论文部分内容阅读
近年来,经济的快速发展导致人们生活节奏不断加快。日益增大的生活压力,生活方式不规律,导致心脏病的发病率急剧上升,向年轻化发展,心脏病成为人类健康的重大威胁。几乎所有心脏病病发都会伴随着心律失常现象,因此对心律失常的实时监测和识别可以帮助人们及早发现并治疗心脏疾病。人体心电信号(Electrocardingraph,ECG)是分析与鉴别心律失常的重要依据,通过对心电信号进行分类可以识别出是否存在心率失常及对应种类。目前有许多学者提出了基于机器学习的心电信号分类算法,但这些算法普遍忽略了不同病人间的个体差异。针对这一问题,本文分别提出一种基于S变换的心电信号分类算法和一种基于迁移学习的个性化心电信号分类算法,实现不同病人心电信号的差异化检测与识别:(1)提出使用S变换来提取ECG信号的时频特征。S变换是一种有效的时频分析的、工具。相对于短时傅里叶变换,S变换窗函数可变;相对于小波变换,S变换避免了复杂的母小波的选择过程,解决了小波变换的相位局部化问题。而且S变换的时频表示中各频率分量的相位谱与原始信号保持直接的联系,使其具有良好的时频特性。实验部分基于MIT-BIH心律失常数据库展开,参考AAMI的建议,将全部心电信号分为五大类。结果显示基于S变换和SVM分类器的心电信号分类模型优于其他两个对比模型,敏感度和阳性率显著提升。实验结果表明基于S变换的特征能更好地反映心电信号的特点,尤其是可以更好地区分正常和异常心拍,从而使分类准确率得到明显提高。(2)目前大部分ECG信号分类算法都没有考虑不同病人间的个体差异,而事实上这一差异十分显著,不能一概而论。使用统一的标准去判断不同个体的心律失常是不合理的。针对上述问题,本文提出基于迁移学习的病人个性化ECG分类算法,迁移学习算法采用基于特征层面的联合分布适配算法,该算法应用最大均值差异衡量源域分布和目标域分布之间的距离,并基于主成分分析获得最小距离对应的特征子空间。通过两部分对比实验,分别验证了本文提出的分类模型相对于其他病人个性化ECG信号分类模型的有效性以及迁移学习对异常心拍识别的有效性。