基于心电信号的智能诊断系统设计

心电信号是人体心脏健康状况的直接反映;同时也是医生进行心脏疾病诊断时的重要依据。针对传统的智能心电图机心脏疾病诊断准确率不高以及造价昂贵的问题;本文利用Arduino单片机;配合AD8232采集芯片;设计并实现了一套便携式的心电信号采集和智能诊断系统。该系统包含心电信号采集、信号预处理、特征提取、分类器构建、智能诊断几个部分;该系统涉及到的理论方法在MIT-BIH标准心电数据库数据做了验证;取得了较高的识别准确率;在自采集心电信号的测试中;能够实现心电信号的智能诊断。

基于动态模糊决策树的心电信号分类方法

为提高心电信号分类识别的准确率,提出一种基于时频特征融合与动态模糊决策树的心电信号分类识别方法。对心电信号依次进行周期分割、小波包分解与重构和形态识别处理,将小波包变换系数矩阵的二范数作为频域特征,并与时域特征进行融合以表征心电信号,同时将模糊C均值聚类引入模糊决策树的建树过程中,实现特征空间的动态划分。在MIT-BIH标准心电数据库上的实验结果表明,该方法的分类识别准确率较高,心电信号正异常分类的准确率达99.14%。

基于分块LBP融合特征和SVM的人脸识别算法

针对传统局部二值模式(LBP)特征提取方法在光线和人脸表情变化的情况下表现不佳、单一方法提取出的特征不能多角度表现出整张人脸的特征信息的问题,提出一种基于分块LBP融合特征和支持向量机(SVM)的人脸识别方法。先将人脸图像划分为不同的块,对每一块提取LBP特征;然后将不同分块的像素均值特征与LBP特征进行融合,用融合后的特征向量来表征人脸;最后引入SVM作为分类器对上述特征进行分类。在YALE、ORL标准人脸库以及自建人脸库上进行实验验证,实验结果表明:该方法识别准确率分别能达到95. 15%,99. 75%,96. 25%,对比实验显示,该方法优于C4. 5决策树、随机森林等传统方法。

基于局部LBP特征的人脸识别

将人脸图像划分为互不相交的矩形块,提取各分块的LBP特征,并将各块LBP特征按序组合表征人脸图像。利用支持向量机(Support Vector Machine,SVM)算法对训练分类器,进行人脸识别。在YALE人脸库上进行的实验表明,基于局部LBP特征的支持向量机分类器的准确率能够达到93.33%。

基于仿射传播聚类的说话人识别算法

为了提高说话人识别系统的离线训练效率,提出了一种基于仿射传播(AP)聚类的说话人识别方法,通过仿射传播聚类对说话人声纹特征样本进行样本筛选,采用神经网络算法训练说话人识别分类器,完成说话人识别。在自采集数据集上进行了说话认识别实验,证明采用仿射传播聚类算法对样本集进行大幅压缩过后,样本压缩率约为82%,网络训练时间下降率约为86.99%,而识别准确率与压缩前的识别准确率基本一致。实验证明了仿射传播聚类与神经网络结合的说话人识别算法可以在保证识别率的同时大大提高神经网络的训练速度,节约时间成本。