支持向量机（SVM）及其在心电图（ECG）分类识别中的应用

发布时间：2017-04-18 19:16

  本文关键词：支持向量机（SVM）及其在心电图（ECG）分类识别中的应用，，由笔耕文化传播整理发布。

【摘要】： 本文研究了基于支持向量机算法的心电图分类,创造性地提出了利用支持向量机1-v-1 SVMs(One-Versus-One)算法对心电图进行分类的方法。并通过MIT-BIH心电数据库进行实例分析,获得了较高的识别率,且在算法模型的构造和分类速度上优于常规方法。 在引言中介绍了论文的研究目的与意义,ECG识别的现状及支持向量机的研究进展。 在第一章中,介绍了心电图的常识与测量方法。 在第二章中,概要总结了统计学习理论与支持向量机方法的基本理论。 在第三章中,结合支持向量机对ECG多分类问题进行了研究并提出了一系列的分类方法和特点以及采用支持向量机进行分类的优势。 在第四章中,分析了各种方法的优劣,最终选取利用支持向量机1-v-1 SVMs(One-Versus-One)算法对心电图进行分类。先确定了算法的模型,然后选取合适的核函数和参数,并通过MIT-BIH心电数据库进行了实例分类试验。最后对全文进行了总结,并指出了下一步研究的问题与方向。
【关键词】：多类分类 支持向量机 心电图分类 特征提取
【学位授予单位】：四川师范大学
【学位级别】：硕士
【学位授予年份】：2007
【分类号】：R318;O234
【目录】：

• 摘要3-4
• 英文摘要4-8
• 引言8-11
• 第一章 心电图常识与测量11-18
• 1.1 常规心电图11
• 1.2 常规导联系统11-15
• 1.3 心电图的测量15-18
• 第二章 统计学习理论与支持向量机18-34
• 2.1 机器学习的基本问题18-22
• 2.1.1 传统学习理论的困难18-19
• 2.1.2 机器学习问题的描述19-20
• 2.1.3 经验风险最小化20-21
• 2.1.4 模型复杂度与推广能力21-22
• 2.2 统计学习理论22-25
• 2.2.1 学习机器的VC 维22
• 2.2.2 推广性的界22-23
• 2.2.3 结构风险最小化23-25
• 2.3 支持向量机原理25-34
• 2.3.1 线性可分的最优分类面25-29
• 2.3.2 线性不可分的最优分类面29-30
• 2.3.3 支持向量机30-34
• 第三章 基于支持向量机的ECG 分类方法和特点34-40
• 3.1 基于支持向量机的ECG 分类方法34-37
• 3.2 支持向量机方法特点37-40
• 第四章 基于支持向量机的ECG 分类40-47
• 4.1 支持向量机对心点信号的分析处理40-41
• 4.2 支持向量机1-V-1 算法模型41-42
• 4.3 支持向量机1-V-1 算法核函数的选取42-43
• 4.4 支持向量机1-V-1 算法参数的确定43
• 4.5 结论43-47
• 4.5.1 支持向量机1-V-1 算法分类试验结果43-45
• 4.5.2 下一步研究的方向45-47
• 参考文献47-52
• 致谢52-53
• 攻读硕士学位期间的科研成果53

【引证文献】

中国期刊全文数据库 前1条

1 冯丽霞;杨延宗;丛培鑫;;骨折性肺栓者心电图分析[J];中国现代医生;2008年21期

中国硕士学位论文全文数据库 前7条

1 李斌;基于模式识别技术的眼科疾病辅助诊断系统的研究[D];吉林大学;2011年

2 史国洁;纸质心电图数字化信息提取的关键问题研究[D];天津理工大学;2012年

3 张君丽;基于基因表达谱的癌症分类问题研究[D];上海师范大学;2012年

4 张冰;基于计算机视觉的钢轨扣件系统螺母缺失检测技术[D];中国计量学院;2012年

5 周广涛;基于多小波变换的脉象信号识别的研究[D];重庆大学;2012年

6 宋宇宁;心律失常智能诊断系统的研究与实现[D];东北大学;2010年

7 张程;基于朴素贝叶斯的piRNA识别问题研究[D];上海师范大学;2013年

  本文关键词：支持向量机（SVM）及其在心电图（ECG）分类识别中的应用，由笔耕文化传播整理发布。

本文编号：315573