数据特性导向的FECG提取算法研究

发布时间：2017-05-15 19:19

  本文关键词：数据特性导向的FECG提取算法研究，由笔耕文化传播整理发布。

【摘要】：胎儿心电图的监测对于保证围产期孕妇和胎儿的健康十分重要。传统的胎儿心电图多采用侵入式的方式进行检测,费事费力,测量过程复杂,而且对胎儿和孕妇的健康带来额外风险。目前,胎儿心电多采样腹部电极的非侵入方式采集,但是由于孕妇处于复杂的外界环境,且采集过程受孕妇自身心电信号和其他生物电信号的干扰,采集到的信号往往是胎儿心电信号、母亲心电信号和其他噪声的混合信号,必须经过一定的信号处理过程,才能得到清晰的胎儿心电信号。从腹壁混合信号中提取胎儿心电信号一直是生物信号处理领域的研究热点,近年来学者提出了各种理论的算法用于胎儿心电信号提取,例如盲源分离算法、自适应滤波算法、奇异值分解算法、机器学习算法等。支持向量机(Support Vector Machine, SVM)是一种基于的统计学习理论的最新的机器学习算法,它克服了机器学习算法的欠学习问题和过学习问题,解决小样本拟合问题性能优秀,十分适合将该方法引入到FECG的信号提取问题。本文结合以上课题背景和研究问题,在前人的基础上进行了以下研究：1)介绍了胎儿心电信号提取问题的课题背景、研究意义、胎儿心电信号的形态特征、噪声源分析等；2)介绍了统计学习理论的基本内容,支持向量机的基本原理,包括广义最优分类面、核函数特征空间、用于回归估计的支持向量机等,并对这些理论进行了详细的分析说明；3)结合胎儿心电信号的提取特点,针对最小二乘支持向量机的核函数参数优化问题,提出了一种基于改进萤火虫算法的核参数优化算法,代替原来的网格搜索算法。并提出了一种结合局部核和全局核的混合核函数,代替原先单一的核函数；4)将改进的最小二乘支持向量机引入胎儿心电信号处理的问题中,详述了胎儿心电信号提取的数学模型和提取步骤。采用临床采集的腹壁电极数据进行实验,并于基于自适应滤波方法和未改进的最小二乘支持向量机方法进行对比实验,验证了本文提出的改进方法的有效性；5)最后指出了本文研究不足之处和未来研究方向。
【关键词】：胎儿心电 支持向量机 萤火虫算法 核函数
【学位授予单位】：浙江大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：R540.41;TN911.7;TP18
【目录】：

• 致谢4-5
• 摘要5-6
• Abstract6-12
• 1 绪论12-17
• 1.1 课题背景及意义12-13
• 1.2 课题研究现状13-15
• 1.3 论文创新点15
• 1.4 论文组织结构和研究内容15-17
• 2 支持向量机及其改进17-39
• 2.1 统计学习理论的基本内容17-23
• 2.1.1 机器学习的基本问题17-20
• 2.1.2 统计学习理论的核心内容20-23
• 2.2 支持向量机23-28
• 2.2.1 广义最优分类面23-25
• 2.2.2 核函数特征空间25-27
• 2.2.3 回归支持向量机27-28
• 2.3 改进的支持向量机28-39
• 2.3.1 最小二乘支持向量机28-30
• 2.3.2 萤火虫算法用于LSSVM参数优化30-33
• 2.3.3 改进的萤火虫算法用于LSSVM参数优化33-35
• 2.3.4 混合核函数35-39
• 3 SVM在胎儿心电提取中的应用39-48
• 3.1 胎儿心电检测的特点39-41
• 3.1.1 胎儿心电的形态分析39-40
• 3.1.2 采集胎儿心电的噪声源分析40-41
• 3.2 基于MGSO-LSSVM的胎儿心电信号提取41-48
• 3.2.1 胎儿心电信号提取的数学模型41-44
• 3.2.2 胎儿心电信号提取步骤44-45
• 3.2.3 Savitzky-Golay去噪技术45-48
• 4 实验和分析48-61
• 4.1 实验平台和仿真环境48
• 4.2 算法的性能评价48-50
• 4.3 实验数据和参数的选择50-54
• 4.3.1 实验数据50-51
• 4.3.2 实验参数的选择51-54
• 4.4 胎儿心电信号提取的实验结果54-57
• 4.5 胎儿心电信号提取的对比实验57-61
• 5 总结和展望61-63
• 参考文献63-68
• 作者简介68-69
• 作者攻读硕士学位期间发表的论文69

【相似文献】

中国硕士学位论文全文数据库 前1条

1 曾兆山;数据特性导向的FECG提取算法研究[D];浙江大学;2016年

  本文关键词：数据特性导向的FECG提取算法研究，由笔耕文化传播整理发布。

，

本文编号：368677