基于FCM算法的心电信号特征分类研究

发布时间：2021-05-18 03:03

　　随着社会经济的发展,人们生活方式发生转变,心血管疾病流行趋势明显,已逐渐成为我国人群的主要疾病负担。通过心电图可有效观测出心律失常,对预防和诊断心血管疾病具有重要意义。随着人工智能大数据的快速发展,机器学习技术在心电信号自动分类上的研究成果层出不穷,但至今未能广泛应用于临床诊断上。因此,研究可靠、稳定的自动分析诊断方法尤为重要。本文对目前国内外的心律失常识别技术进行了分析,针对目前心电信号处理、分析和智能诊断算法中存在的不足,提出了改进的心电信号处理和识别方法,并通过计算机仿真实验进行了验证。全文主要工作如下:（1）基于小波阈值的心电信号预处理。通过分析心电信号中的噪声特性,利用小波变换技术将信号进行多层小波分解,构造了一种介于软、硬阈值之间的新阈值函数。通过实验验证该方法与软硬阈值去噪相比,能有效提高信号的信噪比。（2）基于融合特征的心电信号特征提取。采用小波变换对心电信号进行特征点检测,将单个周期的心电信号作为数据样本,提取出间期和幅值等作为时域特征。采用深度稀疏自编码器对心电信号进行编解码,只需要少量标签就能完成网络预训练与微调,降低了对样本标签的依赖。过程中采用自适应矩估计进行... 

【文章来源】：西南科技大学四川省

【文章页数】：66 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
1 绪论
    1.1 研究背景和意义
    1.2 国内外的研究现状
        1.2.1 心电信号预处理研究现状
        1.2.2 心电信号特征提取研究现状
        1.2.3 心电信号分类研究现状
    1.3 研究内容与论文的结构安排
        1.3.1 研究内容
        1.3.2 论文结构安排
2 心电信号的相关理论知识
    2.1 心电信号的产生机理与特点
        2.1.1 心电信号的产生机理
        2.1.2 心电信号的特点
    2.2 心律失常的基本介绍与典型波形
    2.3 心律失常分类的难点与挑战
    2.4 常用心电信号数据库
    2.5 本章小结
3 心电信号预处理
    3.1 心电信号噪声分析
    3.2 数据读取
    3.3 小波变换理论以及在去噪上的应用
    3.4 基于小波阈值的心电信号预处理
        3.4.1 小波基的选择
        3.4.2 分解层数确定
        3.4.3 基于小波阈值的心电信号去噪
    3.5 心电信号预处理仿真实验及分析
        3.5.1 小波分解系数处理
        3.5.2 信号重构
        3.5.3 去噪效果评估及对比
    3.6 本章小结
4 心电信号的波形检测与特征提取
    4.1 时频域特征提取
        4.1.1 特征选择
        4.1.2 特征点识别
        4.1.3 基于小波变换的心电特征识别与提取
    4.2 深度特征提取
        4.2.1 深度稀疏自编码器
        4.2.2 基于深度稀疏自编码器(DSAEs)的心电特征提取
    4.3 特征融合
    4.4 心电信号特征提取仿真实验及分析
        4.4.1 基于时域特征有效性测试和结果分析
        4.4.2 基于深度特征有效性测试和结果分析
        4.4.3 基于融合特征的有效性测试和结果分析
    4.5 本章小结
5 基于FCM算法的心电信号特征分类
    5.1 模糊聚类分析
        5.1.1 聚类分析的数学模型与常用方法
        5.1.2 相似度测度
        5.1.3 模糊理论
        5.1.4 基于目标函数的模糊聚类(FCM)
        5.1.5 FCM算法的优势与缺点
    5.2 基于FCM算法的心电信号特征分类
        5.2.1 FCM算法的改进
        5.2.2 FCM聚类算法的收敛性分析
        5.2.3 基于FCM算法的心电特征分类算法结构
    5.3 心电信号特征分类仿真实验及结果分析
        5.3.1 心电信号特征分类实验评价指标
        5.3.2 基于FCM算法的心电应用结果及分析
    5.4 本章小结
6 总结与展望
致谢
参考文献
攻读学位期间取得的研究成果



本文编号：3192984