基于改进的EEMD和GA的心电信号特征融合与特征优化算法研究.pdfVIP

基于改进的EEMD 和GA 的心电信号特征融合与特征优化算法研究 摘 要 心律失常所导致的高致死率和高致残率并发症给家庭和社会带来了沉重的负担。如 何有效预防和诊断心律失常已成为当前亟待解决的问题。现有的诸多方法中，对人体心 电图（Electrocardiogram,ECG）进行实时动态自动监测是一种最为有效预防和诊断心律 失常的手段。在进行ECG 信号自动监测时，心律失常识别准确度是最为重要的问题之 一，而ECG信号特征提取是提高其识别准确度的关键步骤。然而，现有的ECG信号特 征提取算法存在特征提取不够深入和全面，且算法的普适性不强等问题。针对上述的这 些问题，本文以提升ECG 信号分类性能为研究目标，提出基于改进集成经验模态分解 EnsembleEmpiricalModeDecomposition,EEMD GeneticAlgorithm,GA （ ）与遗传算法（ ） 的ECG信号特征融合与特征优化算法，主要研究内容如下： 1 MIT-BIH （）心电信号预处理。首先采用有限脉冲响应滤波器对 心率异常数据库 中的ECG信号进行去噪，然后使用双斜率特征提取算法进行ECG信号R 波波峰定位， 再依据该定位结果进行心拍分割，最后利用滑动窗口积分法对分割后ECG信号进行放 大。并以此为后续ECG信号特征融合和特征优化提供数据支撑。 2 EEMD ECG （）基于改进的 和统计分析的 信号时频域特征融合算法。该算法首 先在ECG信号的频域特征提取上使用主成分分析对EEMD 算法进行了改进。然后在基 于统计分析原理的基础上，在ECG信号的时域特征提取中分别提取了ECG信号的幅值 特征、低阶统计量、高阶统计量、熵值等方面特征。最后将所提取的时频域特征进行融 SupportVector Machine, SVM 合。支持向量机 （ ）分类验证实验表明，在病人内和病人 间的情况下整体分类准确度分别为98.54%和93.84%。 3 GA ECG GA （）基于改进 的 信号特征优化算法。该算法通过对 的适应度函数的 改进，采用了适合本文特征优化算法的标准化欧氏距离作为适应度函数来进行全局最优 解的计算，使得特征提取算法更具备普适性。SVM 分类验证实验表明，在病人内和病 人间的情况下整体分类准确度分别为98.77%和94.19%。 本文从特征融合和特征优化的角度对ECG信号特征提取算法进行了改进，在保证 高分类准确率的前提下提高了算法的普适性。所提出的算法有利于特征提取算法应用于 心律失常的自动诊断与识别，为促进ECG信号特征提取的学术研究以及推广应用提供 了一定的参考。 关键词：ECG 信号分类；集成经验模态分解；遗传算法；特征融合；特征优化 I 目录 目 录 1 绪论 1 1.1 研究背景和意义1 1.2 国内外研究现状2 1.2.1 ECG信号分类方法研究现状2 1.2.2 ECG信号特征融合算法研究现状2 1.2.3 ECG信号特征优化算法研究现状4 1.3 本文研究内容5 1.4 本文组织结构6 2 相关技术与理论7 2.1 集合经验模态分解7 2.2 遗传算法