【摘要】：在當(dāng)今社會(huì),由于許多人飲食與生活作息的不規(guī)律,導(dǎo)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(yù)防成為了民生的關(guān)注熱點(diǎn)。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(duì)心電圖進(jìn)行分析,容易造成誤診漏診,而心電信號(hào)的自動(dòng)分析有助于提升醫(yī)生對(duì)心血管疾病的診斷效率,因此心電信號(hào)自動(dòng)分析也成為了當(dāng)今生物醫(yī)學(xué)信號(hào)處理領(lǐng)域的熱門研究課題。心電信號(hào)分類是心電信號(hào)自動(dòng)分析當(dāng)中的關(guān)鍵技術(shù),然而目前心電信號(hào)分類的效率與準(zhǔn)確率仍有待改善,所以本論文以心電信號(hào)分類為課題展開研究,其中重點(diǎn)針對(duì)心電信號(hào)特征進(jìn)行處理,以提高分類的準(zhǔn)確率。心電信號(hào)特征復(fù)雜多樣,而由于心電信號(hào)存在的冗余信息,當(dāng)其直接作為樣本輸入到分類器中進(jìn)行分類時(shí),會(huì)產(chǎn)生運(yùn)算復(fù)雜度高、準(zhǔn)確率較低等問題。因此對(duì)心電信號(hào)特征進(jìn)行壓縮,減少其中的冗余信息,同時(shí)保留特征之間的相關(guān)性,以實(shí)現(xiàn)運(yùn)算復(fù)雜度的降低與分類準(zhǔn)確率的提升。傳統(tǒng)的心電信號(hào)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(shí)間順序,會(huì)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(gè)碼字來表示,同樣會(huì)損失心電信號(hào)特征中的部分信息。針對(duì)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(jī)(Support Vector Machine,SVM)相結(jié)合的心電信號(hào)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(bǔ)了BoW模型以及VQ編碼丟失信息的缺點(diǎn),并且有著平滑性與稀疏性的優(yōu)點(diǎn),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(shí)計(jì)算復(fù)雜度低,效率高,目前已被應(yīng)用于圖像分類、人臉識(shí)別等多個(gè)領(lǐng)域;支持向量機(jī)是一種用于分類和回歸分析的有監(jiān)督學(xué)習(xí)模型,它通過將樣本與決策面的間隔最大化進(jìn)行分類,具有良好的分類效果。本論文首先選取小波變換對(duì)心電信號(hào)進(jìn)行預(yù)處理,消除噪聲的干擾,并分割成單個(gè)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(duì)數(shù)據(jù)集進(jìn)行降維,并使用K-means聚類算法構(gòu)建心拍字典,對(duì)心拍數(shù)據(jù)集進(jìn)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(jī)中進(jìn)行訓(xùn)練與分類。本文對(duì)編碼后的心拍數(shù)據(jù)集分別進(jìn)行了二類心拍(正常心拍與異常心拍)分類實(shí)驗(yàn)以及六類心拍分類實(shí)驗(yàn),選取BoW模型方法以及矢量量化編碼方法進(jìn)行實(shí)驗(yàn)對(duì)比,并對(duì)數(shù)據(jù)庫中的心電信號(hào)數(shù)據(jù)進(jìn)行六類心拍的類別分類檢測,同時(shí)和其它分類方案進(jìn)行分類結(jié)果比較,以驗(yàn)證局部約束線性編碼的準(zhǔn)確性。本論文對(duì)MIT-BIH心律失常數(shù)據(jù)庫中的六類心拍進(jìn)行二分類(正常心拍與異常心拍)實(shí)驗(yàn)取得了97.5%的總體分類準(zhǔn)確率,進(jìn)行六類心拍分類實(shí)驗(yàn)取得了95.9%的總體分類準(zhǔn)確率,各類心拍分類精準(zhǔn)度均超過94%,同時(shí)分類靈敏度以及F_1值(F_1-score,靈敏度與精準(zhǔn)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(shí)驗(yàn)證明了將局部約束線性編碼與支持向量機(jī)相結(jié)合的心電信號(hào)分類方案有著良好的分類效果。
【圖文】：

