论文部分内容阅读
心血管疾病是当今危害人类健康的主要疾病之一,心电图(ECG)检查是临床上诊断心血管疾病的重要方法。利用计算机对心电图进行自动准确的分析一直是国内外学者所热衷的课题,而心电图的自动分类又是其中的一个难点。心电图分类的研究主要可分为时域方法和频域方法。时域特征虽然具有明显的生理学意义,但是易受人体和仪器噪声影响,并且随不同病人不同时期显示出差异性,从而增加分类难度。在频域方法中,通过对原始信号进行数学变换,获得含有信号深入信息的新的特征,常用的变换主要有傅立叶变换和小波变换等。由于小波变换具有突出局部特征,检测奇异点的能力,因而逐渐被受到重视。本文中,采用心电信号的小波变换系数作为特征,分别使用BP神经网络和支持向量机构建分类器,对四类心搏(正常心搏、左束支传导阻滞心搏、右束支传导阻滞心搏和起搏心搏)进行分类。为了消除心电漂移和个体差异等带来的影响,首先对四类心搏的样本进行预处理;接着对其进行db2小波变换,将多尺度下的细节系数和概貌系数等作为特征共同构成了高维特征空间。为了降低高维特征向量给分类带来的巨大计算量,采用欧氏距离作为度量类别间可分离性的判据,通过基于最大散度的特征搜索算法搜索特征空间获得了不同维数下的优化特征组合,分析表明八维优化特征组合以较低的维数获得了较高的散度值。为了研究八维数特征向量下不同小波对分类器性能的影响,分别对db1~db10、coif1~coif5和sym1~sym10小波进行了八维优化特征组合的提取,结果显示coif2和sym8小波的八维优化特征组合散度值明显大于db2小波。BP神经网络以db2小波下的八维特征向量作为输入进行多次训练以确定隐层的节点数和网络权值,分类中对测试样本获得了较高的灵敏度和正确率。采用支持向量机作为分类器,分别使用标准算法和二叉树算法对db2小波八维特征向量构建了分类器;为了研究db2小波下不同维特征向量以及coif2和sym8小波八维特征向量对分类的影响,分别使用标准算法构建了多个分类器并均获得了高灵敏度和高正确率。通过对以上所有分类器的结构、检测结果及其分布曲线的对比分析,以db2小波八维特征向量作为输入的支持向量机标准算法分类器获得了总体最佳性能。