基于差分进化优化算法和极限学习机的心电逆问题研究

发布时间：2017-08-04 17:11

  本文关键词：基于差分进化优化算法和极限学习机的心电逆问题研究

  更多相关文章： 极限学习机 参数选取 心电逆问题 差分进化算法

【摘要】：心电逆问题的本质就是依据体表电位对心肌跨膜电位进行无创重构，而且重构获得的跨膜电位相对于体表电位来说电位信息更精确，更能准确生动的体现心脏的电位变化，可以提高心脏疾病检测的准确性。心电逆问题研究是根据体表电位来逆推获得心肌跨膜电位分布的研究，可以看作是同时具有多个输入值和多个输出值的回归问题，也就是将多个体表的电位值回归逆推获得心脏跨膜电位的多个输出值，本文通过极限学习机(ExtremeLearning Machine, ELM)算法来实现心电逆问题的求解。 首先第一组实验利用心脏表面源模型的方法来构造心脏躯干模型，通过心电仿真模型来获取在体表和心肌跨膜的电位。其次第二组实验利用ECGSim软件来获取心脏预激综合症体表和心脏电位信息。为了能够使极限学习机可以具有更好的逼近能力和适应能力，需要对其算法中的参数实行最优化的选择。本文中，主要利用差分进化算法(Differentialevolution,DE)来对极限学习机中的参数进行有效的选取，，使极限学习机的回归模型实现最优化，参数选择完成后就可以构建有效的回归模型以及根据体表电位对心肌跨膜电位的分布进行比较准确的预测。在心电逆问题研究中，我们对心肌跨膜电位重建算法（包括SupportVector Regression,SVR、ELM、ELM-kernel）的预测结果进行全面的比较分析，最后得出对模型构建最准确的一种算法。 实验结果表明，在对心肌跨膜电位分布进行预测和重建过程中，上述中的四种算法都对心电逆问题进行求解。但是，相对于SVR算法，ELM和ELM-kernel算法重构的效率最高；相比于ELM算法，在心肌跨膜电位分布重建过程中，基于RBF（Radial Basis Function）核函数的极限学习机（ELM-kernel）精度更高、适应能力更强、能够重构更加准确地心脏跨膜电位分布。
【关键词】：极限学习机 参数选取 心电逆问题 差分进化算法
【学位授予单位】：浙江理工大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：R540.4;TP18
【目录】：

• 摘要4-5
• Abstract5-9
• 第一章 绪论9-14
• 1.1 研究背景和意义9-10
• 1.2 国内外的研究现状10-11
• 1.3 本文的研究内容及论文结构11-14
• 第二章 心电逆问题的研究框架及数据获取14-19
• 2.1 心电逆问题研究的整体框架14-15
• 2.2 建立心电逆问题的模型15-17
• 2.3 心电仿真数据17-18
• 2.3.1 基于正常的心电仿真数据17
• 2.3.2 基于两组病变的心电仿真数据17-18
• 2.4 本章小结18-19
• 第三章 基于极限学习机的心电逆问题研究19-29
• 3.1 引言19
• 3.2 极限学习机算法介绍19-23
• 3.2.1 ELM 简介19-20
• 3.2.2 ELM 原理介绍20-22
• 3.2.3 ELM 实现步骤22-23
• 3.3 极限学习机算法中参数的选择23-24
• 3.3.1 参数的影响23
• 3.3.2 参数的选择方法23-24
• 3.3.3 本文 ELM 参数范围的确定24
• 3.4 基于 ELM 算法与传统 SVR 算法比较分析24-28
• 3.4.1 对心脏跨膜电位进行重构25-27
• 3.4.2 误差比较和分析27-28
• 3.4.3 结论28
• 3.5 本章小结28-29
• 第四章 基于 ELM-kernel 的心电逆问题研究29-38
• 4.1 引言29
• 4.2 ELM-kernel 方法介绍29-31
• 4.2.1 ELM-kernel 简介29
• 4.2.2 ELM-kernel 实现原理29-31
• 4.2.3 ELM-kernel 实现步骤31
• 4.3 核函数31-34
• 4.3.1 核函数和正定矩阵理论31-32
• 4.3.2 常用核函数的介绍32-33
• 4.3.3 本文核函数的确定33-34
• 4.4 基于 ELM-kernel 算法与 ELM 算法比较分析34-37
• 4.4.1 心脏跨膜电位的重构34-36
• 4.4.2 误差比较和分析36-37
• 4.4.3 结论37
• 4.5 本章小结37-38
• 第五章 基于差分进化算法(DE)和极限学习机的心电逆问题研究38-50
• 5.1 引言38
• 5.2 差分进化算法38-43
• 5.2.1 差分进化算法（DE）的简介38-39
• 5.2.2 差分进化算法的基本操作原理39-40
• 5.2.3 差分进化算法的参数研究40-41
• 5.2.4 基于差分进化算法的 ELM 和 ELM-kernel 参数优化41-43
• 5.3 基于差分进化算法和 ELM、ELM-kernel 的心肌跨膜电位重构与分析43-49
• 5.3.1 基于差分进化算法的 ELM、ELM-kernel 的参数选择结果43
• 5.3.2 心脏跨膜电位的重构43-48
• 5.3.3 误差比较和分析48-49
• 5.3.4 结论49
• 5.4 本章小结49-50
• 第六章 总结与展望50-51
• 6.1 论文工作总结50
• 6.2 今后工作展望50-51
• 参考文献51-55
• 致谢55-56
• 攻读学位期间的研究成果56

【参考文献】

中国期刊全文数据库 前10条

1 王凯;侯著荣;王聪丽;;基于交叉验证SVM的网络入侵检测[J];测试技术学报;2010年05期

2 潘华贤;;融合DE与ELM方法的油气钻井成本预测[J];电脑知识与技术;2013年25期

3 周艳平;顾幸生;;差分进化算法研究进展[J];化工自动化及仪表;2007年03期

4 高岳林;刘军民;;差分进化算法的参数研究[J];黑龙江大学自然科学学报;2009年01期

5 何明辉;李胜;李平;聂景旭;;基于SA组合算法的SVM参数选取[J];计算机工程与应用;2010年22期

6 傅初黎;李洪芳;熊向团;;不适定问题的迭代Tikhonov正则化方法[J];计算数学;2006年03期

7 孙涛;潘华贤;;基于DE与ELM的交通流预测[J];科技视界;2013年30期

8 刘建伟;李双成;付捷;罗雄麟;;L1范数正则化SVM聚类算法[J];计算机工程;2012年12期

9 周江Z

本文编号：620739