發(fā)布時(shí)間：2018-03-30 06:59

  本文選題：先驗(yàn)塊稀疏貝葉斯學(xué)習(xí)　切入點(diǎn)：壓縮感知　出處：《儀器儀表學(xué)報(bào)》2014年08期

【摘要】：壓縮感知在低成本、低功耗、長時(shí)間的無線心電信號應(yīng)用上具有優(yōu)勢。但現(xiàn)有重構(gòu)算法中存在重構(gòu)信號質(zhì)量不理想、較大的計(jì)算量以及不能自適應(yīng)噪聲變化等問題。本文針對非稀疏心電信號快速精確壓縮感知重構(gòu)提出了先驗(yàn)塊稀疏貝葉斯學(xué)習(xí)(P-BSBL)算法。算法在塊稀疏貝葉斯學(xué)習(xí)基礎(chǔ)上,根據(jù)心電信號先驗(yàn)引入了近似零解空間初值設(shè)置和數(shù)字特征迭代停止條件。為了驗(yàn)證算法效果,提出的方法在MIT-BIH心電數(shù)據(jù)庫上進(jìn)行了仿真實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明P-BSBL能夠?qū)崿F(xiàn)高效非稀疏心電信號高信號質(zhì)量重構(gòu)。P-BSBL在正常和非正常心電信號重構(gòu)上都優(yōu)于凸優(yōu)化和貪婪方法;適用于高數(shù)據(jù)壓縮比和噪聲變化的心電信號重構(gòu)。
[Abstract]:Compression sensing has advantages in low cost, low power consumption and long time application of radio ECG signals, but the quality of reconstructed signals is not ideal in existing reconstruction algorithms. In this paper, a priori block sparse Bayesian learning algorithm based on block sparse Bayesian learning is proposed for the fast and accurate compression sensing reconstruction of non-sparse ECG signals, which is based on block sparse Bayesian learning. According to the prior ECG signal, the initial value setting of approximate zero solution space and the iterative stopping condition of digital feature are introduced. In order to verify the effect of the algorithm, The proposed method is simulated on the MIT-BIH ECG database. The experimental results show that P-BSBL can achieve high signal quality reconstruction of high performance non-sparse ECG signal. P-BSBL is superior to convex optimization and greedy method in both normal and abnormal ECG signal reconstruction. It is suitable for ECG signal reconstruction with high data compression ratio and noise variation.
【作者單位】： 東南大學(xué)儀器科學(xué)與工程學(xué)院;鄧迪大學(xué)醫(yī)學(xué)科學(xué)與技術(shù)研究所;
【基金】：國家自然科學(xué)基金(61240032) 江蘇省自然科學(xué)基金(BK2012560) 江蘇省研究生創(chuàng)新基金(CXZZ13_0089) 中央高�；究蒲袠I(yè)務(wù)費(fèi)資助項(xiàng)目
【分類號】：TN911.7

【相似文獻(xiàn)】

相關(guān)期刊論文 前2條

1 方紅;王年;章權(quán)兵;韋穗;;基于稀疏貝葉斯學(xué)習(xí)的圖像重建方法[J];中國圖象圖形學(xué)報(bào);2009年06期

2 王成儒,王金甲,李靜,胡正平;基于神經(jīng)網(wǎng)絡(luò)的說話人辨認(rèn)方法[J];微機(jī)發(fā)展;2003年05期

相關(guān)博士學(xué)位論文 前3條

1 劉寅;基于稀疏信號重構(gòu)的空間譜估計(jì)算法研究[D];西安電子科技大學(xué);2012年

2 葉釩;基于信號稀疏表示的ISAR目標(biāo)特性增強(qiáng)技術(shù)[D];國防科學(xué)技術(shù)大學(xué);2011年

3 郝崇清;基于時(shí)間序列的復(fù)雜腦網(wǎng)絡(luò)構(gòu)建與分析[D];天津大學(xué);2012年

相關(guān)碩士學(xué)位論文 前5條

1 楊凡;基于變分稀疏貝葉斯學(xué)習(xí)的頻譜檢測與定位[D];中南民族大學(xué);2013年

2 余循宜;稀疏信號處理在無線通信中的應(yīng)用[D];北京郵電大學(xué);2008年

3 陳曉芳;基于壓縮感知的寬帶頻譜檢測[D];中南民族大學(xué);2012年

4 何邦昱;基于快速稀疏貝葉斯學(xué)習(xí)算法的雷達(dá)數(shù)據(jù)融合技術(shù)研究[D];南京理工大學(xué);2014年

5 沈泉波;相關(guān)向量機(jī)在語音識別中的應(yīng)用研究[D];中北大學(xué);2013年

，

本文編號：1684827