基于支持向量机的J波诊断技术研究

发布时间：2016-08-09 07:18

第一章 绪论

1.1 课题的研究背景及意义
目前 SVM 已经成功的运用于 ECG 的检测和识别、文本识别、手写字体识别、人脸图像识别、基因分类等研究中。近些年来，医学专家和学者发现了许多电生理现象与 J 波有着密切的关系。其中有生理性的心电图变异，主要的表现为 ERS，在正常人群的检出率一般在 2.5%到 18.2%之间，也有由低温、高血钙、脑外伤等引发的病理性变异，如 Brugada 综合征、猝死综合征及特发性心室颤动等，在心脏疾病患者中的发生率在 27.3%到 34.6%之间，我们统称为 J 波综合征。近期的相关研究同时表明，幅度超过 0.1mv 的 J 波同时伴有 ST 段的变化（生理性变异）将会产生恶性的过早复极综合征，存在上述过早复极综合征的患者容易引起恶性的心律失常、致命性的 MI，甚至可能导致猝死。因此，J 波和 J 波综合征可以作为一个新的指标来预警恶性室性心律失常、心脏性猝死等一系列心脏疾病，有着十分重要的临床研究意义，使得如何快速识别 J 波变得很有现实和可操作的意义。目前 J 波的许多研究主要处于临床阶段，医生通过观察被检测者的心电图寻找 J 波，但因 J 波幅值不太大，有时不容易被发现，所以将 J 波从心电信号中快速并准确识别出来具有现实的意义。现大多有关的研究从细胞电生理、离子流机制和遗传学基础等方面出发来研究变异的 J 波，虽然能相对准确的检测出来，但因为需要较长的分析时间而不利于及时诊断病情。因此快速识别 J 波是一个很重要的研究课题，尤其随着动态心电监护仪的大幅度的普及，如何实时的检测出 J 波使本课题变得更加有了现实的意义。本文的主要采用 SVM 从 ECG 信号中分类出 J 波信号，为后续 J 波的良心与恶性的具体分类奠定了基础，从而为心肌梗死、恶性心率失常、心肌缺血等疾病预防、发现和治疗提供参考，以降低恶性心脏病变的死亡率。
..........

1.2 J 波及 J 波综合征研究概况
虽然属于最早被研究的一种生物电信号，但因它拥有较直观的规律性、比其它电信号更易检测的特性，心电信号已经渐渐成为医生及学者最常用的一种生物电信号。随着不断成熟的心电图分析技术，许多很难发现的疾病都很快的被检测出来。自 Einthoven发明心电图记录仪起，人们便坚持不懈的研究心电记录仪保留下来的纸质心电图的各个变异波对应的临床意义。经过大量学者和专家不断的探索，人们渐渐的发现，波形的不同其实代表着心脏健康状态的不同，心电图局部的变化可能预示了某种心脏疾病的产生。多学科的交叉融合、科研手段不断细化使得心脏病专家及学者正在慢慢的揭示更多的心电图的奥妙[1]。众所周知，心脏有节奏的收缩和舒张运动过程中会不断释放生物电刺激，在整个电刺激的传递过程中，心脏的每个组织都会发生电位的变化，变化的电位传递至身体表面进而会产生心电信号。将电极放置到身体上的几个特定的位置（比如胸前或者四肢），从而能获得心脏的由除极到复极相互交替循环中产生的多种形式的电位变化图形，我们简称为心电图。一个正常的体表心电图周期由 P 波、Q 波、R 波、S 波、T 波和 U 波组成，连接各个波的间期分别为 PR、QT、ST 等[2]。图 1-1 为心电信号的一个周期。
..........

第二章 支持向量机及特征向量相关理论

2.1 支持向量机

自从 Vapnik & Cortes[31]等人 1995 年首次提出 SVM 后，因其十分重要的理论和实际价值，SVM 逐渐变为机器学习领域的研究焦点和热点。其中 SVM 是一种数据挖掘算法，存在结构风险最小化、比非线性函数逼近方法有更强的泛化能力、能够达到最小经验风险和置信范围等一系列的优势，目前 SVM 已经非常成功地处理了回归问题和模式识别（分类问题、判别分析）等诸多问题，在综合预测、评价等领域中也有所建树[31,32,33]。SVM 是一种以统计理论为基础学科的算法，其应用范围受到统计学习理论重点研究情况的制约，即主要适用于小样本数据规律及性质的研究。因此本文在介绍 SVM 前先对统计学理论做个简单的介绍。Vapnik 等人在小样本统计理论的基础上提出了统计学理论，其重点是如何在小样本的应用中解决统计规律和学习方法性质等难题。统计学习理论的核心思想包括[34,35]：统计学习一致性的条件是如何在经验风险最小化准则下建立的；统计学习方法推广性的界的结论是怎样在上述条件下完成的；小样本归纳推理准则是如何在上述界的基础上建立的；实现这些新的准则的实际算法。本节主要介绍经验风险最小化、结构风险最小化。

..........

