基于隐马尔可夫模型的J波识别技术研究
本文关键词:基于隐马尔可夫模型的J波识别技术研究,,由笔耕文化传播整理发布。
【摘要】:J波是出现在心电图中QRS波下降支终点的一个看起来像凹口或顿挫的波形。J波是一种低幅、高频的变异波形,往往出现在早期复极化综合征和Brugada综合征病人的心电图中,容易导致心率失常和猝死。临床上,医生只能通过肉眼观察心电图中的J波变异,容易造成误诊。因此,J波检测在临床上可以作为判定某些心脏病的一种非侵入性的标记手段。本文中首先利用独立成分分析技术从心电图中提取原始J波信号。并利用模糊神经网络的模型对提取算法进行了改进,定义了分离度的概念,根据迭代过程中的分离度的不同选择不同的步长,使得提取过程中的算法收敛速度和稳态误差达到均衡。根据提取的J波,构建了一个包括2000个心电模式的数据库。其次,本文定义了五个能反映J波特性的特征向量,包括三个时域特征向量和两个基于小波的特征向量,并使用特征选择和主成分分析减少特征向量的维数,作为分类器的输入。而且,本文研究了时域特征向量的理想配置,这个理想配置是(a)140ms的时间延续,(b)-20ms的起点位置,和(c)保留9个主成分。最后,利用这些特征向量训练隐马尔可夫模型作为分类器的输入,输出最终的判定结果。结果表明,本文提出的方法提供了93.8%的平均准确度,94.2%的平均敏感性,93.3%的平均特异性和93.4%的平均阳性预测值,揭示了很高的评价标准(准确度,灵敏度,特异性和阳性预测值),表明该方法有能力准确地检测识别J波并且可以利用该方法检测心电图中的其他病变波形。
【关键词】:J波自动检测 心电图 特征提取 独立成分分析 隐马尔可夫模型
【学位授予单位】:太原理工大学
【学位级别】:硕士
【学位授予年份】:2016
【分类号】:R540.41;O211.62
【目录】:
- 摘要3-5
- ABSTRACT5-14
- 第一章 绪论14-20
- 1.1 课题研究背景与意义14-15
- 1.2 J波信号的研究现状15-17
- 1.3 隐马尔可夫模型的研究现状与发展趋势17-18
- 1.4 本文的主要工作和章节安排18-20
- 第二章J波的提取20-28
- 2.1 J波的介绍20-22
- 2.1.1 J波的发生机制20
- 2.1.2 J波的特征20-21
- 2.1.3 J波综合征及其诊断特征21-22
- 2.2 ICA算法相关理论知识22-23
- 2.3 基于ICA算法的J波提取23-25
- 2.4 算法仿真及评价25-27
- 2.4.1 分离性能的评判准则25
- 2.4.2 算法仿真25-27
- 2.5 本章小结27-28
- 第三章 基于模糊神经网络改进ICA提取J波算法28-40
- 3.1 模糊神经网络概述28-30
- 3.1.1 模糊控制基本概念28-29
- 3.1.2 模糊神经网络原理29-30
- 3.2 利用模糊神经网络调整学习速率30-34
- 3.2.1 分离度30-31
- 3.2.2 模糊神经网络结构及模糊规则31-34
- 3.3 算法仿真及评价对比34-39
- 3.4 本章小结39-40
- 第四章J波的特征提取40-48
- 4.1 构建数据库40-42
- 4.1.1 基本J波的生成40-41
- 4.1.2 构造大规模J波数据库41-42
- 4.2 预处理42-43
- 4.2.1 利用多拍平均技术去提高信噪比42-43
- 4.2.2 定位QRS波群终点43
- 4.3 提取特征向量43-47
- 4.3.1 时域特征向量I43-44
- 4.3.2 时域特征向量II44
- 4.3.3 时域特征向量III44
- 4.3.4 基于离散小波的特征向量44-45
- 4.3.5 基于连续小波变换的特征向量45-47
- 4.4 本章小结47-48
- 第五章 基于隐马尔可夫模型的J波自动识别48-60
- 5.1 隐马尔可夫模型基本理论48-50
- 5.2 基于隐马尔可夫模型进行J波自动识别50-52
- 5.2.1 特征向量统计检验和特征选择50-51
- 5.2.2 分类识别51-52
- 5.3 算法仿真及评价对比52-58
- 5.3.1 评价标准定义52-53
- 5.3.2 时域特征向量I的最佳配置确定53-54
- 5.3.3 算法性能分析54-55
- 5.3.4 与其他算法进行对比55-58
- 5.4 分析与结论58-59
- 5.4.1 分析58-59
- 5.4.2 结论59
- 5.5 本章小结59-60
- 第六章 总结与展望60-64
- 6.1 总结60-62
- 6.2 不足之处62
- 6.3 下一步工作及前景展望62-64
- 参考文献64-70
- 致谢70-72
