本文關(guān)鍵詞：基于心電圖的身份識(shí)別魯棒性研究

  更多相關(guān)文章： ECG信號(hào) 多態(tài)平均模板 多層識(shí)別 多維多層識(shí)別

【摘要】：在物聯(lián)網(wǎng)迅速普及的今天,心電圖(Electrocardiogram,ECG)信號(hào)身份識(shí)別在可穿戴設(shè)備上的應(yīng)用有巨大的前景。由于可移動(dòng)設(shè)備的特點(diǎn),要求ECG信號(hào)采集設(shè)備的集成度較高,采集的數(shù)據(jù)沒(méi)有醫(yī)學(xué)設(shè)備那么精確。而且在可移動(dòng)設(shè)備上采集ECG信號(hào),需要采集者手觸或腕觸采集段子,出現(xiàn)松動(dòng)的概率較大。對(duì)于采集者本身而言,不可能都是在平靜狀態(tài)下進(jìn)行采集,當(dāng)采集者運(yùn)動(dòng)過(guò)后,采集的ECG信號(hào)會(huì)和平靜時(shí)采集的心電信號(hào)出現(xiàn)差異,當(dāng)采用的ECG身份識(shí)別算法魯棒性較差時(shí),會(huì)出現(xiàn)識(shí)別錯(cuò)誤。因此自采集的心電數(shù)據(jù)會(huì)出現(xiàn)噪聲較大,抖動(dòng)巨變數(shù)據(jù)和心電信號(hào)心率變化較大等情況,對(duì)于ECG身份識(shí)別算法的魯棒性有較高的要求。為了解決這些問(wèn)題文章分別從解決運(yùn)動(dòng)問(wèn)題和增加ECG信號(hào)維度兩個(gè)方面增強(qiáng)ECG身份識(shí)別算法的魯棒性,并提出多階ECG身份識(shí)別算法。本文提出了基于多態(tài)平均模板的多層識(shí)別算法。為了解決運(yùn)動(dòng)問(wèn)題下采集個(gè)體心率變異性較大的問(wèn)題,加入了存儲(chǔ)多態(tài)平均模板的處理。將ECG信號(hào)進(jìn)行多種多方位的特征提取作為多層識(shí)別算法的輸入。在訓(xùn)練階段對(duì)提取的特征用不同閾值選取策略訓(xùn)練得出最佳閾值。將測(cè)試集輸入到多層識(shí)別算法中,根據(jù)訓(xùn)練出的最佳閾值進(jìn)行識(shí)別。每一層的輸入為上一層的識(shí)別錯(cuò)誤樣本,這樣能將每層的識(shí)別樣本數(shù)減少,使上一層難以識(shí)別的樣本通過(guò)下一層的另一角度的特征加以識(shí)別。實(shí)驗(yàn)表明,多層識(shí)別算法有較高的識(shí)別準(zhǔn)確率,準(zhǔn)確率最高達(dá)到97.92%。而多種特征相較于單一特征,多層識(shí)別算法的效果更加顯著。為了進(jìn)一步增加ECG身份識(shí)別的魯棒性,文章提出了針對(duì)多維度ECG信號(hào)的多層識(shí)別算法。將雙導(dǎo)聯(lián)ECG信號(hào)映射到二維空間,然后降維處理,將得到的稀疏矩陣看成二值圖像進(jìn)行整體外觀特征、小波系數(shù)特征、形狀特征和密度分布特征的提取。將提取出的特征使用不同的策略進(jìn)行訓(xùn)練得到最佳閾值,最后將測(cè)試集和最佳閾值輸入到多層識(shí)別算法中進(jìn)行身份識(shí)別。在實(shí)驗(yàn)過(guò)程中分別進(jìn)行單維多層、單維單層以及多維單層的算法比較。結(jié)果表明所提出的多維度ECG信號(hào)多層識(shí)別算法準(zhǔn)確率最高能達(dá)到99.72%。最后提出多模多維度多層ECG信號(hào)身份識(shí)別算法,解決多維度ECG信號(hào)下的運(yùn)動(dòng)問(wèn)題。在經(jīng)過(guò)處理的自采集數(shù)據(jù)庫(kù)中識(shí)別準(zhǔn)確度最高達(dá)到93.75%,最后通過(guò)時(shí)間復(fù)雜度對(duì)提出的算法進(jìn)行評(píng)估。
【關(guān)鍵詞】：ECG信號(hào) 多態(tài)平均模板 多層識(shí)別 多維多層識(shí)別
【學(xué)位授予單位】：哈爾濱工業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：R540.41;TP391.41
【目錄】：

