本文關鍵詞： 心電圖 決策表 心律失常分類 高階統(tǒng)計量 粗糙集理論　出處：《電子科技大學》2014年碩士論文　論文類型：學位論文

【摘要】：隨著現(xiàn)在人們生活水平的提高,心血管類的疾病的發(fā)病率也變得更高了,甚至被稱為全球“頭號殺手”。而對傳統(tǒng)的人工對心電信號進行識別,容易由于醫(yī)務人員疲勞等原因易產(chǎn)生誤判或漏判。對心電信號的自動診斷能夠將醫(yī)務人員從煩瑣的心電圖形識別中解脫出來,提高診斷心血管疾病的效率。對此,本文提出了一個新的心律失常分類的方法,利用高階統(tǒng)計量的方法和決策表分類器的方法對心電信號進行分析與識別。本文按照心電信號的自動診斷的順序,從預處理到最后的心電波形識別的具體操作一步步作了介紹。通過心電儀器從病人身上得到的心電信號,需要經(jīng)過一些預處理操作,去除工頻干擾,基線漂移等噪音干擾。由于本文采用的是MIT-BIH心律失常標準數(shù)據(jù)庫,因而預處理的除噪過程和波形檢測的過程本文并沒有詳細介紹。本文所研究的主要內容有如下幾點:1.由于特征提取的2個基本原則,一是讓同類間的數(shù)據(jù)特征差異盡量小,二是讓不同類間的數(shù)據(jù)特征差異盡量大。而本文經(jīng)過對一些原始心電波形的形態(tài)進行觀察和分析,發(fā)現(xiàn)基于原始心電信號的波形個體差異變得很大。本文采用了高階統(tǒng)計量的方法,將原始波形變換到三個累積量(二階累積量、三階累積量和四階累積量)上,通過在matlab中繪圖并觀測可知,同類型的心電信號的波形經(jīng)過變換之后個體差異明顯變小了。2.經(jīng)過提取到高階統(tǒng)計量的特征,結合心電信號波形的RR間期特征,得到一個含有18個特征的特征向量。本文利用一個基于粗糙集理論的決策表分類器進行分類。利用在特征提取中得到的18個特征,將其作為決策表的條件屬性,而根據(jù)AAMI標準將所有的心電信號波形所分成5種類型便作為決策表的決策屬性。利用MIT-BIH數(shù)據(jù)庫中的心電信號記錄對決策表進行訓練,并約簡,得到一個簡化的決策表。本文便是利用這個簡化的決策表對心電信號波形進行識別的。3.本文將MIT-BIH數(shù)據(jù)庫中第101條記錄中前1000個正常搏動類型心電波形訓練決策表分類器,然后再對后續(xù)500條正常搏動類型的心電波形進行測驗。可以得到該決策表的分類精度達到了90.2%。當所訓練的樣本足夠大時,決策表分類器的分類效果很可觀。
[Abstract]:With the improvement of people's living standards, the incidence of cardiovascular diseases has become higher, even known as the "number one killer" in the world. It is easy to misjudge or miss judgment because of medical staff fatigue and other reasons. Automatic diagnosis of ECG signals can free medical workers from tedious electrocardiogram recognition and improve the efficiency of diagnosing cardiovascular diseases. In this paper, a new method of arrhythmia classification is proposed, which uses the method of high order statistics and the method of decision table classifier to analyze and recognize ECG signal. The specific operation of ECG waveform recognition from pretreatment to final ECG waveform recognition is introduced step by step. The ECG signals obtained from patients by ECG instruments need some pretreatment operations to remove power frequency interference. Noise interference such as baseline drift. Because the MIT-BIH arrhythmia standard database is used in this paper, Therefore, the process of pre-processing noise removal and waveform detection is not introduced in detail in this paper. The main contents of this paper are as follows: 1.Because of the two basic principles of feature extraction, one is to make the difference of data features between the same kind as small as possible. The second is to make the data characteristics of different classes as different as possible. And this paper has observed and analyzed the shape of some original ECG waveforms. It is found that the individual difference of the waveform based on the original ECG signal becomes very large. In this paper, the original waveform is transformed into three cumulants (second-order cumulant, third-order cumulant and fourth-order cumulant) using the method of high-order statistics. By drawing and observing in matlab, we can see that the individual difference of the same type of ECG signal is obviously reduced after the transformation. 2. After extracting the feature of high order statistics, combining with the RR interval feature of ECG waveform, A feature vector containing 18 features is obtained. In this paper, a decision table classifier based on rough set theory is used to classify. 18 features obtained in feature extraction are used as conditional attributes of decision table. According to the AAMI standard, all ECG waveforms are divided into five types as decision attributes of decision tables. The ECG records in MIT-BIH database are used to train and reduce the decision tables. A simplified decision table is obtained. This paper uses this simplified decision table to identify ECG waveform. In this paper, the first 1000 normal pulse type ECG waveform training decision table classifiers in MIT-BIH database are used. Then, 500 ECG waveforms of normal pulsatile type are tested. The classification accuracy of the decision table is 90.2. When the trained sample is large enough, the classification effect of the decision table classifier is remarkable.
【學位授予單位】：電子科技大學
【學位級別】：碩士
【學位授予年份】：2014
【分類號】：R540.4;TN911.7