- 攻读硕士学位期间发表的学术论文和科技成果72-74
- 攻读硕士期间参与的项目74
【相似文献】
中国期刊全文数据库 前10条
1 张慧丽;;基于混合二阶隐马尔可夫模型的基因结构预测[J];电脑知识与技术(学术交流);2007年14期
2 侯昭武;;隐马尔可夫模型的拓朴应用[J];河南师范大学学报(自然科学版);2009年06期
3 黄岗;;马尔可夫及隐马尔可夫模型的应用[J];电子设计工程;2013年17期
4 王新民;基于因子分析的隐马尔可夫模型(英文)[J];华中师范大学学报(自然科学版);2004年02期
5 曹林;王东峰;邹谋炎;;基于隐马尔可夫模型的人像鉴别算法[J];中国科学院研究生院学报;2006年01期
6 邹凌云;王正志;黄教民;;基于序列拓扑和二阶隐马尔可夫模型的跨膜蛋白亚细胞定位预测[J];激光生物学报;2008年02期
7 冯志伟;;隐马尔可夫模型及其在自动词类标注中的应用[J];燕山大学学报;2013年04期
8 赵征鹏,杨鉴,普园媛,尉洪;基于隐马尔可夫模型的非母语说话人口音识别[J];云南大学学报(自然科学版);2004年S1期
9 杜世平;;带驻留时间隐马尔可夫模型学习算法的改进[J];西南民族大学学报(自然科学版);2008年04期
10 朱明;郭春生;;隐马尔可夫模型及其最新应用与发展[J];计算机系统应用;2010年07期
中国重要会议论文全文数据库 前10条
1 史笑兴;王太君;何振亚;;论二阶隐马尔可夫模型与一阶隐马尔可夫模型的关系[A];第九届全国信号处理学术年会(CCSP-99)论文集[C];1999年
2 马勇;金峗;顾明亮;赵力;;基于隐马尔可夫模型的汉语方言辨识[A];2009’中国西部地区声学学术交流会论文集[C];2009年
3 吴志强;陈珂;迟惠生;;基于隐马尔可夫模型的有限词汇集内与文本无关的说话人辨认的研究[A];第四届全国人机语音通讯学术会议论文集[C];1996年
4 徐毅琼;李弼程;王波;;隐马尔可夫模型在人脸检测与识别中的应用[A];现代通信理论与信号处理进展——2003年通信理论与信号处理年会论文集[C];2003年
5 吴成东;柴佩琪;;基于分类的隐马尔可夫模型的声母识别[A];第一届全国语言识别学术报告与展示会论文集[C];1990年
6 徐东风;周萍;景新幸;;改进隐马尔可夫模型的非线性分段技术应用[A];中国声学学会2007年青年学术会议论文集(下)[C];2007年
7 邢颖;南敬昌;;基于隐马尔可夫模型的人脸检测与识别系统[A];2009年中国智能自动化会议论文集(第三分册)[C];2009年
8 秦勇;莫福源;李昌立;关定华;;基于隐马尔可夫模型的汉语二字词音调模式识别[A];第三届全国人机语音通讯学术会议论文集[C];1994年
9 杨文强;邓明华;钱敏平;;隐马尔可夫模型与剪切位点识别[A];中国运筹学会第六届学术交流会论文集(下卷)[C];2000年
10 马晓川;刘冬;赵荣椿;;孤立短语隐马尔可夫模型自动建模软件的实现[A];第四届全国人机语音通讯学术会议论文集[C];1996年
中国博士学位论文全文数据库 前3条
1 李杰;隐马尔可夫模型的研究及其在图像识别中的应用[D];清华大学;2004年
2 夏丽莎;基于隐马尔可夫模型的故障诊断及相关算法研究[D];华中科技大学;2014年
3 刘韬;基于隐马尔可夫模型与信息融合的设备故障诊断与性能退化评估研究[D];上海交通大学;2014年
中国硕士学位论文全文数据库 前10条
1 吴瑞琪;面向农牧民歌旋律的自动伴奏技术研究[D];河南师范大学;2015年
2 张凯;基于隐马尔可夫模型的频谱预测和感知方法研究[D];南京邮电大学;2015年
3 赵效毓;基于最大熵隐马尔可夫模型的基因启动子识别[D];南京农业大学;2014年
4 白雁飞;基于隐马尔可夫模型的J波识别技术研究[D];太原理工大学;2016年
5 王宇宁;隐马尔可夫模型在信息抽取中的应用研究[D];大连理工大学;2007年
6 杨战;基于隐马尔可夫模型的自动和弦识别[D];哈尔滨工业大学;2010年
7 王国刚;n阶隐马尔可夫模型的参数估计[D];南京邮电大学;2011年
8 郑小飞;基于隐马尔可夫模型的验证码识别方法研究[D];哈尔滨工程大学;2013年
9 刘高文;基于隐马尔可夫模型的视觉行为分析和异常检测研究[D];南京理工大学;2008年
10 陈倩;基于隐马尔可夫模型脉象信号分类[D];哈尔滨工业大学;2010年
本文关键词:基于隐马尔可夫模型的J波识别技术研究,由笔耕文化传播整理发布。
本文编号:427638
本文链接:https://www.wllwen.com/kejilunwen/yysx/427638.html