动态心电图波形进分类策略研究.pdf

摘要 命活动中一个明显的体现。心电图反映了人体心脏的工作状况，它的各个波形的不同变 化往往体现出了某些病变。在现代医学中，心电图正越来越成为医生诊断心脏疾病的依 据。动态心电图(Dynamic 时内记录近10万次左右的心跳所产生的心电图。由于记录时间长、数据量庞大等原因， 医生不可能阅读每一次心动事件用于心脏病诊断，如何准确、可靠、完整、快速地从中 抽取各类典型心电数据充当诊断依据，成为当今研究的热点。 机器学习(MachineLearning)是研究计算机怎样模拟或实现人类的学习行为，以获取 新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习的理论 方法可被用于大数据集的数据挖掘这～领域。当前，机器学习研究与应用中最常用的关 键技术有：集成学习、贝叶斯网络、决策树、统计学习理论与支持向量机、隐马尔可夫 模型、神经网络、k近邻方法、序列分析、聚类、粗糙集理论、回归模型等。 本文以动态心电图波形为研究对象，研究动态心电图波形数据的采集、整理、预处 理，引入机器学习的概念，通过比较和分析确定一种分类算法并加以改进。具体内容包 括采用小波变换及阈值检测的方法检测R波，并以设计一套动态心电图波形自动分类 系统为目的，将聚类方法与分类方法相结合，在已完成聚类策略的筛选之后，通过对比 不同分类方法在动态心电图波形分类中的优劣，确定了K近邻(KNN)分类策略，并 对波形问的度量加以改进。具体内容为：首先对相似性度量中不同距离度量方法的比较， Block距离，并引入了核函数的概念，将波形数据间的线性 将传统的欧式距离改为City 差异转化为非线性，在一定程度上提高了波形间的区分精度，最终使得动态心电图波形 的分类准确度得到了提高。提出了基于SOM和相似性搜索的二次筛选策略，在完成初 次筛选后对未满足筛选要求的剩余波形进行了细分筛选，基本达到了用于疾病诊断的要 求。 Block核函数SOM相 关键词：动态心电图分类机器学习K近邻相似性度量City 似性搜索 Abstract heart andhumanlife for areflectionof excitement short,is Electrocardiogram，ECG reflectshowtheheartis andthe ofheartwaveforms activity．ECG workingchanges always andmore standfor modern becomesamore pathologicalchanges．Inmedicine,ECG basisin heart as importantdiagnosingdisease．Dynamic itis doctortoread as24hoursheartdata-about100．000waveform$．As fora long Impossible for alltheECG tofindoutthe waveforms data,how typical diagnosing and