多特征决策层融合的脉搏信号分类方法.pptx

多特征决策层融合的脉搏信号分类方法多特征决策层融合的脉搏信号分类方法脉诊数字化研究获取不同类型的信号基于压力传感器基于光电传感器基于超声传感器…….不同类型的特征周期频率节律振幅……脉搏信号的分类方法基于特征表达的方法提取脉搏信号的特征时域特征、变换域特征在特征空间中分类基于相似性度量的方法采用不同的测度函数衡量信号的相似性欧氏距离、马氏距离、弹性匹配构造分类器多特征决策层融合的脉搏信号分类方法本文的融合模型原始脉搏信号相似性度量小波能量特征时域特征支持向量机3支持向量机1支持向量机2决策层融合分类结果多特征决策层融合的脉搏信号分类方法1.1时域特征的提取1.脉搏信号的预处理去噪声去基线漂移周期的划分关键点检测2.脉搏信号时域特征提取主波峰的幅值重搏前波、重搏波的幅值脉搏信号的周期……多特征决策层融合的脉搏信号分类方法1.1时域特征的提取多特征决策层融合的脉搏信号分类方法1.2 小波能量特征的提取原始脉搏信号进行小波分解近似项细节项?其中是尺度函数 的系数，是小波函数 的系数。多特征决策层融合的脉搏信号分类方法1.2小波能量特征的提取近似项细节项多特征决策层融合的脉搏信号分类方法1.2小波能量特征的提取近似项细节项低频部分高频部分多特征决策层融合的脉搏信号分类方法1.2小波能量特征的提取信号的能量主要集中于高频部分利用系数可以定义信号的能量函数如下?其中，为第j层小波分解细节项的能量函数?多特征决策层融合的脉搏信号分类方法1.2 小波能量特征的提取定义信号第j层小波分解的相对能量函数如下本文中采用Daubechies (db3) 小波，对每一个脉搏信号进行7层小波分解，得到7个小波能量特征用于后续融合实验。多特征决策层融合的脉搏信号分类方法1.3 信号的相似性度量对脉搏信号进行归一化处理。取脉搏信号一个典型周期，归一化使其幅值在0~1之间，使信号每个周期的长度都相同，都包含100个点。（获取脉搏信号的采样频率为150hz）采用欧氏距离来衡量信号之间的相似性令 ，Y 代表归一化后的信号，则X与Y之间的相似性通过来衡量， ?多特征决策层融合的脉搏信号分类方法?2.1 支持向量机给定训练，通过在高维特征空间中最小化如下函数寻找最优分类超平面在非线性支持向量机中，原始问题的对偶形式为?其中为核函数。多特征决策层融合的脉搏信号分类方法2.1 支持向量机最优分类超平面其中为支持向量，sign为符号函数?通常的值越大，对应正确分类的概率越高?基于此本文采用多数投票规则与贝叶斯求和规则对三个支持向量机的输出进行融合。多特征决策层融合的脉搏信号分类方法2.2 融合策略多数投票规则给定N个支持向量机的输出多数投票规则可以表示为其中为输出的样本x的类别?多特征决策层融合的脉搏信号分类方法2.2 融合策略贝叶斯求和规则[1]令代表第i个分类器输出，第类的概率密度函数，设其先验概率为，?本文采用sigmoid函数[2]，结合支持向量机的输出来估计样本x属于某类的条件概率，?[1] J. Kittler, M. Hatef, P.W. Duin, and J. Matas, On combining classifiers, IEEE Transactions Pattern Analysis and Machine Intelligence, vol. 20, 1998, pp. 226-239.[2] J. Platt, Probabilistic outputs for support vector machines and comparison to regularized likelihood methods, Proceedings of Advances in Large Margin Classifiers, 2000, pp. 61-74.多特征决策层融合的脉搏信号分类方法3.实验本文采用上海中医药大学ZM-III脉象仪，建立了包含233人的脉搏信号数据库。数据库中所有样本均采集自解放军211医院体检中心类别数量健康人135亚健康98多特征决策层融合的脉搏信号分类方法3.实验实验结果方法类别总计分类正确率健康（135）亚健康（98）233时域特征1287119985.41%小波能量特征1237019382.83%相似性度量1177619382.83%三类特征+多数投票融合规则1298121090.13%三类特征+贝叶斯求和融合规则1328521793.13%多特征决策层融合的脉搏信号分类方法基于多核学习的融合框架L. Liu, W., D. Zhang, H. Zhang, N. Li. Combination of heterogeneous features for wrist pulse blood fl