基于張量的心電特征提取及模式分類(lèi)方法研究.pdf

1、心電信號(hào)的自動(dòng)分析診斷技術(shù),是通過(guò)模式識(shí)別方法來(lái)提取心電信號(hào)中的有效特征,并給出輔助結(jié)論,從而幫助醫(yī)生更加快速準(zhǔn)確地給出診斷結(jié)論,提高診斷效率并減少誤診率。傳統(tǒng)的心電信號(hào)自動(dòng)分析診斷技術(shù)的研究對(duì)象主要是單導(dǎo)聯(lián)或2導(dǎo)聯(lián)心電信號(hào),在向量空間來(lái)完成特征抽取和模式識(shí)別的過(guò)程。然而現(xiàn)在12導(dǎo)聯(lián)心電信號(hào)已經(jīng)成為醫(yī)學(xué)界通用的標(biāo)準(zhǔn),如果仍然應(yīng)用向量空間中的方法來(lái)處理這類(lèi)心電信號(hào),將會(huì)丟失12導(dǎo)聯(lián)心電信號(hào)表征帶來(lái)的有價(jià)值的結(jié)構(gòu)信息,還會(huì)面臨小樣本問(wèn)題。因

2、此迫切需要針對(duì)12導(dǎo)聯(lián)心電信號(hào)提出新的處理方法。
　　本文針對(duì)這一需求,提出了一個(gè)基于張量的心電自動(dòng)分析處理框架,在張量空間完成12導(dǎo)心電信號(hào)的特征抽取過(guò)程,最大程度保留了真實(shí)心電數(shù)據(jù)中的完整信息,用于后續(xù)的模式分類(lèi)。本文所提出的心電張量自動(dòng)分析處理框架主要分為以下三個(gè)模塊:
　　1)心電信號(hào)預(yù)處理。在心電信號(hào)預(yù)處理部分,我們根據(jù)噪聲的不同來(lái)源使用了不同的方法對(duì)原始信號(hào)進(jìn)行了去噪處理,然后基于特征點(diǎn)檢測(cè)對(duì)去噪信號(hào)進(jìn)行了心跳切

3、分。對(duì)于切分好的心跳信號(hào),我們通過(guò)短時(shí)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(shí)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(hào)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(diǎn)研究了基于張量來(lái)提取心電信號(hào)特征的方法。根據(jù)最終獲取特征空間的不同,分別研究了通過(guò)張量分解和秩1張量判別分析來(lái)獲取12導(dǎo)聯(lián)心電特征的過(guò)程。秩1張量判

4、別分析本質(zhì)上是一種類(lèi)貪心算法:其在各個(gè)迭代過(guò)程中有局部最優(yōu)解,但在整體上并非全局最優(yōu)解。針對(duì)這一問(wèn)題,我們提出了一種自適應(yīng)的秩1張量判別分析方法:根據(jù)訓(xùn)練數(shù)據(jù)在已有特征上的判別性,自適應(yīng)調(diào)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(lèi)。在分類(lèi)器的選擇過(guò)程中,通常需要考慮分類(lèi)器的分類(lèi)準(zhǔn)確率以及性能。另外,心臟病種類(lèi)繁多,是一個(gè)典型的多類(lèi)分類(lèi)問(wèn)題,因此選擇的分類(lèi)器必須具有良好的多類(lèi)分類(lèi)能力。我們最終

5、選擇使用支持向量機(jī)來(lái)完成分類(lèi)過(guò)程。支持向量機(jī)本質(zhì)上是一種稀疏核機(jī)器,能通過(guò)kernel trick來(lái)解決非線性分類(lèi)問(wèn)題,并且計(jì)算復(fù)雜度也很低,在很多分類(lèi)問(wèn)題中都被證明有很好的分類(lèi)準(zhǔn)確率和性能。在解決多類(lèi)分類(lèi)問(wèn)題時(shí),我們采用了一種投票的方式來(lái)擴(kuò)展原始的二分類(lèi)支持向量機(jī)。
　　在真實(shí)數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果驗(yàn)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(lèi)中獲得了比向量空間方法更高的準(zhǔn)確率,另外我們提出的自適應(yīng)的秩1張量判別分析方