第一章 緒論

1.1 課題的研究背景及意義
目前 SVM 已經(jīng)成功的運用于 ECG 的檢測和識別、文本識別、手寫字體識別、人臉圖像識別、基因分類等研究中。近些年來，醫(yī)學(xué)專家和學(xué)者發(fā)現(xiàn)了許多電生理現(xiàn)象與 J 波有著密切的關(guān)系。其中有生理性的心電圖變異，主要的表現(xiàn)為 ERS，在正常人群的檢出率一般在 2.5%到 18.2%之間，也有由低溫、高血鈣、腦外傷等引發(fā)的病理性變異，如 Brugada 綜合征、猝死綜合征及特發(fā)性心室顫動等，在心臟疾病患者中的發(fā)生率在 27.3%到 34.6%之間，我們統(tǒng)稱為 J 波綜合征。近期的相關(guān)研究同時表明，幅度超過 0.1mv 的 J 波同時伴有 ST 段的變化（生理性變異）將會產(chǎn)生惡性的過早復(fù)極綜合征，存在上述過早復(fù)極綜合征的患者容易引起惡性的心律失常、致命性的 MI，甚至可能導(dǎo)致猝死。因此，J 波和 J 波綜合征可以作為一個新的指標(biāo)來預(yù)警惡性室性心律失常、心臟性猝死等一系列心臟疾病，有著十分重要的臨床研究意義，使得如何快速識別 J 波變得很有現(xiàn)實和可操作的意義。目前 J 波的許多研究主要處于臨床階段，醫(yī)生通過觀察被檢測者的心電圖尋找 J 波，但因 J 波幅值不太大，有時不容易被發(fā)現(xiàn)，所以將 J 波從心電信號中快速并準(zhǔn)確識別出來具有現(xiàn)實的意義。現(xiàn)大多有關(guān)的研究從細胞電生理、離子流機制和遺傳學(xué)基礎(chǔ)等方面出發(fā)來研究變異的 J 波，雖然能相對準(zhǔn)確的檢測出來，但因為需要較長的分析時間而不利于及時診斷病情。因此快速識別 J 波是一個很重要的研究課題，尤其隨著動態(tài)心電監(jiān)護儀的大幅度的普及，如何實時的檢測出 J 波使本課題變得更加有了現(xiàn)實的意義。本文的主要采用 SVM 從 ECG 信號中分類出 J 波信號，為后續(xù) J 波的良心與惡性的具體分類奠定了基礎(chǔ)，從而為心肌梗死、惡性心率失常、心肌缺血等疾病預(yù)防、發(fā)現(xiàn)和治療提供參考，以降低惡性心臟病變的死亡率。
..........

1.2 J 波及 J 波綜合征研究概況
雖然屬于最早被研究的一種生物電信號，但因它擁有較直觀的規(guī)律性、比其它電信號更易檢測的特性，心電信號已經(jīng)漸漸成為醫(yī)生及學(xué)者最常用的一種生物電信號。隨著不斷成熟的心電圖分析技術(shù)，許多很難發(fā)現(xiàn)的疾病都很快的被檢測出來。自 Einthoven發(fā)明心電圖記錄儀起，人們便堅持不懈的研究心電記錄儀保留下來的紙質(zhì)心電圖的各個變異波對應(yīng)的臨床意義。經(jīng)過大量學(xué)者和專家不斷的探索，人們漸漸的發(fā)現(xiàn)，波形的不同其實代表著心臟健康狀態(tài)的不同，心電圖局部的變化可能預(yù)示了某種心臟疾病的產(chǎn)生。多學(xué)科的交叉融合、科研手段不斷細化使得心臟病專家及學(xué)者正在慢慢的揭示更多的心電圖的奧妙[1]。眾所周知，心臟有節(jié)奏的收縮和舒張運動過程中會不斷釋放生物電刺激，在整個電刺激的傳遞過程中，心臟的每個組織都會發(fā)生電位的變化，變化的電位傳遞至身體表面進而會產(chǎn)生心電信號。將電極放置到身體上的幾個特定的位置（比如胸前或者四肢），從而能獲得心臟的由除極到復(fù)極相互交替循環(huán)中產(chǎn)生的多種形式的電位變化圖形，我們簡稱為心電圖。一個正常的體表心電圖周期由 P 波、Q 波、R 波、S 波、T 波和 U 波組成，連接各個波的間期分別為 PR、QT、ST 等[2]。圖 1-1 為心電信號的一個周期。
..........