2.2 特征向量选取方法
特征向量的选择在回归分析、数据挖掘及模式识别中是一个十分重要的过程，因为特征向量包含了描述一个数据样本属于哪种类型的所有信息。随着科技不断的进步和发展，人们获取更深层次信息的技术和能力不断在提高，加上存储设备容量大幅的提升，我们能够获得的数据面越来越广，信息越来越全面。在信息量增大的同时，对相应的分类器的性能也有了更高的条件，不然肯定会出现“灾难维数”、数据冗余量大幅增加。这些信息是否含有冗余成分和过多的相似成分，是否完整等一系列问题直接决定我们建立模型的准确程度。如果有用的样本太多或者太少都会影响模型的建立，因此在正确设计分类器之前需要一个完整、无干扰、相互独立的样本集。在特征向量的选择上，使用较多的方法有特征选择和提取等。其中特征选择是指在所获得的特征集中选出一个能够达到最优的特征子集的过程，特征提取是指通过变换得到一个新的特征空间，在这个空间中选取一定的特征来作为对模式的描述[45,46]。其中有无在特征空间上进行变换是二者最大的区别，二者虽然实现的途径不同，但是从某种意义上讲二者目的是相同的，都是为了降低特征向量的数目，减少计算量。
..........

第三章 基于支持向量机的 J 波分类算法...........19
3.1 ECG 波形介绍与 J 波信号采集..... 19
3.2 基于 SVM 的 J 波分类......... 20
3.3 算法性能分析.... 26
3.3.1 分类评价标准....27
3.3.2 仿真分析............ 28
3.4 本章小结.............30
第四章 基于变步长支持向量机的 J 波检测算法.........31
4.1 变步长理论.........31
4.2 变步长 SVM 的 J 波分类算法.......33
4.2.1 全局特征和局部特征........... 34
4.2.2 ICA 及特征融合...........37
4.2.3 分类...........38
4.3 算法性能分析.... 39
4.4 本章小结.............42
第五章 总结与展望.........43
5.1 总结............ 43
5.2 下一步工作及前景展望.........44

第四章 基于变步长支持向量机的 J 波检测算法观察分析 

SVM 的基本原理，不难发现两个比较重要的参数，即惩罚因子 C 和对应核函数参数?，前者表示训练中对超出设定误差的样本的惩罚系数，决定着支持向量机的惩罚程度，后者是径向基函数的宽度参量，两者共同控制着向量机的泛化能力[63]。所以两个参数的设置一直是此分类器的重点和难点，根据以往经验，一般选取 C?2 ，??5.0 作为最优参量。但是如何在 SVM 分类问题中，动态的找到适合各自场景的最优参数，是需要迫切解决的问题。针对上述问题，部分学者提出固定步长的参数寻优方法，其中网格搜索法为最常用的的方法之一，它将待优化的参数按照下降的顺序划分为等值网格，随后从小到大遍历所有的参数值来得到最优的区间[64,65]。这种算法较经验参数的 SVM，在分类的精度上会有一定的提高，但是对寻找最优参数问题仍存在一定的缺陷，当参数的数目较多的时候，计算的时间会非常的长。那么如何更加快速准确的找到最优的参数呢？本章主要采取变步长盲源分离算法的相关原理对参数进行优化。

4.1 变步长理论

因为其计算量较小、运行简单和操作方便的特点，传统的 BSS 算法分离过程中常采用固定步长进行寻优。但是会出现收敛速度和稳态性能无法同时兼顾的矛盾关系，因为小步长会带来计算时间长的问题，有时甚至到了收敛阶段，信号还未得到分离而永远无法分离出源信号；步长大时却又无法得到精确的分离信号，从而不能真实反应出源信号的模样[63-65]。因此，如何有效的控制步长来更好的完成分离任务是当时学者们研究的工作重点。

...........

总结

心源性猝死、致命性梗塞等重大疾病的发生经常会伴有 J 波的出现，因此如何快速、准确、及时的识别出 J 波并给出适当的治疗方案进而有效地避免 SCD 等重大疾病带来的死亡，是一个迫切需要解决的难题。支持向量机因为有着出色的学习能力、令人满意的泛化能力和推广能力。它能高效地找到整个过程中的最佳解，已经被应用到很多非线性的真实环境中，并成功地应用于处理回归问题、分类问题、判别分析、预测和综合评价等诸多问题。支持向量机已经广泛地应用于航空航天、卫星通信、生物医学、互联网等一系列关乎国家命脉的行业中。本篇论文的研究重点是如何快速并准确地识别出 J 波片段和 NJ 片段，为下一步从 J 波片段中区分出良性和高危状态奠定了基础，主要涉及了支持向量机算法、小波变换算法、曲线拟合、变步长算法、主成分分析算法、独立分量分析等内容，具体的工作内容如下所示：
（1） 阐述了课题的研究背景及其研究的目的和意义、J 波及其 J 波综合征的医学诊断标准。同时，简单介绍机器学习之原理，为后文做铺垫；
（2） 主要对支持向量机理论知识进行简单阐述，并且对于怎样选择特征向量进行说明。从统计学理论知识入手，阐述了早期机器学习在有限样本过程中仅依靠经验结构风险最小化来预测其性能所存在的致命缺陷，接着引入了本篇论文的核心分类算法-SVM。接着，逐步推导 SVM 原理并总结了 SVM 有关参数的优化问题。同时阐述了特征降维的两种方法：特征选择及特征提取，为后续的研究工作提供理论基础。
（3） 基于上述的理论支撑，本文创新性地将支持向量机应用于 J 波分类问题中，取得了一定成效。获得 J 波的数据库之后，，首先对预处理好的正常信号和病变信号进行特征点定位（主要是定位 R 点），从而可以粗略地截取到 J 波所在的大概位置。利用 8阶傅里叶曲线拟合方法拟合出所截取的片段特征向量、db6 对截取的片段进行小波变换得到其小波系数的高阶统计量、信号的 HRV 信息及其片段的波形信息作为特征向量。利用 PCA 减小维数，接着多次训练 SVM 获得类似支持向量。最后利用少量类似支持向量训练并检测 J 波分类效果.
.........
参考文献(略)

本文编号：89325