基于頻域特征的心電圖分類研究.pdf

1、心血管疾病是當(dāng)今危害人類健康的主要疾病之一,心電圖(ECG)檢查是臨床上診斷心血管疾病的重要方法.利用計算機對心電圖進(jìn)行自動準(zhǔn)確的分析一直是國內(nèi)外學(xué)者所熱衷的課題,而心電圖的自動分類又是其中的一個難點.心電圖分類的研究主要可分為時域方法和頻域方法.時域特征雖然具有明顯的生理學(xué)意義,但是易受人體和儀器噪聲影響,并且隨不同病人不同時期顯示出差異性,從而增加分類難度.在頻域方法中,通過對原始信號進(jìn)行數(shù)學(xué)變換,獲得含有信號深入信息的新的特征,常

2、用的變換主要有傅立葉變換和小波變換等.由于小波變換具有突出局部特征,檢測奇異點的能力,因而逐漸被受到重視. 本文中,采用心電信號的小波變換系數(shù)作為特征,分別使用BP神經(jīng)網(wǎng)絡(luò)和支持向量機構(gòu)建分類器,對四類心搏(正常心搏、左束支傳導(dǎo)阻滯心搏、右束支傳導(dǎo)阻滯心搏和起搏心搏)進(jìn)行分類.為了消除心電漂移和個體差異等帶來的影響,首先對四類心搏的樣本進(jìn)行預(yù)處理；接著對其進(jìn)行db2小波變換,將多尺度下的細(xì)節(jié)系數(shù)和概貌系數(shù)等作為特征共同構(gòu)成了高維

3、特征空間.為了降低高維特征向量給分類帶來的巨大計算量,采用歐氏距離作為度量類別間可分離性的判據(jù),通過基于最大散度的特征搜索算法搜索特征空間獲得了不同維數(shù)下的優(yōu)化特征組合,分析表明八維優(yōu)化特征組合以較低的維數(shù)獲得了較高的散度值.為了研究八維數(shù)特征向量下不同小波對分類器性能的影響,分別對db1～db10、coif1～coif5和syml～sym10小波進(jìn)行了八維優(yōu)化特征組合的提取,結(jié)果顯示coil2和sym8小波的八維優(yōu)化特征組合散度值明顯

4、大于db2小波. BP神經(jīng)網(wǎng)絡(luò)以db2小波下的八維特征向量作為輸入進(jìn)行多次訓(xùn)練以確定隱層的節(jié)點數(shù)和網(wǎng)絡(luò)權(quán)值,分類中對測試樣本獲得了較高的靈敏度和正確率.采用支持向量機作為分類器,分別使用標(biāo)準(zhǔn)算法和二叉樹算法對db2小波八維特征向量構(gòu)建了分類器；為了研究db2小波下不同維特征向量以及coif2和sym8小波八維特征向量對分類的影響,分別使用標(biāo)準(zhǔn)算法構(gòu)建了多個分類器并均獲得了高靈敏度和高正確率.通過對以上所有分類器的結(jié)構(gòu)、檢測結(jié)果及