【相似文獻】

相關期刊論文 前1條

1 唐朝輝;陳玉明;;基于粗糙集正域的醫(yī)療決策表約簡算法[J];宜春學院學報;2012年08期

相關會議論文 前8條

1 高峗;侯媛彬;;連續(xù)量決策表的完備化分析[A];第三屆全國信息獲取與處理學術會議論文集[C];2005年

2 李海濤;劉福軍;;基于熵的不協(xié)調決策表知識約簡[A];2006年全國理論計算機科學學術年會論文集[C];2006年

3 李永禮;楊寶國;李曉霞;;核及其應用[A];第十六屆全國數(shù)據(jù)庫學術會議論文集[C];1999年

4 郭景峰;李海濤;彭思維;;不協(xié)調決策表下核屬性的求解[A];第二十一屆中國數(shù)據(jù)庫學術會議論文集（技術報告篇）[C];2004年

5 劉復巖;呂韶義;;決策表在DSS中的應用[A];計算機模擬與信息技術會議論文集[C];2001年

6 韓玲;胡學鋼;李建國;;一種啟發(fā)式的決策表屬性約簡算法[A];計算機技術與應用進展·2007——全國第18屆計算機技術與應用（CACIS）學術會議論文集[C];2007年

7 王宏威;李國和;李雪;吳衛(wèi)江;李洪奇;;連續(xù)型特征的特征選取方法[A];2011年中國智能自動化學術會議論文集（第一分冊）[C];2011年

8 周育健;王玨;;RSL:基于Rough Set的表示語言[A];1996年中國智能自動化學術會議論文集（下冊）[C];1996年

相關博士學位論文 前5條

1 尹林子;不一致決策表數(shù)據(jù)處理方法研究[D];中南大學;2013年

2 曾凡智;基于不一致決策表的知識約簡方法研究[D];華中科技大學;2009年

3 劉啟和;基于Rough集的知識發(fā)現(xiàn)及其在漢語處理中的應用[D];電子科技大學;2005年

4 李凡;Rough集理論及其應用中若干問題的研究[D];電子科技大學;2008年

5 黃國順;基于粗糙集的決策表知識約簡研究[D];華中科技大學;2007年

相關碩士學位論文 前10條

1 鐘志宏;組合頻率約簡及動態(tài)約簡對不一致決策表分類的方法[D];貴州大學;2007年

2 史進玲;基于粒計算的決策表屬性約簡與規(guī)則提取研究[D];河南師范大學;2009年

3 曾艷燕;不完備決策表求核算法研究[D];廣西師范大學;2012年

4 翟翠紅;決策表中基于對象的屬性約簡方法研究[D];西南交通大學;2014年

5 魏新建;基于泛系的上下近似求解和決策表屬性約簡[D];蘭州大學;2006年

6 張群峰;關于決策表簡化的進一步研究[D];河北大學;2004年

7 劉瑩;不一致決策表的屬性約簡與規(guī)則獲取研究[D];大連理工大學;2010年

8 張裕;基于粒計算的決策表知識約簡算法研究[D];太原理工大學;2015年

9 王帥;不完備決策表下規(guī)則獲取的技術研究[D];廣西師范大學;2012年

10 章晨光;不完備決策表屬性約簡和求核算法[D];廣西師范大學;2014年

，

本文編號：1520758