中國民歌自動(dòng)分類方法的研究[D];中國人民大學(xué);2008年

3 姚振農(nóng);產(chǎn)品專利自動(dòng)分類方法研究與應(yīng)用[D];浙江大學(xué);2008年

4 范敏敏;企業(yè)經(jīng)營范圍字段自動(dòng)分類方法研究[D];哈爾濱工業(yè)大學(xué);2010年

5 陳國旭;垂直剖面法礦產(chǎn)資源儲(chǔ)量估算軟件實(shí)現(xiàn)技術(shù)及自動(dòng)分類方法研究[D];中國地質(zhì)大學(xué);2008年

6 魏娜;基于SVM的車輛自動(dòng)分類方法研究與實(shí)現(xiàn)[D];蘇州大學(xué);2008年

7 韓杰;路面病害圖像自動(dòng)分類方法研究與分析[D];南京理工大學(xué);2007年

8 江斌;微博自動(dòng)分類方法研究及應(yīng)用[D];哈爾濱工業(yè)大學(xué);2012年

9 李岱超;社區(qū)用戶信息自動(dòng)分類方法的研究與實(shí)現(xiàn)[D];北京郵電大學(xué);2015年

10 呂鳳花;基于SVM的考慮傾斜角度的車輛分類方法的研究[D];昆明理工大學(xué);2011年

，

本文編號(hào)：1410770