相關(guān)內(nèi)容簡介號(hào)產(chǎn)生原理了心臟的主要結(jié)構(gòu)，當(dāng)人體的肌肉受到刺激時(shí)，，心臟而心臟細(xì)胞和其他細(xì)胞不同，它具有自動(dòng)性，即自發(fā)電位，并且脈沖能通過心臟細(xì)胞之間彼此連接的縫隙個(gè)細(xì)胞。由于細(xì)胞內(nèi)和細(xì)胞外的液體離子的變化，電這被稱為動(dòng)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(dòng)作電位是細(xì)胞膜兩荷)平衡所產(chǎn)生的作用電位。當(dāng)細(xì)胞處于靜止?fàn)顟B(tài)時(shí)，部帶負(fù)電荷，而膜泵會(huì)維持心臟細(xì)胞的這種極性（即

心電圖的12導(dǎo)聯(lián)
【學(xué)位授予單位】：吉林大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：R540.4;TN911.7

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 高志榮;熊承義;;基于兩級(jí)非負(fù)線性編碼表示的人臉識(shí)別[J];中南民族大學(xué)學(xué)報(bào)(自然科學(xué)版);2014年04期

2 劉培娜;劉國軍;郭茂祖;劉揚(yáng);李盼;;非負(fù)局部約束線性編碼圖像分類算法[J];自動(dòng)化學(xué)報(bào);2015年07期

3 胡廣平;周華強(qiáng);;一種基于約束線性編碼的圖像分類改進(jìn)算法[J];科學(xué)技術(shù)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(shù)的研究與實(shí)現(xiàn)[J];現(xiàn)代電子技術(shù);2011年16期

5 張舜德,方強(qiáng),盧秉恒;兩個(gè)采樣解碼的線性編碼輪廓術(shù):最佳相移量,精度及應(yīng)用[J];光學(xué)學(xué)報(bào);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(shí)別方法[J];計(jì)算機(jī)科學(xué);2016年05期

7 田廣強(qiáng);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(jì)算機(jī)工程與設(shè)計(jì);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(xué)報(bào);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(qiáng)線性編碼方法[J];電子與信息學(xué)報(bào);2015年04期

10 張舜德,方強(qiáng);線性結(jié)構(gòu)光編碼的三維輪廓術(shù)[J];光學(xué)學(xué)報(bào);1997年11期

相關(guān)會(huì)議論文 前2條

1 莊連生;高浩淵;劉超;俞能海;;非負(fù)稀疏局部線性編碼[A];第七屆和諧人機(jī)環(huán)境聯(lián)合學(xué)術(shù)會(huì)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(jī)環(huán)境聯(lián)合學(xué)術(shù)會(huì)議（HHME2012)論文集NCMT[C];2012年

相關(guān)博士學(xué)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(xué);2012年

2 馬冠駿;基于網(wǎng)絡(luò)編碼的P2P文件分發(fā)的研究[D];中國科學(xué)技術(shù)大學(xué);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(xué);2015年

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

相關(guān)碩士學(xué)位論文 前10條

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

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

3 李超;基于線性編碼的人臉識(shí)別研究[D];重慶郵電大學(xué);2017年

4 佟娜;基于引導(dǎo)學(xué)習(xí)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(xué);2015年

5 獨(dú)大為;擁擠場景下視頻異常事件檢測技術(shù)研究[D];電子科技大學(xué);2013年

6 段暉莉;基于局部坐標(biāo)編碼的視頻目標(biāo)跟蹤研究[D];山東大學(xué);2016年

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

8 鐘鳴;無線網(wǎng)絡(luò)多徑傳輸協(xié)議的設(shè)計(jì)與實(shí)現(xiàn)[D];北京郵電大學(xué);2015年

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

10 黃榮;人臉識(shí)別中的特征生成技術(shù)應(yīng)用研究[D];東南大學(xué);2015年

本文編號(hào)：2641899