• 摘要4-5
• ABSTRACT5-9
• 第1章 緒論9-15
• 1.1 課題背景及研究的目的和意義9-10
• 1.2 國(guó)內(nèi)外研究進(jìn)展與成果10-13
• 1.3 國(guó)內(nèi)外文獻(xiàn)綜述的簡(jiǎn)析13
• 1.4 本文主要研究?jī)?nèi)容13-14
• 1.5 文章結(jié)構(gòu)安排14-15
• 第2章 ECG身份識(shí)別基礎(chǔ)和信號(hào)預(yù)處理15-26
• 2.1 ECG身份識(shí)別基礎(chǔ)15-19
• 2.1.1 ECG信號(hào)簡(jiǎn)介15-16
• 2.1.2 ECG信號(hào)身份識(shí)別模式和閾值選擇策略描述16-17
• 2.1.3 性能衡量指標(biāo)17-18
• 2.1.4 本文的實(shí)驗(yàn)數(shù)據(jù)18-19
• 2.2 ECG信號(hào)預(yù)處理19-24
• 2.3 本章小結(jié)24-26
• 第3章 基于運(yùn)動(dòng)狀態(tài)的多層識(shí)別算法26-45
• 3.1 運(yùn)動(dòng)狀態(tài)下的ECG信號(hào)心率變異性處理26-29
• 3.1.1 存儲(chǔ)多態(tài)平均模板26-28
• 3.1.2 QRS復(fù)合波的檢測(cè)和定位28-29
• 3.1.3 分?jǐn)?shù)倍采樣率轉(zhuǎn)換29
• 3.2 基于運(yùn)動(dòng)狀態(tài)的多層識(shí)別算法描述29-31
• 3.3 相關(guān)特征提取算法31-34
• 3.4 實(shí)驗(yàn)結(jié)果以及對(duì)比34-44
• 3.4.1 多態(tài)平均模板優(yōu)化對(duì)比34-36
• 3.4.2 多層識(shí)別算法應(yīng)用于自采集數(shù)據(jù)庫(kù)和標(biāo)準(zhǔn)數(shù)據(jù)庫(kù)對(duì)比36-38
• 3.4.3 單層識(shí)別算法和多層識(shí)別算法對(duì)比38
• 3.4.4 單一特征提取算法和多種特征提取算法對(duì)比38-39
• 3.4.5 閾值選擇策略對(duì)比39-41
• 3.4.6 與AdaBoost算法對(duì)比41-43
• 3.4.7 時(shí)間復(fù)雜度對(duì)比分析43-44
• 3.5 本章小結(jié)44-45
• 第4章 基于多維度ECG信號(hào)的多層識(shí)別算法45-61
• 4.1 基于多維度ECG信號(hào)的多層識(shí)別算法描述45-47
• 4.2 相關(guān)特征提取方法47-50
• 4.3 實(shí)驗(yàn)結(jié)果及對(duì)比50-56
• 4.3.1 多維單層識(shí)別算法和多維多層識(shí)別算法對(duì)比50-51
• 4.3.2 單維多層識(shí)別算法與多維多層識(shí)別算法對(duì)比51-52
• 4.3.3 單維單層識(shí)別算法與多維單層識(shí)別算法對(duì)比52
• 4.3.4 擴(kuò)散優(yōu)化對(duì)比52-54
• 4.3.5 閾值選擇策略對(duì)比54-55
• 4.3.6 與其他數(shù)據(jù)融合算法對(duì)比55-56
• 4.4 多模多維多層身份識(shí)別算法描述56-59
• 4.5 時(shí)間復(fù)雜度對(duì)比分析59-60
• 4.6 本章小結(jié)60-61
• 結(jié)論61-63
• 參考文獻(xiàn)63-68
• 致謝68

【相似文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前3條

1 楊鈞,馬大慶,高培毅;ROC方法及其在放射學(xué)中的應(yīng)用[J];中國(guó)醫(yī)學(xué)影像技術(shù);2000年05期

2 吳愛(ài)平,王立業(yè),李川勇;長(zhǎng)序列心電信號(hào)最佳復(fù)雜度的確定[J];生物醫(yī)學(xué)工程學(xué)雜志;2005年01期

3 ;[J];;年期

中國(guó)重要會(huì)議論文全文數(shù)據(jù)庫(kù) 前1條

1 宋玉丹;秦志鈺;容幸福;;彩色無(wú)序圖像分割中最佳閾值的選擇[A];圖像圖形技術(shù)與應(yīng)用進(jìn)展——第三屆圖像圖形技術(shù)與應(yīng)用學(xué)術(shù)會(huì)議論文集[C];2008年

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前3條

1 劉琳琳;基于心電圖的身份識(shí)別魯棒性研究[D];哈爾濱工業(yè)大學(xué);2016年

2 羅勇;經(jīng)顱超聲在帕金森病診斷中最佳閾值和診斷價(jià)值的研究[D];浙江大學(xué);2014年

3 徐尚蕾;Bootstrap算法在基因預(yù)測(cè)中的閾值選取研究[D];電子科技大學(xué);2011年

，

本文編號(hào)：855643