本文關鍵詞：基于分類算法的心電數(shù)據(jù)研究與應用

  更多相關文章： 移動醫(yī)療 心電信號 分類算法 支持向量機 核函數(shù)

【摘要】：在醫(yī)療信息化和醫(yī)療普及的進程中,移動醫(yī)療起著越來越重要的作用,家庭醫(yī)療終端的應用是移動醫(yī)療前進的又一步。在醫(yī)療和信息化高速發(fā)展的時代,在中國偏遠地區(qū)仍有未能普及的地方,因此家庭智能醫(yī)療終端的設計滿足偏遠地區(qū)體檢就醫(yī)不便的用戶,是用戶檢查自身健康的工具。在人體各項指標參數(shù)中,心臟活動分析是智能判斷的關鍵部分,本文以實現(xiàn)心電信號異常識別為核心,完成一個移動醫(yī)療系統(tǒng)。分類算法是機器學習的重要組成部分,也是數(shù)據(jù)挖掘研究的一個方向,通過分類算法的研究提高機器學習的預測能力。本文通過實驗對比貝葉斯、KNN、支持向量機等分類算法在連續(xù)數(shù)據(jù)的分類效果,選擇支持向量機并對其改進。本文通過分析核函數(shù)的特性曲線,找出典型核函數(shù)在心電數(shù)據(jù)分類的不足之處。提出了高斯核函數(shù)的一種修正改進,在核半徑內保持較高學習能力的基礎上,通過矩陣變換對核半徑之外的邊緣數(shù)據(jù)進行拉伸修正,增強其衰減,實現(xiàn)邊緣數(shù)據(jù)的預測學習能力。通過與其它核函數(shù)的對比,修正核函數(shù)的正確率較高,更加適合心電數(shù)據(jù)的分類預測。該修正方法的提出,不僅在心電分析上,同時也為其它領域的預測學習提供了一個選擇。
【關鍵詞】：移動醫(yī)療 心電信號 分類算法 支持向量機 核函數(shù)
【學位授予單位】：北方工業(yè)大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TP181
【目錄】：

• 摘要3-4
• ABSTRACT4-8
• 第一章 緒論8-15
• 1.1 課題來源及背景8-9
• 1.2 研究目的及意義9
• 1.3 國內外研究現(xiàn)狀9-14
• 1.3.1 移動醫(yī)療、家庭醫(yī)療終端的研究現(xiàn)狀9-11
• 1.3.2 心電信號處理技術的發(fā)展現(xiàn)狀11-14
• 1.4 本文的研究工作及論文組織結構14-15
• 第二章 相關理論的分析15-26
• 2.1 心電信號的數(shù)據(jù)分析15-16
• 2.1.1 心電信號的來源和特點15
• 2.1.2 心電信號的預處理流程15-16
• 2.2 心電數(shù)據(jù)特征向量的提取16-17
• 2.3 BP神經網絡分析17-18
• 2.3.1 BP神經網絡模型17
• 2.3.2 神經網絡學習方式17-18
• 2.4 K近鄰法分析18-20
• 2.4.1 KNN算法基礎18-19
• 2.4.2 算法的三要素19-20
• 2.5 支持向量機分析20-23
• 2.5.1 SVM基本理論20-21
• 2.5.2 核函數(shù)21-22
• 2.5.3 補償因子22-23
• 2.5.4 支持向量機的類型分析23
• 2.6 算法的性能分析23-25
• 2.7 本章小結25-26
• 第三章 核函數(shù)的優(yōu)化及驗證26-34
• 3.1 信號數(shù)據(jù)來源26
• 3.2 算法的設計思想26-27
• 3.3 算法分析27-30
• 3.3.1 典型核函數(shù)的分析27-28
• 3.3.2 核函數(shù)的修正28-30
• 3.4 實驗分析30-33
• 3.4.1 分類算法的選取分析30-31
• 3.4.2 核函數(shù)參數(shù)的選擇31-32
• 3.4.3 心跳節(jié)拍分類結果對比分析32-33
• 3.5 本章小結33-34
• 第四章 智能家庭醫(yī)療終端的實現(xiàn)34-44
• 4.1 系統(tǒng)需求分析34-35
• 4.1.1 功能需求分析34-35
• 4.1.2 性能需求分析35
• 4.2 系統(tǒng)架構設計35-37
• 4.3 系統(tǒng)數(shù)據(jù)庫的設計與實現(xiàn)37-39
• 4.4 心電測量相關的設計與實現(xiàn)39-40
• 4.4.1 心電測量的實現(xiàn)39
• 4.4.2 心電列表的設計與實現(xiàn)39-40
• 4.4.3 心電圖像查看的設計與實現(xiàn)40
• 4.5 心跳節(jié)拍識別的設計與實現(xiàn)40-42
• 4.5.1 原始數(shù)據(jù)的顯示與獲取的實現(xiàn)40
• 4.5.2 心電信號處理成圖形的實現(xiàn)40-41
• 4.5.3 心跳節(jié)拍特征提取的實現(xiàn)41
• 4.5.4 心跳節(jié)拍識別的實現(xiàn)41-42
• 4.6 核函數(shù)選擇實現(xiàn)42-43
• 4.7 本章小結43-44
• 第五章 結論與展望44-45
• 5.1 結論44
• 5.2 展望44-45
• 參考文獻45-48
• 在學期間的研究成果48-49
• 致謝49

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前3條

1 鄭序穎;;說一說移動醫(yī)療終端的那些事兒[J];中國信息界(e醫(yī)療);2013年10期

2 劉麗杭;陳小玲;陽歷;;移動醫(yī)療服務發(fā)展的現(xiàn)狀、問題及對策[J];中國全科醫(yī)學;2011年28期

3 林敏;喬自知;;移動醫(yī)療的需求與發(fā)展思考[J];移動通信;2010年06期

中國碩士學位論文全文數(shù)據(jù)庫 前10條

1 張倩;基于小波變換的心電信號分析研究及其FPGA實現(xiàn)[D];吉林大學;2014年

2 劉夫成;基于改進支持向量機的個人信用評估研究[D];江蘇科技大學;2013年

3 聶橋橋;智能處理在ECG檢測中的應用研究[D];南昌航空大學;2012年

4 劉潔晶;數(shù)據(jù)挖掘技術在教學評估預測系統(tǒng)中的應用研究[D];河北大學;2012年

5 吳偉建;基于3G智能手機的家庭健康檢測系統(tǒng)[D];鄭州大學;2012年

6 白家蓮;動態(tài)心電信號分析系統(tǒng)設計[D];中南大學;2009年

7 白帆;ECG參數(shù)檢測算法的研究[D];北京交通大學;2009年

8 蔡錦錦;基于BP神經網絡的高校課堂教學質量評價系統(tǒng)的研究與實現(xiàn)[D];浙江工業(yè)大學;2009年

9 羅強;基于小波分析的心電信號去噪研究[D];華中師范大學;2006年

10 尹登峰;動態(tài)ECG分析中QRS波檢測算法的研究[D];浙江大學;2003年

，

本文編號：1102119