资源描述：
《心电论文资料》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。
1、在文献屮，己经提出了用于ECG信号的自动分类的儿种方法。最近出版的作品包扌酊1]■⑵[3][4][5]⑹⑺⑻[9][10]。[1]中提出的方法基于混合模糊神经网络，其由与多层感知器级联连接的模糊自组织子网络组成。作者提出使用高阶统计（即，笫二，第三和第四级的累积量）作为用于馈送其分类器的输入特征。⑵描述了基于ECG的心律分类的神经模糊方法。这里，QRS复信号的特征在于Hermite多项式，其系数馈送神经■模糊分类器。[3]作者实现了基于支持向量机（SVM）方法的两个分类系统。第一个使用基于高阶统计的特征，而第二个使用Hermite多项式的系数。为了改善性能，作者
2、提出通过加权机制來组合两个分类器，其权重根据最小二乘估计方法来确定。[4]提出了通过具有从二次样条小波变换导出的特征的模糊神经网络分类器来检测早产性心室收缩（PVC）o[5]探索了基于线性判别分类器的不同分类系统，连同从单个和多个ECG导联获得的不同形态和定时特征。[6]提出了一种基于双谱分析技术的心律失常的分析和分类的高阶谱分析方法。特别地，使用自回归模型来估计双谱，并且提取双谱的频率支持作为对心房和室性快速性心律失常进行分类的定量测量。[7]提出了一种基于马尔可夫方法的自动在线节拍分割和分类系统。系统通过两个处理层进行ECG信号分析。在笫一，通过使用隐马尔可
3、夫模型（HMM）的鲁棒和精确的波形建模将ECG信号分割成心跳波形。第二，系统使用一组简单的规则识别早期心室收缩搏动。[8]提出了一种基于规则的粗糙集决策系统，用于开发使用时域特征的疾病识别的推理机。[9]提出了一种基于线性判别的患者适应心跳分类器系统。分类系统使用全局分类器处理输入记录以产生第一组节拍注释。然后，专家验证，并且如果必要，校正记录的一小部分节拍。然后，系统通过首先使用新注释的节拍训练局部分类器來进行适应，并且组合局部和全局分类器以形成适应的分类系统。[10]作者提出了一种通过使用小波和定时特征训练神经网络分类器来分类大数据集的节拍的方法。作者发现，
4、具有二次样条小波的二元小波变换的第四个尺度与前/后RR间隔比一起，在区分正常和PVC与其他节拍方面是非常有效的。我们的实验是在来自MIT-BIH心律失常数据库的ECG数据的基础上进行的[17]o特别地，所考虑的搏动是指以下类别：正常窦性心律（N）,心房早搏（A）,心室早搏（V）,右束支传导阻滞（RB）,左束支传导阻滞（LB）节拍（/）。从20个患者的记录中选择节拍，这对应于以下文件：100,102,104,105,106,107,11&119,200,201,202,203,205,20&209,212,为了进行分类过程，在本研究中，我们釆用了以下两种特征：1）
5、ECG形态特征和2）三个ECG时间特征，即QRS复合持续时间，RR间隔（表示当前和先前心跳的QRS峰之间的距离的两个连续R点Z间的时间跨度），以及在最后10个心跳上平均的RR间期。MIT/BIH心律失常数据库[10]提供的数据是许多研究人员使用的基准。此数据库包含48个持续时问为30分钟的记录。记录号109,208,213和232用于提収心跳。四种类型的心跳，正常，早产性心室收缩（PVC）,心房过早收缩（APC）和左分支束跳（LBBBB）提出的实验框架围绕以下五个主要实验。第一个实验旨在评估SVM方法在直接在整个原始超维特征空间（即，通过所有303个可用特征）中
6、分类ECG信号的有效性。为了比较，我们实施了两个其他参考非参数分类方法，即k最近邻（kNN）和径向基函数（RBF）神经网络分类器［24］。在第二个实验中，当基于PCA特征缩减在标准分类方案中集成吋，期望探究SVM分类器（与两个参考分类器相比）的行为。特别地，特征的数目从10到50变化，步长为10,以便在小和高维特征子空间中测试这个分类器。第三个实验部分目的是评估所提出的PSO-SVM分类系统的能力，以进一步提高SVM分类器的精度，这归功于其自动特征检测和模型选择导向的优化过程。第四个实验致力于通过减少/增加可用训练节拍的数量来分析具有和不具有特征缩减的SVM,k
7、NN和RBF分类器以及PSO-SVM分类系统的泛化能力。这个分析是通过两个实验情景，分别从500到250和750训练节拍。最后，在笫五个实验中，我们分析了PSO-SVM分类系统相对于支配PSO优化器的三个参数的灵敏度，即惯性权重w和两个加速度常数cl和c2o在测试集上基于高斯核（SVM-RBF）的SVM分类器实现的OA和AA精度分别等于87.76%和87.48%o这些结果优于由SVM-线性，SVM-poly,RBF和kNN分类器实现的结果。事实上，对于SVM■线性分类器，OA"BAA）精度等于80.55%（78.90%）,对于SVM■聚分类器，85.75%（85
8、.75%）,RBF分类器
