本文關(guān)鍵詞：基于壓縮感知的心電信號壓縮算法研究

  更多相關(guān)文章： 壓縮感知 心電信號壓縮 稀疏字典 特征波匹配

【摘要】：心電監(jiān)護儀的廣泛應用將產(chǎn)生大量的心電數(shù)據(jù),心電壓縮技術(shù)在滿足臨床診斷要求的條件下,可有效減少傳輸和存儲的數(shù)據(jù)量。壓縮感知理論是近年發(fā)展起來的一種新的壓縮采樣理論,壓縮感知理論表明信號的采樣率不再取決于信號的帶寬,而是取決于信息在信號中的結(jié)構(gòu)和內(nèi)容。本文對基于壓縮感知的心電信號壓縮算法進行了研究。信號的稀疏性是實現(xiàn)壓縮感知的本質(zhì)。本文結(jié)合心電信號自身的特點,重點研究了心電信號的稀疏性及其稀疏字典的構(gòu)造。利用常用的字典訓練算法——K-SVD算法對歷史心電數(shù)據(jù)進行了字典訓練。通過相同稀疏度下的表示誤差對比和表示誤差相同條件下的稀疏度對比,證明了心電信號在K-SVD算法訓練的字典下比固定DCT字典下有更好的稀疏表示性。在K-SVD訓練字典的啟發(fā)下,考慮到心電監(jiān)護儀的實際應用要求,結(jié)合心電特征波識別、特征波分類等技術(shù),將K-SVD的無監(jiān)督字典訓練算法演變?yōu)橛斜O(jiān)督的字典訓練算法,提出了針對心電信號的基于特征波匹配的字典訓練算法。并用相同稀疏度下的表示誤差對比實驗證明基于特征波匹配訓練的字典能更好地稀疏表示心電信號,且能更好地符合心電信號的準周期特點。在研究了稀疏字典的構(gòu)成方法后,實現(xiàn)了心電信號分別基于DCT字典、K-SVD訓練字典、特征波匹配法訓練的字典的壓縮�；谔卣鞑ㄆヅ溆柧氉值涞膲嚎s實驗表明本文的字典訓練算法訓練出的原子由心電特征波模板中的典型模板構(gòu)成,符合醫(yī)學應用要求；并且將有損壓縮轉(zhuǎn)換為了無損壓縮。對MIT-BIH心律失常數(shù)據(jù)庫中全部樣本的MLⅡ?qū)?lián)心電數(shù)據(jù)基于特征波匹配字典的壓縮實驗,取得了3.51的無損平均壓縮比。
【關(guān)鍵詞】：壓縮感知 心電信號壓縮 稀疏字典 特征波匹配
【學位授予單位】：東南大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：R540.4;TN911.7
【目錄】：

• 摘要4-5
• Abstract5-8
• 第一章 緒論8-12
• 1.1 課題背景與意義8
• 1.2 心電信號壓縮算法研究概況8-11
• 1.2.1 直接編碼壓縮9
• 1.2.2 變換編碼壓縮9-10
• 1.2.3 參數(shù)提取壓縮10
• 1.2.4 壓縮感知的研究進展概述10-11
• 1.3 論文內(nèi)容與組織11-12
• 第二章 心電信號和壓縮感知原理介紹12-22
• 2.1 心電信號簡介12-14
• 2.1.1 心電信號產(chǎn)生機理12-13
• 2.1.2 心電信號波形簡介13-14
• 2.1.3 心電信號的特點14
• 2.2 壓縮感知理論14-18
• 2.2.1 壓縮感知的數(shù)學模型15-16
• 2.2.2 壓縮感知的約束條件16
• 2.2.3 直觀例證16-18
• 2.3 壓縮感知在心電信號中的應用18-20
• 2.3.1 總體框架18
• 2.3.2 線性觀測18-19
• 2.3.3 信號重構(gòu)19-20
• 2.4 本章小結(jié)20-22
• 第三章 基于心電信號特征的稀疏字典構(gòu)造22-38
• 3.1 心電信號的稀疏性分析22
• 3.2 常用稀疏字典的構(gòu)造方法22-23
• 3.3 心電信號的K-SVD稀疏字典訓練23-30
• 3.3.1 K-SVD算法原理24-26
• 3.3.2 K-SVD算法在心電信號中的應用26-28
• 3.3.3 實驗結(jié)果與分析28-30
• 3.4 基于特征波匹配的稀疏字典設計30-37
• 3.4.1 基于特征波匹配的稀疏字典設計構(gòu)思31-32
• 3.4.2 基于特征波匹配的稀疏字典設計32-35
• 3.4.3 實驗結(jié)果與分析35-37
• 3.5 本章小結(jié)37-38
• 第四章 心電信號的壓縮感知算法38-50
• 4.1 基于K-SVD訓練字典的壓縮感知算法實現(xiàn)38-39
• 4.2 基于特征波匹配字典的壓縮算法39-42
• 4.2.1 壓縮原理39-40
• 4.2.2 算法實現(xiàn)40-42
• 4.3 實驗結(jié)果與分析42-49
• 4.3.1 心電數(shù)據(jù)壓縮性能評價指標42
• 4.3.2 評估數(shù)據(jù)集42-43
• 4.3.3 基于K-SVD訓練字典的壓縮實驗結(jié)果與分析43-46
• 4.3.4 基于特征波匹配字典的壓縮實驗結(jié)果與分析46-49
• 4.4 本章小結(jié)49-50
• 第五章 總結(jié)與展望50-52
• 5.1 總結(jié)50
• 5.2 展望50-52
• 致謝52-54
• 參考文獻54-57

