遠程心電張量特征抽取與分析.pdf

1、隨著物聯網技術,智能移動設備的不斷普及，大規(guī)模遠程心電的診斷平臺不斷成熟并且被廣泛使用。由于遠程心電診斷平臺的規(guī)模巨大，自動的輔助診斷就顯得尤為的重要，尤其是危重和急癥病例的識別。本文的重點就是從去噪，預處理，特征抽取，特征降維，分類的整個流程中所涉及的基礎理論和關鍵技術方面的問題。
　　本文主要從輔助心電分析的角度出發(fā)，研究如何結合心電的特點，解決心電去噪、預處理、特征抽取、特征降維、特征分類和模式識別等問題，并且結合心電的不同

2、特點提出相應的實現算法。并最終將這些方法應用到心電的輔助診斷和分類問題上。
　　本文的主要工作和創(chuàng)新點包括以下幾個方面：
　　1.對于心電預處理過程來說，去噪是至關重要的環(huán)節(jié)。傳統(tǒng)的心電去噪方法往往帶來心電波形的走樣和關鍵特征的丟失。另外，心電12導聯信號本身存在著很大的冗余。這里我們提出了一種新的方法充分利用了心電信號本身的冗余性特點。我們重構出心電的2d和3d心電向量信號，然后通過投影重新獲取多組原始心電信號，我們充分利

3、用了波形中重要波形所在位置的信息，利用基于先驗知識的加權主成分分析方法來去除噪聲并且從重建心電信號中抽取出有用波形。
　　2.從病理學角度出發(fā)，使用人工診斷過程中使用的特征進行分析有很大的困難。不同的心電疾病有著不同的心電波形，而且對于心電來說，有著很多種類的疾病，所以要從心電中準確無誤地抽取出心電的病理學特征非常困難。因此我們嘗試從機器學習的角度出發(fā)，從數據中學習出機器可以理解和容易處理的特征來進行分析，最終得到好的分析效果。除

4、此之外，心電信號在頻率上存在著一些對分類非常有用的特征，所以我們嘗試在時頻空的復合域上進行分析。所以我們提出了一些基于張量和多線性分析的方法直接在張量空間對數據進行分析，來嘗試克服張量空間里特征稀疏和其它相關問題。
　　3.張量算法的通病是目標函數非凸，容易落入局部最小解等問題。為了能夠以大概率得到全局最優(yōu)解。這里我們提出了一種計算框架，對于帶約束的和不帶約束的張量問題來進行求解。使用我們的方法，和其它張量學習算法所遇到的收斂困難

5、等問題可以不同程度得到改善，而且往往可以得到更優(yōu)的解。
　　4.對于張量特征抽取算法，分為基于T2V映射并且以向量為輸出的還有基于T2T映射并且以張量為輸出的。本文提出的張量特征抽取算法基本上都是基于(T2V)的。雖然對于以張量為輸出的張量特征抽取算法，我們可以對它的張量輸出進行向量化然后使用現有向量空間分類器進行分類，但是這樣也會面臨結構信息丟失、參數過多過擬合、小樣本問題等等。所以我們提出了一些可以直接以張量為輸入的特征分類方