检索结果-南通市图书馆

基于三域特征提取和GS-SVM的ecg信号智能分类技术研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

四川大学学报（自然科学版） 2020年第2期57卷 297-303页

作者：方红帏赵涛佃松宜四川大学电气工程学院

近年来,基于单域的特征提取方法已经得到广泛的研究,并被用于心律失常的检测分类.事实上,多域特征提取在其分类中往往表现得更好.本文利用MIT/BIH心律失常数据库中的48组ecg信号进行预处理,从时域、频域和小波域提取了信号的三域特征,... 详细信息

近年来,基于单域的特征提取方法已经得到广泛的研究,并被用于心律失常的检测分类.事实上,多域特征提取在其分类中往往表现得更好.本文利用MIT/BIH心律失常数据库中的48组ecg信号进行预处理,从时域、频域和小波域提取了信号的三域特征,这些特征从各个方面充分表征了ecg信号的性质.再利用基于网格搜索的SVM结合归一化特征可将ecg信号划分为常见的4类.该方法的总体精度达到98.01%,f 1分值为0.9800,对ecg信号的检测性能良好,相对目前绝大多数ecg信号分类器具有更强的泛化能力.

关键词：心律失常检测 ecg信号分类三域特征提取信号预处理基于网格搜索的SVM

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

ecg信号的R峰检测与分类方法研究

ECG信号的R峰检测与分类方法研究

作者：殷雪琼武汉理工大学

学位级别：硕士

目前,心血管疾病不仅是全世界各个国家的人群所面临的重大健康威胁,更是我国当下死亡病因中的首要因素,且其患病人数与死亡人数在近几年中依然继续保持增长。因此,进行有关识别心率失常及其对应类型的自动分类算法的相关研究有着很大的... 详细信息

目前,心血管疾病不仅是全世界各个国家的人群所面临的重大健康威胁,更是我国当下死亡病因中的首要因素,且其患病人数与死亡人数在近几年中依然继续保持增长。因此,进行有关识别心率失常及其对应类型的自动分类算法的相关研究有着很大的现实意义。目前,基于心电图信号的心率失常自动识别与分类算法主要依赖深度学习方法。但是,一方面,深度学习方法需要将ecg信号划分为用于训练和测试网络模型的单个ecg心拍样本,因此需要进行R峰检测并根据其结果来进一步完成心拍划分工作。另一方面,由于目前的心电数据库中的各类型样本的数量存在严重不平衡现象,最终的识别率将无法得到保证,因此还需要解决非平衡数据集这一问题。此外,目前大多数的深度学习模型都是对患者内模式的ecg信号进行分类识别,针对患者间模式的ecg信号进行识别的网络模型较少且对异常类型心拍的识别率较低。综上,本文的主要工作如下:（1）针对ecg信号R峰检测问题,考虑现实情境对实时性的要求,本文提出一种基于动态自适应双阈值法的ecg信号R峰检测算法,并对MIT-BIH心电数据库中的ecg信号进行R峰检测定位。依据上述方法获取的R峰位置,本文对MIT-BIH心电数据库中每一条长达30分钟以上的原始心电记录进行心拍划分,生成用于训练和测试的原始ecg心拍样本,并根据MIT-BIH提供的注释文件对其类型进行标记。（2）针对样本间数量极度不平衡问题和数据集为患者间模式时的识别率较低问题。本文对原始的且未经过预处理的ecg心拍采用合成少数类过采样技术进行数据集平衡工作,使用患者内和患者间两种不同模式来进行数据集的划分,并用于验证不同模型的分类性能。（3）针对ecg信号自动识别与分类问题,本文首先设计两种单一网络模型来进行识别与分类,分别为一维卷积神经网络和单层长短时记忆网络。在验证一维卷积网络和长短时记忆网络对ecg信号进行分类的可行性之后,提出一种结合一维卷积神经网络和长短时记忆网络的融合网络,并与上述搭建的两个单一网络的分类结果进行对比,对提出模型的可行性和优势进行验证,最后对提出的方法与其他同类型文献提出的方法进行横向比较,分析该方法的优势与不足。

关键词： ecg信号R峰检测 ecg信号分类深度学习患者间模式患者内模式

基于改进的快速独立分量分析与支持向量机的ecg分类诊断

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

仪器仪表学报 2009年第12期30卷 2599-2604页

作者：谢亮汪晓东浙江师范大学计算机系金华321004 浙江师范大学电子工程系金华321004

提出了一种改进快速独立分量分析与支持向量机相结合的新型心电图分类方法。利用埃特金加速法对快速独立分量分析算法的核心迭代过程进行改造,得到改进的快速独立分量分析算法,减少了迭代次数,提高了算法的收敛速度。新方法运用改进的... 详细信息

提出了一种改进快速独立分量分析与支持向量机相结合的新型心电图分类方法。利用埃特金加速法对快速独立分量分析算法的核心迭代过程进行改造,得到改进的快速独立分量分析算法,减少了迭代次数,提高了算法的收敛速度。新方法运用改进的快速独立分量分析算法提取心电图数据的特征向量,并通过支持向量机实现心电图信号的分类。对取自MIT/BH数据库的7种不同心脏状况的心电图数据进行实验,结果表明该方法整体识别率达到98.8%,改进的快速独立分量分析算法所需迭代时间比现有的快速独立分量分析算法减少48%。