【相似文獻】

中國重要會議論文全文數(shù)據(jù)庫 前2條

1 潘志明;鄭駿;錢衛(wèi)寧;周傲英;;構(gòu)造XML相似相關(guān)結(jié)構(gòu)庫的一種有效方法[A];第二十屆全國數(shù)據(jù)庫學術(shù)會議論文集（技術(shù)報告篇）[C];2003年

2 林景亮;董槐林;姜青山;吳書;;一種基于新增閾值的頻繁模式挖掘算法[A];第二十三屆中國數(shù)據(jù)庫學術(shù)會議論文集（研究報告篇）[C];2006年

中國博士學位論文全文數(shù)據(jù)庫 前7條

1 張磊;基于概念格的角色工程相關(guān)算法研究[D];哈爾濱工業(yè)大學;2015年

2 孟靜;新型Krylov子空間算法及其應用研究[D];電子科技大學;2015年

3 胡芳;復雜網(wǎng)絡節(jié)點中心性多元評估與社團探測新算法研究[D];華中師范大學;2015年

4 唐益明;（1，2，，2）型異蘊涵泛三I算法及其應用研究[D];合肥工業(yè)大學;2011年

5 牛云云;求解計算困難問題的膜計算模型與算法研究[D];華中科技大學;2012年

6 李冬冬;基因組序列標注的算法與理論研究[D];國防科學技術(shù)大學;2004年

7 周琨;航空公司航班運行調(diào)度模型與算法研究[D];南京航空航天大學;2012年

中國碩士學位論文全文數(shù)據(jù)庫 前10條

1 閆銘;基于度量學習的不完整數(shù)據(jù)聚類方法研究[D];哈爾濱工業(yè)大學;2015年

2 張小瓊;基于改進螢火蟲群優(yōu)化算法的BP神經(jīng)網(wǎng)絡研究[D];廣西大學;2015年

3 李俊杰;基于蟻群算法的聚類區(qū)分器設計研究[D];電子科技大學;2014年

4 艾慧;天波雷達電離層污染校正與測高算法研究[D];電子科技大學;2015年

5 陳紅強;大規(guī)模并行排序?qū)W習算法研究[D];西安電子科技大學;2014年

6 郭艷茹;k-中心平面聚類模型與算法研究[D];浙江工業(yè)大學;2015年

7 彭輝輝;基于壓縮感知的心電信號壓縮算法研究[D];東南大學;2015年

8 葛娜;高效用項集動態(tài)挖掘算法的研究[D];中北大學;2016年

9 白鷺;基于自適應人工免疫進化的網(wǎng)格聚類算法研究[D];沈陽大學;2010年

10 紀彤坤;概念格Chein算法的研究與改進[D];華南理工大學;2012年

本文編號：659125