基于張量的心電特征提取及模式分類方法研究.pdf

1、心電信號的自動分析診斷技術,是通過模式識別方法來提取心電信號中的有效特征,并給出輔助結論,從而幫助醫(yī)生更加快速準確地給出診斷結論,提高診斷效率并減少誤診率。傳統(tǒng)的心電信號自動分析診斷技術的研究對象主要是單導聯或2導聯心電信號,在向量空間來完成特征抽取和模式識別的過程。然而現在12導聯心電信號已經成為醫(yī)學界通用的標準,如果仍然應用向量空間中的方法來處理這類心電信號,將會丟失12導聯心電信號表征帶來的有價值的結構信息,還會面臨小樣本問題。因

2、此迫切需要針對12導聯心電信號提出新的處理方法。
　　本文針對這一需求,提出了一個基于張量的心電自動分析處理框架,在張量空間完成12導心電信號的特征抽取過程,最大程度保留了真實心電數據中的完整信息,用于后續(xù)的模式分類。本文所提出的心電張量自動分析處理框架主要分為以下三個模塊:
　　1)心電信號預處理。在心電信號預處理部分,我們根據噪聲的不同來源使用了不同的方法對原始信號進行了去噪處理,然后基于特征點檢測對去噪信號進行了心跳切

3、分。對于切分好的心跳信號,我們通過短時傅里葉變換將其映射到3階張量空間上,這樣既能捕捉到時域上心電波形在形態(tài)上(如波幅,間期等)的變化特征,也能捕捉到心電信號在頻域上功率譜變化的特征,提升心電特征可判別性。
　　2)特征抽取。本文首先介紹了向量空間中常用的幾種心電特征提取方法,然后重點研究了基于張量來提取心電信號特征的方法。根據最終獲取特征空間的不同,分別研究了通過張量分解和秩1張量判別分析來獲取12導聯心電特征的過程。秩1張量判

4、別分析本質上是一種類貪心算法:其在各個迭代過程中有局部最優(yōu)解,但在整體上并非全局最優(yōu)解。針對這一問題,我們提出了一種自適應的秩1張量判別分析方法:根據訓練數據在已有特征上的判別性,自適應調整后續(xù)迭代中獲取的特征,從而使得所有特征在整體上能有更好的效果。
　　3)模式分類。在分類器的選擇過程中,通常需要考慮分類器的分類準確率以及性能。另外,心臟病種類繁多,是一個典型的多類分類問題,因此選擇的分類器必須具有良好的多類分類能力。我們最終

5、選擇使用支持向量機來完成分類過程。支持向量機本質上是一種稀疏核機器,能通過kernel trick來解決非線性分類問題,并且計算復雜度也很低,在很多分類問題中都被證明有很好的分類準確率和性能。在解決多類分類問題時,我們采用了一種投票的方式來擴展原始的二分類支持向量機。
　　在真實數據集上的實驗結果驗證了我們提出的張量方法能夠獲取判別性較好的特征,在模式分類中獲得了比向量空間方法更高的準確率,另外我們提出的自適應的秩1張量判別分析方