第二章 支持向量機及特征向量相關(guān)理論

2.1 支持向量機

自從 Vapnik & Cortes[31]等人 1995 年首次提出 SVM 后，因其十分重要的理論和實際價值，SVM 逐漸變?yōu)闄C器學(xué)習(xí)領(lǐng)域的研究焦點和熱點。其中 SVM 是一種數(shù)據(jù)挖掘算法，存在結(jié)構(gòu)風(fēng)險最小化、比非線性函數(shù)逼近方法有更強的泛化能力、能夠達到最小經(jīng)驗風(fēng)險和置信范圍等一系列的優(yōu)勢，目前 SVM 已經(jīng)非常成功地處理了回歸問題和模式識別（分類問題、判別分析）等諸多問題，在綜合預(yù)測、評價等領(lǐng)域中也有所建樹[31,32,33]。SVM 是一種以統(tǒng)計理論為基礎(chǔ)學(xué)科的算法，其應(yīng)用范圍受到統(tǒng)計學(xué)習(xí)理論重點研究情況的制約，即主要適用于小樣本數(shù)據(jù)規(guī)律及性質(zhì)的研究。因此本文在介紹 SVM 前先對統(tǒng)計學(xué)理論做個簡單的介紹。Vapnik 等人在小樣本統(tǒng)計理論的基礎(chǔ)上提出了統(tǒng)計學(xué)理論，其重點是如何在小樣本的應(yīng)用中解決統(tǒng)計規(guī)律和學(xué)習(xí)方法性質(zhì)等難題。統(tǒng)計學(xué)習(xí)理論的核心思想包括[34,35]：統(tǒng)計學(xué)習(xí)一致性的條件是如何在經(jīng)驗風(fēng)險最小化準(zhǔn)則下建立的；統(tǒng)計學(xué)習(xí)方法推廣性的界的結(jié)論是怎樣在上述條件下完成的；小樣本歸納推理準(zhǔn)則是如何在上述界的基礎(chǔ)上建立的；實現(xiàn)這些新的準(zhǔn)則的實際算法。本節(jié)主要介紹經(jīng)驗風(fēng)險最小化、結(jié)構(gòu)風(fēng)險最小化。

..........

2.2 特征向量選取方法
特征向量的選擇在回歸分析、數(shù)據(jù)挖掘及模式識別中是一個十分重要的過程，因為特征向量包含了描述一個數(shù)據(jù)樣本屬于哪種類型的所有信息。隨著科技不斷的進步和發(fā)展，人們獲取更深層次信息的技術(shù)和能力不斷在提高，加上存儲設(shè)備容量大幅的提升，我們能夠獲得的數(shù)據(jù)面越來越廣，信息越來越全面。在信息量增大的同時，對相應(yīng)的分類器的性能也有了更高的條件，不然肯定會出現(xiàn)“災(zāi)難維數(shù)”、數(shù)據(jù)冗余量大幅增加。這些信息是否含有冗余成分和過多的相似成分，是否完整等一系列問題直接決定我們建立模型的準(zhǔn)確程度。如果有用的樣本太多或者太少都會影響模型的建立，因此在正確設(shè)計分類器之前需要一個完整、無干擾、相互獨立的樣本集。在特征向量的選擇上，使用較多的方法有特征選擇和提取等。其中特征選擇是指在所獲得的特征集中選出一個能夠達到最優(yōu)的特征子集的過程，特征提取是指通過變換得到一個新的特征空間，在這個空間中選取一定的特征來作為對模式的描述[45,46]。其中有無在特征空間上進行變換是二者最大的區(qū)別，二者雖然實現(xiàn)的途徑不同，但是從某種意義上講二者目的是相同的，都是為了降低特征向量的數(shù)目，減少計算量。
..........

第三章 基于支持向量機的 J 波分類算法...........19
3.1 ECG 波形介紹與 J 波信號采集..... 19
3.2 基于 SVM 的 J 波分類......... 20
3.3 算法性能分析.... 26
3.3.1 分類評價標(biāo)準(zhǔn)....27
3.3.2 仿真分析............ 28
3.4 本章小結(jié).............30
第四章 基于變步長支持向量機的 J 波檢測算法.........31
4.1 變步長理論.........31
4.2 變步長 SVM 的 J 波分類算法.......33
4.2.1 全局特征和局部特征........... 34
4.2.2 ICA 及特征融合...........37
4.2.3 分類...........38
4.3 算法性能分析.... 39
4.4 本章小結(jié).............42
第五章 總結(jié)與展望.........43
5.1 總結(jié)............ 43
5.2 下一步工作及前景展望.........44

