基于特征融合的不平衡ECG信号分析

《基于特征融合的不平衡ECG信号分析》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、基基基于于于特特特征征征融融融合合合的的的不不不平平平衡衡衡ECG信信信号号号分分分析析析AnalysisofImbalancedECGSignalsbasedonFeatureFusion工程领域：电子与通信工程作者姓名：侯弘慧指导教师：吕卫副教授企业导师：国狄非天津大学电气自动化与信息工程学院二〇一七年十二月独创性声明本人声明所呈交的学位论文是本人在导师指导下进行的研究工作和取得的研究成果，除了文中特别加以标注和致谢之处外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得天天天津津津大大大学学学或其他教育机构的学位或证书而使用过

2、的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示了谢意。学位论文作者签名:签字日期:年月日学位论文版权使用授权书本学位论文作者完全了解天天天津津津大大大学学学有关保留、使用学位论文的规定。特授权天天天津津津大大大学学学可以将学位论文的全部或部分内容编入有关数据库进行检索，并采用影印、缩印或扫描等复制手段保存、汇编以供查阅和借阅。同意学校向国家有关部门或机构送交论文的复印件和磁盘。(保密的学位论文在解密后适用本授权说明)学位论文作者签名:导师签名:签字日期:年月日签字日期:年月日摘摘摘要要要世界卫生组织(WHO)的

3、数据表明，当今心血管疾病仍是威胁人类健康的一大杀手。其中由心律失常导致的心血管疾病占主导地位。心电图(ECG)作为心血管疾病诊疗的得力助手，在心律失常的诊断上作用显著。随着计算机应用的扩展，计算机辅助医师诊断心脏疾病已经成为研究热点，效率高且人工影响低。本文主要研究计算机辅助诊断心律失常疾病的技术，在现有国内外研究的基础之上，对心电疾病的特征提取技术以及心电不平衡问题进行深入研究，首次将一维心电信号转化为二维心电图片进行特征的提取，并将特征融合技术和不平衡处理算法应用到心电分类系统中。该系统主要包括三大方面：1、特征获取。主要应用前期融合技术(

4、earlyfusion)将两种特征融合一起。提出了两种框架：第一，提取心电图片的二维卷积(2D-CNN)特征与传统的关键点位置(PQRST)特征，将两者融合得到融合特征；第二，提取心电图片2D-CNN特征与该信号的一维卷积(1D-CNN)特征，将两者融合获得融合特征。该部分为后续不平衡处理提供了输入变量。2、不平衡处理。针对样本类别数量不均衡的情况，在训练集和测试集上通过改变样本数量减缓或改变这一现象。本文对比八种不平衡处理技术的实验结果，选择随机升采样(ROS)算法来达到改变样本分布的目的。实验结果表明该方法在心电方向效果显著。3、分类器应用

5、。在不平衡处理之后，加入两种典型的分类器:支持向量机(SVM)和随机森林(RF)，作为心跳类型的判断工具。对比两个实验结果发现，RF无论在哪种框架下分类准确度均高于SVM。因此，本系统最终采取RF分类器。为了说明本文提出的两种特征框架下的分类系统泛化能力较强，分别做了intra-patient和inter-patient两种实验，为了进一步表明系统的鲁棒性与稳定性强，系统被迁移到另一数据库(STCD)进行实验。实验数据表明，无论哪种实验，本文提出的系统分类精度均在99%以上，高于现有先进技术水平。关关关键键键词词词：：：ECG信号，二维卷积神经

6、网络，特征融合，不平衡处理，随机森林，支持向量机IABSTRACTThedataoftheWorldHealthOrganization(WHO)indicatethatcardiovascularisstillgrimindiagnosisandtreatment,andarrhythmiaspredominate.Asadiagnos-ticassistantforcardiacdiseases,Electrocardiogram(ECG)processingissignificantlyimportant.Withtheexpansiono

7、fcomputerapplications,ComputerAidedDiagnosis(CAD)hasbecomearesearchemphasisinthefieldofheartdiseasediagnosis.ThispapermainlyresearchesonheartbeatclassificationbasedonCAD,especiallyinfeaturefusionandimbalancedprocessing.Itisthefirsttimethatone-dimensional(1D)heart-beatsignalsare

8、convertedintotwo-dimensional(2D)imagesforextracting2D-CNNfeatures,andfeatur