基于GA-PNN模型的心律失常分类研究

发布时间：2020-10-21 09:37

　　 心律失常是心血管疾病中的一种重要疾病,该病突然发作时可能导致猝死,也可能持续发作从而导致心脏衰竭.由于不同类型的心律失常情况对应的治疗方式有所不同,因此,能否及时准确地诊断出心律失常的种类,进而采取恰当有效的方式进行治疗,有着重要的研究意义和临床应用价值.借助计算机对心电图进行信息提取和辅助分类是当前智慧医疗研究的一个重要领域,其中,使用机器学习算法的分类研究在近年来发展十分迅速,本文采用的概率神经网络模型就是其中的一个经典模型.概率神经网络模型在模式层中使用径向基函数作为激活函数,其中径向基函数有一个特点:模式层的所有节点需要一个公共的平滑参数.本文将对概率神经网络模型中模式层的平滑参数进行改进,针对每个分类使用不同的平滑参数,即,使用一组多值平滑参数代替原有的单一公共参数.之后,本文使用了遗传算法对该参数的数值进行优化,以提升概率神经网络模型的预测效果.此外,由于遗传算法的训练时间开销较大,本文还对输入数据进行了特征处理以提高运行效率,并取得了理想的效果.
【学位单位】：兰州大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：R541.7
【部分图文】：

图 2.1 本文选取信号类型2.2降维方法在应用模型对数据进行分析之前, 我们通常先对数据的特征进行处理, 而特征处理中的一个重要步骤是特征降维. 根据不同的分类标准, 降维方法有多重归类方式. 例如, 按是否对原有特征进行映射和转置, 可分为特征选择和特征提取.其中, 常见的特征选择方法有费舍尔得分法和逐步向前法等, 常见的特征提取方法有主成分分析法和线性判别分析法等.本文选择了特征提取法中的主成分分析法, 模糊均值聚类法和特征选择法中的费舍尔得分法. 下文将简要介绍这三种降维方法的基本思想.2.2.1 模糊均值聚类

图 2.2 概率神经网络 (PNN)对于待分类数据 , 基于径向基传递函数, 可在模式层对节点 定义其输出:Φ ( ) =1(2 ) /2 exp( || ||22 2) ,其中, ∈ , ∈ , 在这里, 平滑参数 定义的是对未分类样本和已知分类标签的训练集样本的区分程度. 偏大的时候, 不能够完全区分细节, 对于界限不明显的类别可能难以达到理想的分类效果. 偏小的时候, 模型相当于 k-means 分类器, 对样本仅仅起到隔离的作用. 参数的选择将会影响分类的具体效果, 因此,如何确定该参数是概率神经网络的关键问题之一.模式层各节点的激活函数即为贝叶斯最优决策中的密度函数, 而后根据类别9

遗传算法(GA)
【相似文献】

相关硕士学位论文 前1条

1 贺雪超;基于GA-PNN模型的心律失常分类研究[D];兰州大学;2018年

本文编号：2849955