—————————————————————基于局部约束线性编码的心电信号分类研究—————————————————————Rearch on ECG Classification Bad on Locality-constrained Linear Coding
然而造句
作者姓名：邓铎图尔卡纳湖
领域(方向)：电子与通信工程
指导教师：司玉娟教授非洲霸王树
类别：工程硕士
答辩日期：2019年5月28日
怎么隐藏战绩
我好想他摘要
基于局部约束线性编码的心电信号分类研究英国高考
在当今社会，由于许多人饮食与生活作息的不规律，导致我国心血管疾病的发病率逐年提升，心血管疾病的诊断与预防成为了民生的关注热点。心电图(electrocardiogram,ECG)检查是医生诊断心血管疾
中餐礼仪病的重要依据，传统的诊断方法是专业医生通过人工的方式对心电图进行分析，容易造成误诊漏诊，而心电信号的自动分析有助于提升医生对心血管疾病的诊断效率，因此心电信号自动分析也成为了当今生物医学信号处理领域的热门研究课题。心电信号分类是心电信号自动分析当中的关键技术，然而目前心电信号分类的效率与准确率仍有待改善，所以本论文以心电信号分类为课题展开研究，其中重点针对心电信号特征进行处理，以提高分类的准确率。
心电信号特征复杂多样，而由于心电信号存在的冗余信息，当其直接作为样本输入到分类器中进行分类时，会产生运算复杂度高、准确率较低等问题。因此对心电信号特征进行压缩，减少其中的冗余信息，同时保留特征之间的相关性，以实现运算复杂度的降低与分类准确率的提升。传统的心电信号压缩算法有词袋模型(Bag of Words,BoW)与矢量量化(Vector Quantization,VQ)。BoW模型由于打乱了心拍的时间顺序，会使得异常心拍与正常心拍之间存在混淆。而VQ编码方式则由于编码之后的特征都只由字典中的一个码字来表示，同样会损失心电信号特征中的部分信息。
针对上述方法的不足，本论文构建了局部约束线性编码(Locality-constrained Linear Coding,LLC)与支持向量机(Support Vector Machine,SVM)相结合的心电信号分类方案，局部约束线性编码充分考虑了特征的局部性，有着良好重构效果，弥补了BoW模型以及VQ编码丢失信息的缺点，并且有着平滑性与稀疏性的优点，能够保证特征相似的数据在编码之后仍具备相似性，同时计算复杂度低，效率高，目前已被应用于图像分类、人脸识别等多个领域；支持向量机是一种用于分类和回归分析的有监督学
习模型，它通过将样本与决策面的间隔最大化进行分类，具有良好的分类效果。
本论文首先选取小波变换对心电信号进行预处理，消除噪声的干扰，并分割成单个心拍，构建心拍数据集，然后通过主成分分析法(Principal Component Analysis,PCA)对数据集进行降维，并使用K-means聚类算法构建心拍字典，对心拍数据集进行局部约束线性编码，利用编码矩阵表示心拍数据集，最后输入到支持向量机中进行训练与分类。本文对编码后的心拍数据集分别进行了二类心拍（正常心拍与异常心拍）分类实验以及六类心拍分类实验，选取BoW模型方法抵达
I
