基于压缩感知的心电信号压缩算法研究

发布时间：2017-08-12 01:23

  本文关键词：基于压缩感知的心电信号压缩算法研究

  更多相关文章： 压缩感知 心电信号压缩 稀疏字典 特征波匹配

【摘要】：心电监护仪的广泛应用将产生大量的心电数据,心电压缩技术在满足临床诊断要求的条件下,可有效减少传输和存储的数据量。压缩感知理论是近年发展起来的一种新的压缩采样理论,压缩感知理论表明信号的采样率不再取决于信号的带宽,而是取决于信息在信号中的结构和内容。本文对基于压缩感知的心电信号压缩算法进行了研究。信号的稀疏性是实现压缩感知的本质。本文结合心电信号自身的特点,重点研究了心电信号的稀疏性及其稀疏字典的构造。利用常用的字典训练算法——K-SVD算法对历史心电数据进行了字典训练。通过相同稀疏度下的表示误差对比和表示误差相同条件下的稀疏度对比,证明了心电信号在K-SVD算法训练的字典下比固定DCT字典下有更好的稀疏表示性。在K-SVD训练字典的启发下,考虑到心电监护仪的实际应用要求,结合心电特征波识别、特征波分类等技术,将K-SVD的无监督字典训练算法演变为有监督的字典训练算法,提出了针对心电信号的基于特征波匹配的字典训练算法。并用相同稀疏度下的表示误差对比实验证明基于特征波匹配训练的字典能更好地稀疏表示心电信号,且能更好地符合心电信号的准周期特点。在研究了稀疏字典的构成方法后,实现了心电信号分别基于DCT字典、K-SVD训练字典、特征波匹配法训练的字典的压缩。基于特征波匹配训练字典的压缩实验表明本文的字典训练算法训练出的原子由心电特征波模板中的典型模板构成,符合医学应用要求；并且将有损压缩转换为了无损压缩。对MIT-BIH心律失常数据库中全部样本的MLⅡ导联心电数据基于特征波匹配字典的压缩实验,取得了3.51的无损平均压缩比。
【关键词】：压缩感知 心电信号压缩 稀疏字典 特征波匹配
【学位授予单位】：东南大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：R540.4;TN911.7
【目录】：

• 摘要4-5
• Abstract5-8
• 第一章 绪论8-12
• 1.1 课题背景与意义8
• 1.2 心电信号压缩算法研究概况8-11
• 1.2.1 直接编码压缩9
• 1.2.2 变换编码压缩9-10
• 1.2.3 参数提取压缩10
• 1.2.4 压缩感知的研究进展概述10-11
• 1.3 论文内容与组织11-12
• 第二章 心电信号和压缩感知原理介绍12-22
• 2.1 心电信号简介12-14
• 2.1.1 心电信号产生机理12-13
• 2.1.2 心电信号波形简介13-14
• 2.1.3 心电信号的特点14
• 2.2 压缩感知理论14-18
• 2.2.1 压缩感知的数学模型15-16
• 2.2.2 压缩感知的约束条件16
• 2.2.3 直观例证16-18
• 2.3 压缩感知在心电信号中的应用18-20
• 2.3.1 总体框架18
• 2.3.2 线性观测18-19
• 2.3.3 信号重构19-20
• 2.4 本章小结20-22
• 第三章 基于心电信号特征的稀疏字典构造22-38
• 3.1 心电信号的稀疏性分析22
• 3.2 常用稀疏字典的构造方法22-23
• 3.3 心电信号的K-SVD稀疏字典训练23-30
• 3.3.1 K-SVD算法原理24-26
• 3.3.2 K-SVD算法在心电信号中的应用26-28
• 3.3.3 实验结果与分析28-30
• 3.4 基于特征波匹配的稀疏字典设计30-37
• 3.4.1 基于特征波匹配的稀疏字典设计构思31-32
• 3.4.2 基于特征波匹配的稀疏字典设计32-35
• 3.4.3 实验结果与分析35-37
• 3.5 本章小结37-38
• 第四章 心电信号的压缩感知算法38-50
• 4.1 基于K-SVD训练字典的压缩感知算法实现38-39
• 4.2 基于特征波匹配字典的压缩算法39-42
• 4.2.1 压缩原理39-40
• 4.2.2 算法实现40-42
• 4.3 实验结果与分析42-49
• 4.3.1 心电数据压缩性能评价指标42
• 4.3.2 评估数据集42-43
• 4.3.3 基于K-SVD训练字典的压缩实验结果与分析43-46
• 4.3.4 基于特征波匹配字典的压缩实验结果与分析46-49
• 4.4 本章小结49-50
• 第五章 总结与展望50-52
• 5.1 总结50
• 5.2 展望50-52
• 致谢52-54
• 参考文献54-57

【相似文献】

中国重要会议论文全文数据库 前2条

1 潘志明;郑骏;钱卫宁;周傲英;;构造XML相似相关结构库的一种有效方法[A];第二十届全国数据库学术会议论文集（技术报告篇）[C];2003年

2 林景亮;董槐林;姜青山;吴书;;一种基于新增阈值的频繁模式挖掘算法[A];第二十三届中国数据库学术会议论文集（研究报告篇）[C];2006年

中国博士学位论文全文数据库 前7条

1 张磊;基于概念格的角色工程相关算法研究[D];哈尔滨工业大学;2015年

2 孟静;新型Krylov子空间算法及其应用研究[D];电子科技大学;2015年

3 胡芳;复杂网络节点中心性多元评估与社团探测新算法研究[D];华中师范大学;2015年

4 唐益明;（1，2，，2）型异蕴涵泛三I算法及其应用研究[D];合肥工业大学;2011年

5 牛云云;求解计算困难问题的膜计算模型与算法研究[D];华中科技大学;2012年

6 李冬冬;基因组序列标注的算法与理论研究[D];国防科学技术大学;2004年

7 周琨;航空公司航班运行调度模型与算法研究[D];南京航空航天大学;2012年

中国硕士学位论文全文数据库 前10条

1 闫铭;基于度量学习的不完整数据聚类方法研究[D];哈尔滨工业大学;2015年

2 张小琼;基于改进萤火虫群优化算法的BP神经网络研究[D];广西大学;2015年

3 李俊杰;基于蚁群算法的聚类区分器设计研究[D];电子科技大学;2014年

4 艾慧;天波雷达电离层污染校正与测高算法研究[D];电子科技大学;2015年

5 陈红强;大规模并行排序学习算法研究[D];西安电子科技大学;2014年

6 郭艳茹;k-中心平面聚类模型与算法研究[D];浙江工业大学;2015年

7 彭辉辉;基于压缩感知的心电信号压缩算法研究[D];东南大学;2015年

8 葛娜;高效用项集动态挖掘算法的研究[D];中北大学;2016年

9 白鹭;基于自适应人工免疫进化的网格聚类算法研究[D];沈阳大学;2010年

10 纪彤坤;概念格Chein算法的研究与改进[D];华南理工大学;2012年

本文编号：659125