本文關(guān)鍵詞：基于核獨(dú)立成分分析的心電信號(hào)特征提取和分類算法研究

  更多相關(guān)文章： 心電信號(hào) 特征提取 分類 核獨(dú)立成分分析 支持向量機(jī)

【摘要】：隨著人們生活水平的逐步提高,人們對(duì)健康的意識(shí)也在不斷增強(qiáng)。然而現(xiàn)今心臟病的發(fā)病率也在逐年升高,已逐漸成為威脅人類健康的“第一殺手”,因此掌握其發(fā)生、發(fā)展規(guī)律及其防治措施極其重要。心電圖作為心臟電活動(dòng)在體表的反映,在臨床上對(duì)于心臟部分疾病的檢測(cè)和診斷具有重要的指導(dǎo)意義。由于心電信號(hào)波形的復(fù)雜多變性,加上各種噪聲的干擾,使得從心電圖中提取有效數(shù)據(jù)特征變得困難。因此,對(duì)心電信號(hào)特征提取和分類算法進(jìn)行研究具有重要的理論和現(xiàn)實(shí)應(yīng)用價(jià)值。本文根據(jù)心電信號(hào)的特點(diǎn)提出了一種改進(jìn)的基于核獨(dú)立成分分析結(jié)合離散小波變換提取心電信號(hào)特征的算法。首先通過(guò)主成分分析對(duì)用于核獨(dú)立成分分析提取非線性特征的樣本數(shù)據(jù)進(jìn)行降維優(yōu)化得到20維特征,再通過(guò)離散小波變換提取第一尺度到第四尺度的細(xì)節(jié)系數(shù)和第四尺度的近似系數(shù)作為頻域特征,采用統(tǒng)計(jì)學(xué)方法分別取其最大值、最小值、平均值和標(biāo)準(zhǔn)偏差后得到20維頻域特征,采用線性判別法將數(shù)據(jù)優(yōu)化到4維,最后將優(yōu)化的特征組成多域特征空間。分類診斷中對(duì)于支持向量機(jī)的分類器設(shè)計(jì),本文選取LIBSVM作為分類器對(duì)優(yōu)化后的特征向量分類,并采用遺傳算法對(duì)LIBSVM的懲罰因子C和徑向基函數(shù)的核寬度g兩個(gè)參數(shù)進(jìn)行尋優(yōu),然后對(duì)MIT-BIH心律異常數(shù)據(jù)庫(kù)的正常的心電信號(hào)、左束支傳導(dǎo)阻滯、右束支傳導(dǎo)阻滯、心室早期收縮和心房早期收縮五種信號(hào)進(jìn)行分類。分類器的性能統(tǒng)計(jì)指標(biāo)有靈敏度、特異度和陽(yáng)性預(yù)測(cè)準(zhǔn)確度,它們的平均值分別為98.50%、99.69%和98.91%。另外,測(cè)試集的分類準(zhǔn)確率為98.8%,達(dá)到了預(yù)期的分類效果。本文最后采用該算法對(duì)Prosim 2生命體征模擬器采集到的心電信號(hào)進(jìn)行了實(shí)驗(yàn)分類。本文通過(guò)準(zhǔn)確提取最能反映心電信號(hào)本質(zhì)的特征,實(shí)現(xiàn)了對(duì)不同類型心電信號(hào)進(jìn)行高精度的分類識(shí)別。這對(duì)于提高診斷效率,縮短診斷時(shí)間,對(duì)心臟病患者的病情監(jiān)護(hù)以及康復(fù)后的有效評(píng)價(jià)具有積極意義。
【關(guān)鍵詞】：心電信號(hào) 特征提取 分類 核獨(dú)立成分分析 支持向量機(jī)
【學(xué)位授予單位】：天津工業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TN911.7;R540.4
【目錄】：

