论文部分内容阅读
心脏病是导致人类死亡的主要疾病之一,心电图监测是最有效的预防心脏病的方法,利用计算机来监测心电信号、识别异常心电信号并且对心脏病进行预警正在成为生物医疗领域的一个热点。
心律不齐的类型是反映心脏电活动稳定性的一个重要指标,尽早地识别心律不齐非常重要。以往的研究中对心律不齐心电信号的模式分类主要运用了小波变换、模板匹配、句法分析、数据聚类等算法,效果不是十分理想。本文中我们主要针对心律不齐心电信号进行研究,探讨比较了传统的心电模式分类方法,提出了利用PCA、ICA和SVM技术将不同类型的心律不齐信号进行模式分类的算法。
独立分量分析(ICA)是一种从多维观测信号中提取统计独立成分的新的盲信号处理技术。该技术现已在生物医学、模式识别、雷达信号处理等众多领域引起极大的关注。支持向量机(SVM)是一种基于结构风险最小化原则的通用模式分类方法,由于其强大的学习能力和良好的泛化性能,支持向量机已经应用到许多模式分类领域。
本文利用了MIT-BIH心律不齐数据库,目标是提出一种能够有效分离正常心电、左束支传导阻滞、右束支传导阻滞和室性过早搏动这几种常见心律不齐疾病的方法。考虑到心律不齐的心跳都是心脏某部位不正常工作产生,应该能从单个心跳的形状来判断出疾病类型。因而我们研究的对象是从数据库中提取出来的6000多单个心跳波形。
本文提出了两种对心律不齐心电进行模式分类的方法:一种采用主分量分析的方法来提取心电的特征向量;考虑到心电的产生原理是心脏多个部位发出的信号混合,我们还采用了独立分量分析的方法来提取特征向量,两种方法最后都采用了支持向量机的方法来对心电进行分类。试验证明两种方法都能有效的提高对ECG心律不齐的分类精度。