当前位置:主页 > 科技论文 > 网络通信论文 >

基于改进极限学习机的心律失常分类

发布时间:2019-03-22 06:28
【摘要】:针对心律失常分类性能受输入信号质量、提取的分类特征集及分类器三者共同影响,为准确分类,提出一种新的利用软阈值小波消除心电信号噪声、核主成分分析约简心电信号原始特征集及极限学习机(ELM)分类的组合方法。同时由于基本ELM用于心律失常分类问题时随机初始化输入参数易导致部分隐含层节点无效,从而需要大量的隐含层节点才能达到分类性能要求的问题,提出采用遗传算法(GA)优化ELM,用MIT-BIH心律失常数据库进行实验,对六种不同类型的心律心拍得到98.68%的平均分类准确率,98.19%的平均灵敏度,98.64%的平均特异性,实验结果表明,所提方法在运行时间上更快,准确率更高,适合于心律失常分类的实际应用。
[Abstract]:The classification performance of arrhythmia is affected by the quality of input signal, extracted classification feature set and classifier. In order to accurately classify arrhythmia, a new method to eliminate ECG signal noise by soft threshold wavelet is proposed. The combination of kernel principal component analysis (KPCA) and extreme learning machine (ELM) classification is used to reduce the original feature collection of ECG signals. At the same time, because of random initialization of input parameters when basic ELM is used for arrhythmia classification, some hidden layer nodes are not effective, so a large number of hidden layer nodes are needed to meet the classification performance requirements. Genetic algorithm (GA) was used to optimize ELM, and MIT-BIH arrhythmia database was used to carry out experiments. The average classification accuracy and sensitivity of six different cardiac beats were 98.68% and 98.19%, respectively. The average specificity of 98.64% is 98.64%. The experimental results show that the proposed method has faster running time and higher accuracy. It is suitable for the practical application of arrhythmias classification.
【作者单位】: 河北工业大学计算机科学与软件学院;河北工业大学电气工程学院;
【分类号】:TN911.7;TP18

【相似文献】

相关期刊论文 前10条

1 杨绍华;;一种基于核主成分分析的人脸识别方法[J];河北科技师范学院学报;2008年03期

2 常卫东;刘完芳;鄢喜爱;;两种特征提取技术在入侵检测中的应用[J];长春工业大学学报(自然科学版);2007年01期

3 常卫东;王正华;张颜华;刘完芳;鄢喜爱;;基于核主成分分析的虹膜识别方法[J];空军工程大学学报(自然科学版);2007年05期

4 杨绍华;林盘;潘晨;;利用小波变换提高基于KPCA方法的人脸识别性能[J];山东大学学报(理学版);2007年09期

5 夏国恩;;基于核主成分分析特征提取的客户流失预测[J];计算机应用;2008年01期

6 刘素京;杨琳;王从庆;;基于核主成分分析和支持向量机的飞机舱音信号识别[J];东南大学学报(自然科学版);2008年S2期

7 冯兴杰;冯小荣;王艳华;;基于核函数的PCA在QAR数据分析中的应用[J];计算机工程与应用;2009年14期

8 郭飞;王成;;基于LMP和KPCA的人脸识别[J];计算机工程;2010年24期

9 殷俊;周静波;金忠;;基于余弦角距离的主成分分析与核主成分分析[J];计算机工程与应用;2011年03期

10 赵丽红;孙宇舸;蔡玉;徐心和;;基于核主成分分析的人脸识别[J];东北大学学报(自然科学版);2006年08期

相关会议论文 前9条

1 熊伟;万忠宏;张红英;幸华刚;;基于聚类的核主成分分析方法在地震属性降维中的应用[A];中国地球物理学会第二十七届年会论文集[C];2011年

2 颜根廷;马广富;朱良宽;宋斌;;一种鲁棒支持向量机算法[A];2006中国控制与决策学术年会论文集[C];2006年

3 徐扬;陈实;田玉敏;;基于核主成分分析的步态识别[A];2008'中国信息技术与应用学术论坛论文集(二)[C];2008年

4 林健;朱帮助;;基于核主成分分析的区域经济社会发展综合评价[A];第25届中国控制会议论文集(下册)[C];2006年

5 薛永刚;朱靖波;魏刚;;基于核主成分分析的文本分类[A];第二届全国信息检索与内容安全学术会议(NCIRCS-2005)论文集[C];2005年

6 秦建玲;李军;;基于核的主成分分析的特征提取方法与样本筛选[A];2005年中国机械工程学会年会论文集[C];2005年

7 刘旭;陆文聪;王立升;;改进核函数算法在蛋白质分类中的应用[A];中国化学会第28届学术年会第14分会场摘要集[C];2012年

8 师丽强;张斌;阳春华;;基于核主元分析的净化除钴过程数据预处理研究[A];2011第十六届全国自动化技术与应用学术年会专辑[C];2011年

9 彭妮娜;易维宁;方勇华;;基于核函数的高光谱图像信息提取研究[A];光子科技创新与产业化——长三角光子科技创新论坛暨2006年安徽博士科技论坛论文集[C];2006年

相关博士学位论文 前10条

1 王权海;子空间分析方法在地震勘探等信号处理中的初步应用研究[D];成都理工大学;2013年

2 蒋金山;图像模式分类与检索[D];华南理工大学;2004年

3 汪东;基于支持向量机的选时和选股研究[D];上海交通大学;2007年

4 史卫亚;大规模数据集下核方法的技术研究[D];复旦大学;2008年

5 陈其松;智能优化支持向量机预测算法及应用研究[D];贵州大学;2009年

6 罗德江;基于核方法的井—震多属性碎屑岩储层预测技术研究[D];成都理工大学;2012年

7 赵丽红;人脸检测和识别算法的研究与实现[D];东北大学;2006年

8 潘永惠;基于神经计算的服装缝纫性能模糊评价研究[D];江南大学;2008年

9 苏时光;谱主成分分析及其在多指标评价体系中的应用[D];中国农业大学;2004年

10 舒云星;水泥烧成系统故障诊断与质量预测支持向量机方法的研究[D];武汉理工大学;2008年

相关硕士学位论文 前10条

1 姜苏迪;核主成分分析在企业经济效益分析中的应用[D];哈尔滨工程大学;2011年

2 贾亚琼;基于核主成分分析的图像降噪方法研究[D];华南理工大学;2010年

3 沈徐辉;基于核主成分与支持向量机的体内药物代谢预测[D];浙江大学;2011年

4 林伟;基于核主成分分析和核Fisher判别分析的精神负荷分类[D];华东理工大学;2013年

5 万康康;基于核主成分分析的原像问题研究[D];南京理工大学;2014年

6 王辉;基于核主成分分析特征提取及支持向量机的人脸识别应用研究[D];合肥工业大学;2006年

7 常卫东;智能入侵检测中的特征提取和集成学习技术研究[D];国防科学技术大学;2005年

8 刘亭;基于统计学习的鱼龄识别方法的研究[D];天津理工大学;2009年

9 黄浩;基于高分辨率卫星影像的城市植被信息提取与分析研究[D];河海大学;2005年

10 李乐;人脸识别方法研究[D];天津大学;2005年



本文编号:2445342

资料下载
论文发表

本文链接:https://www.wllwen.com/kejilunwen/wltx/2445342.html


Copyright(c)文论论文网All Rights Reserved | 网站地图 |

版权申明:资料由用户e0428***提供,本站仅收录摘要或目录,作者需要删除请E-mail邮箱bigeng88@qq.com