• 學(xué)位論文的主要?jiǎng)?chuàng)新點(diǎn)3-4
• 摘要4-5
• ABSTRACT5-9
• 第一章 緒論9-15
• 1.1 課題的研究目的和意義9
• 1.2 課題的國(guó)內(nèi)外研究現(xiàn)狀及發(fā)展動(dòng)態(tài)9-12
• 1.2.1 心電信號(hào)特征提取的研究現(xiàn)狀及發(fā)展動(dòng)態(tài)10-11
• 1.2.2 心電信號(hào)分類識(shí)別的研究現(xiàn)狀及發(fā)展動(dòng)態(tài)11-12
• 1.3 本文的主要研究?jī)?nèi)容及章節(jié)安排12-15
• 第二章 心電學(xué)理論基礎(chǔ)15-21
• 2.1 心電信號(hào)產(chǎn)生的機(jī)理15-16
• 2.2 正常心電信號(hào)波形的意義16-17
• 2.3 心律失常的原因17-18
• 2.4 常用標(biāo)準(zhǔn)心電數(shù)據(jù)庫(kù)18-19
• 2.5 本章小結(jié)19-21
• 第三章 核獨(dú)立成分分析21-31
• 3.1 獨(dú)立成分分析(ICA)21-23
• 3.1.1 ICA的基本原理21-22
• 3.1.2 ICA問(wèn)題的求解22-23
• 3.1.3 ICA技術(shù)的優(yōu)勢(shì)和缺陷23
• 3.2 核方法23-26
• 3.2.1 核方法的理論基礎(chǔ)23-24
• 3.2.2 核函數(shù)的定義24
• 3.2.3 再生核和再生核Hilbert空間24-25
• 3.2.4 Gram矩陣25-26
• 3.3 核獨(dú)立成分分析26-30
• 3.3.1 核典型相關(guān)分析26-28
• 3.3.2 核獨(dú)立成分分析的求解28-30
• 3.4 本章小結(jié)30-31
• 第四章 心電信號(hào)的多域特征提取算法研究31-43
• 4.1 實(shí)驗(yàn)數(shù)據(jù)的選取31-33
• 4.2 基于KICA方法的心電信號(hào)非線性特征提取33-36
• 4.2.1 主成分分析法33-35
• 4.2.2 非線性特征提取的仿真35-36
• 4.3 基于離散小波分析的心電信號(hào)頻域特征提取36-42
• 4.3.1 線性判別法36-37
• 4.3.2 頻域特征提取的仿真37-42
• 4.4 本章小結(jié)42-43
• 第五章 基于支持向量機(jī)的分類器設(shè)計(jì)43-57
• 5.1 常用的心電信號(hào)分類算法43-44
• 5.2 統(tǒng)計(jì)學(xué)習(xí)理論與支持向量機(jī)44-49
• 5.2.1 統(tǒng)計(jì)學(xué)習(xí)理論44-45
• 5.2.2 支持向量機(jī)45-49
• 5.3 遺傳算法參數(shù)尋優(yōu)在LIBSVM中的應(yīng)用49-50
• 5.4 ECG數(shù)據(jù)分類結(jié)果與分析50-56
• 5.4.1 分類器的性能評(píng)估50-51
• 5.4.2 ECG數(shù)據(jù)的分類結(jié)果51-56
• 5.5 本章小結(jié)56-57
• 第六章 心律失常分類的實(shí)驗(yàn)設(shè)計(jì)57-65
• 6.1 心電信號(hào)采集系統(tǒng)的設(shè)計(jì)57-60
• 6.2 Prosim 2生命體征模擬器的信號(hào)采集和分類60-64
• 6.3 本章小結(jié)64-65
• 第七章 總結(jié)與展望65-67
• 7.1 論文工作總結(jié)65-66
• 7.2 展望66-67
• 參考文獻(xiàn)67-71
• 發(fā)表論文和參加科研情況71-73
• 致謝73

【相似文獻(xiàn)】

中國(guó)重要會(huì)議論文全文數(shù)據(jù)庫(kù) 前3條

1 王國(guó)慶;董春紅;孫雨安;丁青竹;孫曉麗;;基于核獨(dú)立成分分析-小波變換-紅外光譜法的地黃炮制過(guò)程監(jiān)控[A];第九屆全國(guó)計(jì)算（機(jī)）化學(xué)學(xué)術(shù)會(huì)議論文摘要集[C];2007年

2 傅若瑋;宋執(zhí)環(huán);;基于核獨(dú)立成分分析的過(guò)程故障檢測(cè)方法[A];全國(guó)第19屆計(jì)算機(jī)技術(shù)與應(yīng)用（CACIS）學(xué)術(shù)會(huì)議論文集（上冊(cè)）[C];2008年

3 李華;李吉光;高鈞;張?zhí)忑?李華;;在線紅外結(jié)合核獨(dú)立成分分析對(duì)3,5-二氨基-1,2,4-三唑合成機(jī)理的研究[A];中國(guó)化學(xué)會(huì)第29屆學(xué)術(shù)年會(huì)摘要集——第19分會(huì)：化學(xué)信息學(xué)與化學(xué)計(jì)量學(xué)[C];2014年

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前7條

1 梁歡;基于核獨(dú)立成分分析的心電信號(hào)特征提取和分類算法研究[D];天津工業(yè)大學(xué);2016年

2 彭磊;分塊核獨(dú)立成分分析的人臉識(shí)別方法研究[D];廣東工業(yè)大學(xué);2012年

3 祝元春;基于核獨(dú)立成分分析的發(fā)酵過(guò)程監(jiān)測(cè)方法研究[D];北京化工大學(xué);2013年

4 劉卓欣;基于核獨(dú)立成分分析的邊緣特征表示[D];華南理工大學(xué);2011年

5 婁俊;基于核獨(dú)立成分分析的人臉檢測(cè)與識(shí)別系統(tǒng)的應(yīng)用研究[D];武漢科技大學(xué);2008年

6 任亞平;基于核獨(dú)立成分分析的圖像去噪[D];華南理工大學(xué);2011年

7 孫士博;核獨(dú)立成分分析在心律失常模式分類中的應(yīng)用[D];燕山大學(xué);2009年

，

本文編號(hào)：970396