关键词： ecg信号分类独立分量分析埃特金加速支持向量机

面向体域网心电分类的神经网络模型压缩与加速方法研究

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

面向体域网心电分类的神经网络模型压缩与加速方法研究

作者：熊潘霞江西财经大学

学位级别：硕士

心血管疾病具有突发性和高危险性,严重威胁着人类健康。对人体心电图（Electrocardiogram,ecg）进行实时动态监测和识别是一种有效诊断和预防心血管疾病的重要手段。体域网（Body Sensor Network,BSN）可以实现人体ecg信号的实时采集、... 详细信息

心血管疾病具有突发性和高危险性,严重威胁着人类健康。对人体心电图（Electrocardiogram,ecg）进行实时动态监测和识别是一种有效诊断和预防心血管疾病的重要手段。体域网（Body Sensor Network,BSN）可以实现人体ecg信号的实时采集、动态监测和有效分类,是解决该问题的较好方案。近年来,快速发展的深度神经网络方法被广泛应用于ecg信号分类。然而,深度神经网络普遍存在网络冗余参数多、计算复杂度高和模型存储量大等问题,不适合应用于资源受限的体域网。针对上述问题,本文以体域网ecg信号分类为研究目标,基于模型量化和知识蒸馏理论的方法,围绕深度残差网络模型压缩与加速方法展开研究,主要研究内容为:1)基于权值二值量化的一维残差网络ecg信号分类。首先设计了一种一维残差网络,该残差网络通过跳层连接的形式,将残差单元的输入与输出相加后再激活,并使用一维卷积层作为残差信息来增强残差块的特征,模型量化前的分类准确率达到99.18%。其次,对上述全精度残差网络的权值进行二值量化,保证信息无损失的前向传递,最终模型内存占用压缩32倍,分类准确率为99.07%。2)基于知识蒸馏的Cat（Concatenate）并联残差网络ecg信号分类。首先设计了Cat并联残差网络,该网络的残差层采用了Cat并联连接方式,学习融合特征,使用了前后特征传递模式,在网络层数更少的同时还提升了模型的分类性能。其次,为降低网络模型参数,使模型更加轻量化,采用知识蒸馏的方法,利用交叉熵损失函数,从教师模型中训练出学生模型,最终模型参数压缩了48.27%,分类准确率达到99.26%。本文从网络权值量化和网络架构知识蒸馏对深度神经网络进行压缩和加速,在保证较高分类准确率的前提下有效地解决了深度神经网络中冗余参数多,模型存储量大的问题。所提出的方法将有利于降低体域网功耗和提高体域网实时性,为促进体域网的学术研究和推广应用提供一定的参考。

关键词：体域网 ecg信号分类残差网络模型量化知识蒸馏

基于改进的EEMD和GA的心电信号特征融合与特征优化算法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于改进的EEMD和GA的心电信号特征融合与特征优化算法研究

作者：柯泽浚江西财经大学

学位级别：硕士

心律失常所导致的高致死率和高致残率并发症给家庭和社会带来了沉重的负担。如何有效预防和诊断心律失常已成为当前亟待解决的问题。现有的诸多方法中,对人体心电图(Electrocardiogram,ecg)进行实时动态自动监测是一种最为有效预防和诊... 详细信息

心律失常所导致的高致死率和高致残率并发症给家庭和社会带来了沉重的负担。如何有效预防和诊断心律失常已成为当前亟待解决的问题。现有的诸多方法中,对人体心电图(Electrocardiogram,ecg)进行实时动态自动监测是一种最为有效预防和诊断心律失常的手段。在进行ecg信号自动监测时,心律失常识别准确度是最为重要的问题之一,而ecg信号特征提取是提高其识别准确度的关键步骤。然而,现有的ecg信号特征提取算法存在特征提取不够深入和全面,且算法的普适性不强等问题。针对上述的这些问题,本文以提升ecg信号分类性能为研究目标,提出基于改进集成经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)与遗传算法(Genetic Algorithm,GA)的ecg信号特征融合与特征优化算法,主要研究内容如下:(1)心电信号预处理。首先采用有限脉冲响应滤波器对MIT-BIH心率异常数据库中的ecg信号进行去噪,然后使用双斜率特征提取算法进行ecg信号R波波峰定位,再依据该定位结果进行心拍分割,最后利用滑动窗口积分法对分割后ecg信号进行放大。并以此为后续ecg信号特征融合和特征优化提供数据支撑。(2)基于改进的EEMD和统计分析的ecg信号时频域特征融合算法。该算法首先在ecg信号的频域特征提取上使用主成分分析对EEMD算法进行了改进。然后在基于统计分析原理的基础上,在ecg信号的时域特征提取中分别提取了ecg信号的幅值特征、低阶统计量、高阶统计量、熵值等方面特征。最后将所提取的时频域特征进行融合。支持向量机(Support Vector Machine,SVM)分类验证实验表明,在病人内和病人间的情况下整体分类准确度分别为98.54%和93.84%。(3)基于改进GA的ecg信号特征优化算法。该算法通过对GA的适应度函数的改进,采用了适合本文特征优化算法的标准化欧氏距离作为适应度函数来进行全局最优解的计算,使得特征提取算法更具备普适性。SVM分类验证实验表明,在病人内和病人间的情况下整体分类准确度分别为98.77%和94.19%。本文从特征融合和特征优化的角度对ecg信号特征提取算法进行了改进,在保证高分类准确率的前提下提高了算法的普适性。所提出的算法有利于特征提取算法应用于心律失常的自动诊断与识别,为促进ecg信号特征提取的学术研究以及推广应用提供了一定的参考。

关键词： ecg信号分类集成经验模态分解遗传算法特征融合特征优化