基于matlab的滤波器设计第五章精讲.doc

 PAGE 47 第五章 结果与讨论 本章将主要介绍AR建模及各种分类方法的仿真结果。文中的数据包括正常窦性心律（NSR）、心室性心动过速（VT）和心室纤维性颤动（VF）均取自MIT-BIH数据库。本文利用AR模型对各类ECG信号进行建模，其相应的AR建模系数作为分类的特征。在建模时，采用相关系数和信噪比来确定AR模型阶次。本文采用了两种分类方法，即基于BP神经网络和普通线性分类器的方法。结果显示，利用AR建模和BP神经网络对ECG信号进行分类是一种非常迅速、有效的分类方法。 5.1 结果的概况 本文采用第四章中介绍过的Tompkins’s算法进行ECG峰值R的检测。每个ECG样本信号包含了300个样本点，这样每个样本信号足以包含一个完整的心率周期内的所有信息。其中的100个采样点在ECG峰值R以前，200个采样点在ECG峰值R以后。 AR建模的结果显示，选择模型阶次P=4是合适的。对于每个信号样本而言，4个模型系数足以保证AR建模取得了良好的信噪比及相关系数，也足以作为检测三类不同ECG的信号特征。 在信号的分类方面，本文采用两种方法：基于线性分类器和BP神经网络的分类，并对这两种方法进行分析对比。这是一个改进型BP算法的神经网络，其结构是：4个输入单元、2个由5个神经元组成的隐蔽层和一个由3个神经元组成的输出层。在利用线性分类器时，采用决策树分类方案：NSR信号与VT/VF信号被先行分类，再将VT与VF信号分离。在训练时，随机选取一定数量的样本进行训练，再利用其余的样本进行测试。 5.2峰值的检测结果 ECG信号检测中重要的一步是QRS波峰值的检测，检测的结果如下图所示： 图5-1 ECG信号峰值检测的结果 5.3特征提取的结果 当AR模型阶数未确定的情况下，本文利用P=（2～10）各种不同模型阶数进行建模尝试，再以相关系数及信噪比这两个指标作为依据进行对比。图5-2显示了各种模型阶数下的信噪比。 图5-2 不同模型阶次下的信噪比 从图5-2中可以看出，信噪比随着模型阶数P的增加而增加，其中P小于4是变化最为显著。有关的研究表面，利用AR模型对ECG进行建模，其建模误差在P大于2后将得不到明显的改善。AR模型有着线性的特性，而ECG信号严格地讲不是一个平稳随机过程，也许不能包含所有的ECG情况。结合本文的研究，为了能从ECG中融合更多的信息。本文选取AR模型阶数P等于4，此时AR模型已具有较好的信噪比。另一方面，如果P太高，会大大地增加其运算量和分类的难度。选定P等于4进行AR建模时，各类ECG信号样本的相关系数及信噪比如表3-1所示： 表3-1 ECG信号样本的相关系数及信噪比（P=4） ECG信号相关系数（ρ）信噪比（SNR） （db）NSR0．994819．8126VT0．999228．1674VF0．995320．5008从表中可看出，当P=4时，相关系数均大于0.99,这说明预测的ECG与原始ECG有着极强的相关性。这从另一方面反映了模型阶次P=4是合适的选择。 在仿真实验，还得出以下一些结论： 1)样本的采样点数，即数据分割的窗口宽度的大小对信噪比的影响不大，虽然随着采样点数的增加，SNR值呈减小的趋势，但总的来说，变化不大。 2)在阶次较低时，信噪比随着建模阶次迅速增大，但当P4以后，信噪比曲线趋于平坦。此结果与其它的相关研究基本一致。 3)当P4以后，相关系数非常接近于1。 4)AR建模时，最前面几个信号点往往误差很大，因为根据建模原理，每个点的预测值均与前面P个点的值有关，所以每个样本的前P个点往往不准确，误差较大。 5)NSR信号获得较好的信噪比。 6)在QRS波的起始处，存在较大误差。 经过上述的研究，本文选取AR建模阶次P=4对各类ECG信号进行建模。如下图5-3、5-4、5-5所示，分别为各类ECG一个样本的预测结果。 图5-3 NSR原始信号及预测信号 图5-4 VF原始信号及预测信号 图5-5 VT原始信号及预测信号 以上三个样本的AR系数如表5-2所示： 表5-2 各类ECG信号的AR建模系数 ECG信号a(1)a(2)a(3)a(4)NSR-2.08721.3843-0.2493-0.0260VT-1.92261.3830-0.83720.3984VF-2.08301.5056-0.6974 0.2851 5.4分类的结果 阶次P等于4的AR系数作为ECG信号分类的特征，各类ECG信号的AR系数详见附录A，各类ECG信号AR建模系数的最大、最小值见表5-3。本文采用BP神经网络和线性分类器两种分类法对3类取自MIT-BIH数据库的ECG信号进行分类，并对分类结果进行比较和讨论。 表5-3 各类ECG信号