ECG信号自动诊断中回归建模法特征提取的研究

This article explores the ability of multivariate autoregressive model (MAR) and scalar AR model to extract the features from two-lead electrocardiogram signals in order to classify certain cardiac arrhythmias. The classification performance of four different ECG feature sets based on the model coefficients are shown. The data in the analysis including normal sinus rhythm, atria premature contraction, premature ventricular contraction, ventricular tachycardia, ventricular fibrillation and superventricular tachycardia is obtained from the MIT-BIH database. The classification is performed using a quadratic discriminant function. The results show the MAR coefficients produce the best results among the four ECG representations and the MAR modeling is a useful classification and diagnosis tool.     

基于参数模型的VCG信号计算机辅助检测研究

在心脏病学上,2种最基本和流行的心电导联体系是标准心电(ECG)导联体系和法兰克心电向量(VCG)体系(简称:法兰克心电导联体系).多数现存的计算机辅助心电分析是在标准心电导联体系上展开的.实际上,与标准心电导联体系比较而言,法兰克心电导联体系由于其相互间正交的原因与解剖学有着更为紧密的联系.为此,本文提出从法兰克心电导联体系中提取心电特征的研究,并以心肌梗死(MI)心电信号为研究对象,其数据取自PTB诊断ECG数据库.利用多变量回归建模技术对VCG进行建模,并将多变量回归模型系数作为VCG分类特征.实验结果表明,在本文的研究条件下,法兰克心电导联体系比标准心电导联体系能取得更好的分类效果.     

基于Frank导联的心肌梗死不同阶段自动分类

基于Frank 正交心电导联早期心肌梗死的特征提取和分类,提出利用多通道回归(multivariate autoregressive,MAR)模型对心电信号(electrocardiogram,ECG)进行建模,以MAR系数为心电特征,对PTB诊断数据库中的正常状态病人、早期心肌梗死和急性期心肌梗死进行分类测试.结果表明,利用该方法从Frank心电导联中提取特征对早期心肌梗死和急性期心肌梗死进行分类诊断是可行的,分类精度能获得有效提高.     

一种计算简单的心电诊断算法的研究

研究一种计算简单、实现容易的ECG特征提取和分类算法,以适于嵌入式系统的开发.收集MIT-BIH标准数据库中的正常窦性心律(NSR)和心室早期收缩(PVC)样本信号进行分类研究.提出一种基于ARMA模型的心电信号(ECG)分类法,包括:ARMA建模,特征白化,利用白化后的ARMA系数和ECG RR间期比实施基于Fisher准则的分类.文中的方法计算简单、实现容易,分别获得了92.00% 和97.57%的分类精度.结论:ARMA建模法适合于嵌入式系统的开发.     

基于SDEC和机器支持矢量机的基因检测

利用基因表达谱对肿瘤进行分子水平的检测和预测已经成为生物信息学的一个研究热点.如何从超高维基因序列中剔除噪声基因是该类问题的关键之一.本文提出一种基于欧氏中心距和标准差(SDEC)的可分性准则来衡量基因的相似性对噪声基因进行滤波和有效基因的选择,并结合K-L变换进行二次特征提取,进而利用机器支持向量机(SVM)进行分类检测.利用文中的方法对白血病基因表达谱进行测试,实验结果表明,利用从7129个基因中选出的105个基因进行分类可获得者100%的分类精度.     

二维主元分析法在心肌梗死心电信号检测中的应用

利用基于联合能量百分比搜索的二维主元分析法对12导高分辨率心电信号（ECG）进行全局特征提取和分类检测研究。所用数据取自PTB诊断数据库,包括健康状态ECG,早期心肌梗死（MI）ECG,急性期MI ECG,恢复期 MI ECG。结果表明,所用的方法能有效地融合12导ECG信号及其高频分量中的细微结构信息,与常规主元分析法相比,其平均分类检测精度可提高10.43%,与常规二维主元分析法相比,能得到维数更低的特征表示,并可获得99.46 %的平均分类检测精度。     

基于Frank导联和Hermite展开的心肌梗死检测

多数现有的计算机辅助心电(ECG)诊断技术研究通常是基于常规心电导联展开的,而正交Frank心电导联比常规心电导联有着与解剖学更为密切的联系.基于Frank导联的心肌梗死(MI)心电特征提取和分类检测的研究,对MI ECG信号进行Hermite非线性展开,以Hermite系数为心电特征,并对其进行分类测试.与常规心电导联相比,此方法对早期MI和急性期MI进行分类,检测精度可分别提高30.06%和19.33%.     

深度视觉频谱残余融合的图像质量评价

针对现有图像质量评价方法的缺陷,通过深度学习理论建模人眼视觉系统(human vision system,HVS)特性,提出了一种基于视觉特征深度感知与学习融合(deeply perception and learning for pooling,DPLP)的评价方法.首先为了增加图像视觉特征的稳定性,根据人眼感光的空域结构特征和频域多通道特性,对图像依次进行二维Log-Gabor小波变换、梯度变换和频谱残余的深度视觉信息处理,然后分别提取各层视觉信息进行质量评价.其次为了克服HVS融合的不确定性,对质量评价信息采取了深度池化策略,第一层为评价视图的空域融合,采取了符合人眼感光特性的高斯加权策略;第二层为多通道评价的频域融合,采取了具有HVS推理能力的BP神经网络的学习-预测策略;第三层为各级视觉特征的评价融合,采取了具有自适应特性的回归函数策略.最后,基于现实中的各种失真类型图像进行了实验,结果表明所提方法具有较高的主客观评价一致性水平和更好的稳定性.     

近红外光谱稀疏分量分析检测柴油品质参数

由于光谱盲源分离中的独立分量分析方法(ICA)在柴油品控参数近红外光谱定量分析时预测效果不理想,稳定性不高,本文提出了一种在稀疏特性下的盲源分离近红外光谱分析思路——近红外光谱稀疏分量分析法,并用该方法预测了柴油沸点、密度、芳烃总量等品控参数。首先利用柴油校正集光谱样本训练冗余字典并完成光谱在该字典下的稀疏变换,接着完成混合矩阵估计,最后用混合矩阵与柴油品控参数建立回归预测模型。针对混合矩阵估计中光谱稀疏度不为一时聚状特征模糊导致无法确定聚类数的问题,提出将AP聚类算法应用于聚类过程。实验表明,近红外光谱稀疏分量分析法对柴油沸点、密度、芳烃总量预测的相关系数(R)、预测均方根误差(RMSEP)分别达到了98.91%,99.68%,99.43%和2.84,0.88×10-3,0.59,性能优于ICA及全谱偏最小二乘(PLS)等传统方法。该方法可作为一种柴油品控参数检测的有效盲源分离定量分析方法,并可推广于其它光谱检测领域。