基于核独立成分分析的心电信号特征提取和分类算法研究

摘要

随着人们生活水平的逐步提高，人们对健康的意识也在不断增强。然而现今心脏病的发病率也在逐年升高，已逐渐成为威胁人类健康的“第一杀手”，因此掌握其发生、发展规律及其防治措施极其重要。心电图作为心脏电活动在体表的反映，在临床上对于心脏部分疾病的检测和诊断具有重要的指导意义。由于心电信号波形的复杂多变性，加上各种噪声的干扰，使得从心电图中提取有效数据特征变得困难。因此，对心电信号特征提取和分类算法进行研究具有重要的理论和现实应用价值。
　　本文根据心电信号的特点提出了一种改进的基于核独立成分分析结合离散小波变换提取心电信号特征的算法。首先通过主成分分析对用于核独立成分分析提取非线性特征的样本数据进行降维优化得到20维特征，再通过离散小波变换提取第一尺度到第四尺度的细节系数和第四尺度的近似系数作为频域特征，采用统计学方法分别取其最大值、最小值、平均值和标准偏差后得到20维频域特征，采用线性判别法将数据优化到4维，最后将优化的特征组成多域特征空间。分类诊断中对于支持向量机的分类器设计，本文选取LIBSVM作为分类器对优化后的特征向量分类，并采用遗传算法对LIBSVM的惩罚因子C和径向基函数的核宽度g两个参数进行寻优，然后对MIT-BIH心律异常数据库的正常的心电信号、左束支传导阻滞、右束支传导阻滞、心室早期收缩和心房早期收缩五种信号进行分类。分类器的性能统计指标有灵敏度、特异度和阳性预测准确度，它们的平均值分别为98.50％、99.69％和98.91％。另外，测试集的分类准确率为98.8％，达到了预期的分类效果。本文最后采用该算法对Prosim2生命体征模拟器采集到的心电信号进行了实验分类。
　　本文通过准确提取最能反映心电信号本质的特征，实现了对不同类型心电信号进行高精度的分类识别。这对于提高诊断效率，缩短诊断时间，对心脏病患者的病情监护以及康复后的有效评价具有积极意义。

目录

声明

摘要

第一章 绪论

1．1 课题的研究目的和意义

1．2 课题的国内外研究现状及发展动态

1．2．1 心电信号特征提取的研究现状及发展动态

1．2．2 心电信号分类识别的研究现状及发展动态

1．3 本文的主要研究内容及章节安排

第二章 心电学理论基础

2．1 心电信号产生的机理

2．2 正常心电信号波形的意义

2．3 心律失常的原因

2．4 常用标准心电数据库

2．5 本章小结

第三章 核独立成分分析

3．1 独立成分分析(ICA)

3．1．1 ICA的基本原理

3．1．2 ICA问题的求解

3．1．3 ICA技术的优势和缺陷

3．2 核方法

3．2．1 核方法的理论基础

3．2．2 核函数的定义

3．2．3 再生核和再生核Hilbert空间

3．2．4 Gram矩阵

3．3 核独立成分分析

3．3．1 核典型相关分析

3．3．2 核独立成分分析的求解

3．4 本章小结

第四章 心电信号的多域特征提取算法研究

4．1 实验数据的选取

4．2 基于KICA方法的心电信号非线性特征提取

4．2．1 主成分分析法

4．2．2 非线性特征提取的仿真

4．3 基于离散小波分析的心电信号频域特征提取

4．3．1 线性判别法

4．3．2 频域特征提取的仿真

4．4 本章小结

第五章 基于支持向量机的分类器设计

5．1 常用的心电信号分类算法

5．2 统计学习理论与支持向量机

5．2．1 统计学习理论

5．2．2 支持向量机

5．3 遗传算法参数寻优在LIBSVM中的应用

5．4 ECG数据分类结果与分析

5．4．1 分类器的性能评估

5．4．2 ECG数据的分类结果

5．5 本章小结

第六章 心律失常分类的实验设计

6．1 心电信号采集系统的设计

6．2 Prosim 2生命体征模拟器的信号采集和分类

6．3 本章小结

第七章 总结与展望

7．1 论文工作总结

7．2 展望

参考文献

发表论文和参加科研情况

致谢