深度稀疏自编码器在ECG特征提取中的应用

针对心电(ECG)信号智能分析模型中,复杂波形的特征提取困难,人工设计特征造成源信号特征丢失,标签样本不足等问题,提出了一种基于深度稀疏自编码器(Deep Sparse Auto-Encoders,DSAEs)的ECG特征提取方法。该方法在DSAEs进行贪婪逐层训练时,采用适应性矩阵估计(Adaptive moment estimation,Adam)对网络权重进行寻优,以此获得最优参数组合,同时提取出高层隐含层的输出,并作为ECG高度抽象的低维特征。最后利用支持向量机(Support Vector Machines,SVM)构建分类模型,完成对ECG的特征分类。使用MIT-BIH心律失常数据库的ECG数据进行仿真实验,结果表明,提出的ECG特征提取方法能有效地分层抽取特征,提高分类识别准确率。

面向躯感网的心电融合特征分析方法

针对躯感网(BSN)穿戴设备的存储能力和计算能力受限的特点,为有效提高心电(ECG)分析模型识别率和效率,提出面向躯感网的ECG融合特征提取方法。采用Pan-Tompkins算法实现对QRS波群实时快速检测和时域特征提取;采用轻量级稀疏自编码(SAEs)网络对连续ECG信号进行深度特征提取和降维;通过向量张成的方式完成特征融合。使用MIT-BIH数据库中的ECG数据进行仿真实验,结果表明:基于融合特征的ECG分析模型精确度高,耗时少,能够满足面向躯感网的ECG特征提取的性能要求。

一种基于LKDP-FCM的心电特征分类方法

针对传统心电分类模型实现复杂、适应性较差等问题,提出一种基于LKDP-FCM的异常心电特征分类方法。采用小波变换进行波形识别、周期分割和特征提取,应用逻辑判断(Logic)分割出大部分正常心拍,再由改进的模糊C均值(FuzzyC-means,FCM)算法实现异常心律的自动分类。该方法将K近邻优化的密度峰值(DensityPeak,DP)理论与模糊理论相结合,弥补FCM算法需要先验知识的不足,同时避免其选取聚类中心存在随机性的问题。对MIT-BIH心律失常数据库的心电数据进行仿真实验,结果表明,所提出的方法在异常心律分类上具有较好的适应性,按病例划分的准确率平均为97.91%,按心律类型划分的总体准确率达97.58%。