【摘要】：在當今社會,由于許多人飲食與生活作息的不規(guī)律,導致我國心血管疾病的發(fā)病率逐年提升,心血管疾病的診斷與預防成為了民生的關注熱點。心電圖(electrocardiogram,ECG)檢查是醫(yī)生診斷心血管疾病的重要依據(jù),傳統(tǒng)的診斷方法是專業(yè)醫(yī)生通過人工的方式對心電圖進行分析,容易造成誤診漏診,而心電信號的自動分析有助于提升醫(yī)生對心血管疾病的診斷效率,因此心電信號自動分析也成為了當今生物醫(yī)學信號處理領域的熱門研究課題。心電信號分類是心電信號自動分析當中的關鍵技術,然而目前心電信號分類的效率與準確率仍有待改善,所以本論文以心電信號分類為課題展開研究,其中重點針對心電信號特征進行處理,以提高分類的準確率。心電信號特征復雜多樣,而由于心電信號存在的冗余信息,當其直接作為樣本輸入到分類器中進行分類時,會產(chǎn)生運算復雜度高、準確率較低等問題。因此對心電信號特征進行壓縮,減少其中的冗余信息,同時保留特征之間的相關性,以實現(xiàn)運算復雜度的降低與分類準確率的提升。傳統(tǒng)的心電信號壓縮算法有詞袋模型(Bag of Words,BoW)與矢量量化(Vector Quantization,VQ)。BoW模型由于打亂了心拍的時間順序,會使得異常心拍與正常心拍之間存在混淆。而VQ編碼方式則由于編碼之后的特征都只由字典中的一個碼字來表示,同樣會損失心電信號特征中的部分信息。針對上述方法的不足,本論文構(gòu)建了局部約束線性編碼(Locality-constrained Linear Coding,LLC)與支持向量機(Support Vector Machine,SVM)相結(jié)合的心電信號分類方案,局部約束線性編碼充分考慮了特征的局部性,有著良好重構(gòu)效果,彌補了BoW模型以及VQ編碼丟失信息的缺點,并且有著平滑性與稀疏性的優(yōu)點,能夠保證特征相似的數(shù)據(jù)在編碼之后仍具備相似性,同時計算復雜度低,效率高,目前已被應用于圖像分類、人臉識別等多個領域;支持向量機是一種用于分類和回歸分析的有監(jiān)督學習模型,它通過將樣本與決策面的間隔最大化進行分類,具有良好的分類效果。本論文首先選取小波變換對心電信號進行預處理,消除噪聲的干擾,并分割成單個心拍,構(gòu)建心拍數(shù)據(jù)集,然后通過主成分分析法(Principal Component Analysis,PCA)對數(shù)據(jù)集進行降維,并使用K-means聚類算法構(gòu)建心拍字典,對心拍數(shù)據(jù)集進行局部約束線性編碼,利用編碼矩陣表示心拍數(shù)據(jù)集,最后輸入到支持向量機中進行訓練與分類。本文對編碼后的心拍數(shù)據(jù)集分別進行了二類心拍(正常心拍與異常心拍)分類實驗以及六類心拍分類實驗,選取BoW模型方法以及矢量量化編碼方法進行實驗對比,并對數(shù)據(jù)庫中的心電信號數(shù)據(jù)進行六類心拍的類別分類檢測,同時和其它分類方案進行分類結(jié)果比較,以驗證局部約束線性編碼的準確性。本論文對MIT-BIH心律失常數(shù)據(jù)庫中的六類心拍進行二分類(正常心拍與異常心拍)實驗取得了97.5%的總體分類準確率,進行六類心拍分類實驗取得了95.9%的總體分類準確率,各類心拍分類精準度均超過94%,同時分類靈敏度以及F_1值(F_1-score,靈敏度與精準度的調(diào)和平均數(shù))相較于BoW模型以及矢量量化編碼也有顯著提升。通過實驗證明了將局部約束線性編碼與支持向量機相結(jié)合的心電信號分類方案有著良好的分類效果。
【圖文】：