第四章 基于變步長支持向量機的 J 波檢測算法觀察分析 

SVM 的基本原理，不難發(fā)現(xiàn)兩個比較重要的參數(shù)，即懲罰因子 C 和對應(yīng)核函數(shù)參數(shù)?，前者表示訓(xùn)練中對超出設(shè)定誤差的樣本的懲罰系數(shù)，決定著支持向量機的懲罰程度，后者是徑向基函數(shù)的寬度參量，兩者共同控制著向量機的泛化能力[63]。所以兩個參數(shù)的設(shè)置一直是此分類器的重點和難點，根據(jù)以往經(jīng)驗，一般選取 C?2 ，??5.0 作為最優(yōu)參量。但是如何在 SVM 分類問題中，動態(tài)的找到適合各自場景的最優(yōu)參數(shù)，是需要迫切解決的問題。針對上述問題，部分學(xué)者提出固定步長的參數(shù)尋優(yōu)方法，其中網(wǎng)格搜索法為最常用的的方法之一，它將待優(yōu)化的參數(shù)按照下降的順序劃分為等值網(wǎng)格，隨后從小到大遍歷所有的參數(shù)值來得到最優(yōu)的區(qū)間[64,65]。這種算法較經(jīng)驗參數(shù)的 SVM，在分類的精度上會有一定的提高，但是對尋找最優(yōu)參數(shù)問題仍存在一定的缺陷，當(dāng)參數(shù)的數(shù)目較多的時候，計算的時間會非常的長。那么如何更加快速準(zhǔn)確的找到最優(yōu)的參數(shù)呢？本章主要采取變步長盲源分離算法的相關(guān)原理對參數(shù)進行優(yōu)化。

4.1 變步長理論

因為其計算量較小、運行簡單和操作方便的特點，傳統(tǒng)的 BSS 算法分離過程中常采用固定步長進行尋優(yōu)。但是會出現(xiàn)收斂速度和穩(wěn)態(tài)性能無法同時兼顧的矛盾關(guān)系，因為小步長會帶來計算時間長的問題，有時甚至到了收斂階段，信號還未得到分離而永遠無法分離出源信號；步長大時卻又無法得到精確的分離信號，從而不能真實反應(yīng)出源信號的模樣[63-65]。因此，如何有效的控制步長來更好的完成分離任務(wù)是當(dāng)時學(xué)者們研究的工作重點。

...........

總結(jié)

心源性猝死、致命性梗塞等重大疾病的發(fā)生經(jīng)常會伴有 J 波的出現(xiàn)，因此如何快速、準(zhǔn)確、及時的識別出 J 波并給出適當(dāng)?shù)闹委煼桨高M而有效地避免 SCD 等重大疾病帶來的死亡，是一個迫切需要解決的難題。支持向量機因為有著出色的學(xué)習(xí)能力、令人滿意的泛化能力和推廣能力。它能高效地找到整個過程中的最佳解，已經(jīng)被應(yīng)用到很多非線性的真實環(huán)境中，并成功地應(yīng)用于處理回歸問題、分類問題、判別分析、預(yù)測和綜合評價等諸多問題。支持向量機已經(jīng)廣泛地應(yīng)用于航空航天、衛(wèi)星通信、生物醫(yī)學(xué)、互聯(lián)網(wǎng)等一系列關(guān)乎國家命脈的行業(yè)中。本篇論文的研究重點是如何快速并準(zhǔn)確地識別出 J 波片段和 NJ 片段，為下一步從 J 波片段中區(qū)分出良性和高危狀態(tài)奠定了基礎(chǔ)，主要涉及了支持向量機算法、小波變換算法、曲線擬合、變步長算法、主成分分析算法、獨立分量分析等內(nèi)容，具體的工作內(nèi)容如下所示：
（1） 闡述了課題的研究背景及其研究的目的和意義、J 波及其 J 波綜合征的醫(yī)學(xué)診斷標(biāo)準(zhǔn)。同時，簡單介紹機器學(xué)習(xí)之原理，為后文做鋪墊；
（2） 主要對支持向量機理論知識進行簡單闡述，并且對于怎樣選擇特征向量進行說明。從統(tǒng)計學(xué)理論知識入手，闡述了早期機器學(xué)習(xí)在有限樣本過程中僅依靠經(jīng)驗結(jié)構(gòu)風(fēng)險最小化來預(yù)測其性能所存在的致命缺陷，接著引入了本篇論文的核心分類算法-SVM。接著，逐步推導(dǎo) SVM 原理并總結(jié)了 SVM 有關(guān)參數(shù)的優(yōu)化問題。同時闡述了特征降維的兩種方法：特征選擇及特征提取，為后續(xù)的研究工作提供理論基礎(chǔ)。
（3） 基于上述的理論支撐，本文創(chuàng)新性地將支持向量機應(yīng)用于 J 波分類問題中，取得了一定成效。獲得 J 波的數(shù)據(jù)庫之后，，首先對預(yù)處理好的正常信號和病變信號進行特征點定位（主要是定位 R 點），從而可以粗略地截取到 J 波所在的大概位置。利用 8階傅里葉曲線擬合方法擬合出所截取的片段特征向量、db6 對截取的片段進行小波變換得到其小波系數(shù)的高階統(tǒng)計量、信號的 HRV 信息及其片段的波形信息作為特征向量。利用 PCA 減小維數(shù)，接著多次訓(xùn)練 SVM 獲得類似支持向量。最后利用少量類似支持向量訓(xùn)練并檢測 J 波分類效果.
.........
參考文獻(略)

本文編號：89325