论文部分内容阅读
近年来心血管疾病发病率逐年上升,已经成为致死率最高的疾病之一。心电图作为检测心电活动的常用手段,目前被广泛运用于心血管疾病的诊断和监控中。由于心电图在实时监控心电活动时需要进行及时的信号分类,为了减少人力的投入,自动分类算法在心电图分析中的运用显得愈发重要。本文中研究并实现了一种利用心电图(ECG)信号来预测即将出现的心血管活动异常的自动分类系统。该系统是一个多阶分类系统,由一个全局分类器和一个个性化分类器构成。本文所实现的分类器结构模拟了心脏病专家在对病人诊断时采用的基于实例推理的分析过程,是一种针对患者个体进行自适应的个性化算法。本文利用全局分类器首先排除偏离个性化正常聚类较远的样本,再利用个性化分类器对具有一定偏移倾向的样本进行进一步细分。个性化分类器采用余弦距离对偏移方向进行量化,再利用量化的偏移方向对样本进行分类。采用该方法的前提假设是该方法的核心思路是利用非线性变换来将提取的信号特征量投射到具备特定几何特征的高维空间中。本文详细叙述了几何特征通过对各聚类在特征空间中关于非线性变换系数的目标函数的优化的实现方法。本文采用了多目标粒子群优化算法拟合多目标优化的帕累托前沿,并通过比较非线性重塑前后特征空间的帕累托前沿,证实了非线性核方法在提高特征空间对称性上的作用。本文所实现的算法的原理在于将采集到的心电信号样本映射到以受试者自身正常样本聚类为基线的相对异常类别上。本文通过与单层心电图分类器分类结果的比较,分析了该算法在预测潜在心血管疾病时的有效性。利用算法的预测能力,实现心血管疾病的及时诊断和治疗干预,能够显著降低心脏有关的疾病发病率。最后作者将该算法应用于MIT-BIH心律失常数据集,结果显示三个异常分类的预测改善率分别为8%、9%、12%。改善自动分类器对后续异常类别的预测能力,使得医护人员能及时采取相应措施,实时监控高危患者的心脏活动。