相關內(nèi)容簡介號產(chǎn)生原理了心臟的主要結(jié)構(gòu)，當人體的肌肉受到刺激時，，心臟而心臟細胞和其他細胞不同，它具有自動性，即自發(fā)電位，并且脈沖能通過心臟細胞之間彼此連接的縫隙個細胞。由于細胞內(nèi)和細胞外的液體離子的變化，電這被稱為動作電位，其中涉及到的主要離子為鉀、鈉主要離子濃度如表 2.1 所示)。動作電位是細胞膜兩荷)平衡所產(chǎn)生的作用電位。當細胞處于靜止狀態(tài)時，部帶負電荷，而膜泵會維持心臟細胞的這種極性（即

心電圖的12導聯(lián)
【學位授予單位】：吉林大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：R540.4;TN911.7

【相似文獻】

相關期刊論文 前10條

1 高志榮;熊承義;;基于兩級非負線性編碼表示的人臉識別[J];中南民族大學學報(自然科學版);2014年04期

2 劉培娜;劉國軍;郭茂祖;劉揚;李盼;;非負局部約束線性編碼圖像分類算法[J];自動化學報;2015年07期

3 胡廣平;周華強;;一種基于約束線性編碼的圖像分類改進算法[J];科學技術與工程;2013年28期

4 羅洪霞;;一種基于微處理器的線性編碼技術的研究與實現(xiàn)[J];現(xiàn)代電子技術;2011年16期

5 張舜德,方強,盧秉恒;兩個采樣解碼的線性編碼輪廓術:最佳相移量,精度及應用[J];光學學報;1998年06期

6 陳光喜;龔震霆;溫佩芝;任夏荔;;基于局部抑制線性編碼的圖像快速識別方法[J];計算機科學;2016年05期

7 田廣強;張岐山;;鄰居匹配與局部約束線性編碼的圖像分類方法[J];計算機工程與設計;2017年08期

8 姜偉;畢婷婷;李克秋;楊炳儒;;黎曼核局部線性編碼[J];軟件學報;2015年07期

9 肖文華;包衛(wèi)東;陳立棟;王煒;張茂軍;;一種用于圖像分類的語義增強線性編碼方法[J];電子與信息學報;2015年04期

10 張舜德,方強;線性結(jié)構(gòu)光編碼的三維輪廓術[J];光學學報;1997年11期

相關會議論文 前2條

1 莊連生;高浩淵;劉超;俞能海;;非負稀疏局部線性編碼[A];第七屆和諧人機環(huán)境聯(lián)合學術會議（HHME2011)論文集【oral】[C];2011年

2 艾浩軍;張敏;方禹;趙夢蕾;李泰舟;王紅霞;;視覺詞匯的主成分線性編碼方法研究[A];第八屆和諧人機環(huán)境聯(lián)合學術會議（HHME2012)論文集NCMT[C];2012年

相關博士學位論文 前4條

1 王紅霞;視覺物體分類中局部特征建模方法研究[D];武漢理工大學;2012年

2 馬冠駿;基于網(wǎng)絡編碼的P2P文件分發(fā)的研究[D];中國科學技術大學;2009年

3 王國鋒;基于視頻的多元跟蹤與裝配解析研究[D];山東大學;2015年

4 隋天舉;網(wǎng)絡化線性系統(tǒng)狀態(tài)估計問題研究[D];浙江大學;2017年

相關碩士學位論文 前10條

1 鄧鐸;基于局部約束線性編碼的心電信號分類研究[D];吉林大學;2019年

2 王玉蘭;基于改進局部約束線性編碼的圖像分類算法研究[D];吉林大學;2018年

3 李超;基于線性編碼的人臉識別研究[D];重慶郵電大學;2017年

4 佟娜;基于引導學習和局部約束線性編碼的顯著性檢測算法研究[D];大連理工大學;2015年

5 獨大為;擁擠場景下視頻異常事件檢測技術研究[D];電子科技大學;2013年

6 段暉莉;基于局部坐標編碼的視頻目標跟蹤研究[D];山東大學;2016年

7 秦桂紅;無線Mesh網(wǎng)絡MAC層協(xié)議優(yōu)化問題研究[D];中國科學技術大學;2011年

8 鐘鳴;無線網(wǎng)絡多徑傳輸協(xié)議的設計與實現(xiàn)[D];北京郵電大學;2015年

9 胡青璞;線性編碼框架下的圖像特征提取及識別方法研究[D];河南大學;2016年

10 黃榮;人臉識別中的特征生成技術應用研究[D];東南大學;2015年

本文編號：2641899