基于智能優(yōu)化算法和支持向量機(jī)的心電逆問(wèn)題研究.pdf

1、心電逆問(wèn)題的研究是根據(jù)體表電位分布無(wú)創(chuàng)地重建心臟電活動(dòng)，如心內(nèi)膜電位分布、心外膜電位分布和心肌橫跨膜電位分布。重建得到的心肌內(nèi)或心臟表面的電位可提供比體表電位分布更詳盡的電生理信息，因此在心臟疾病的診斷研究中具有重大的臨床應(yīng)用價(jià)值。本文所研究的基于橫跨膜電位分布的心電逆問(wèn)題，可以看作是多輸入多輸出的回歸估計(jì)問(wèn)題，即對(duì)體表電位的多個(gè)輸入回歸形成橫跨膜電位分布的多個(gè)輸出的問(wèn)題，且此回歸問(wèn)題可以運(yùn)用支持向量回歸(SupportVectorRe

2、gression，SVR)方法來(lái)解決。
　　在對(duì)原始輸入數(shù)據(jù)進(jìn)行預(yù)處理過(guò)程中，特征提取是的一項(xiàng)重要的任務(wù)。本文提出了應(yīng)用主成分分析(PrincipalComponentAnalysis，PCA)和核主成分分析(KernelPrincipalComponentAnalysis，KPCA)來(lái)對(duì)體表電位分布數(shù)據(jù)進(jìn)行特征提取。實(shí)驗(yàn)結(jié)果顯示在重建橫跨膜電位分布時(shí)，兩種特征提取的方法(PCA-SVR和KPCA-SVR)比單一SVR方法的表現(xiàn)更

3、為出色。相比于PCA-SVR方法，KPCA-SVR在預(yù)測(cè)電位時(shí)有著更高的逼近能力和泛化能力。
　　為了使支持向量回歸模型擁有良好的泛化能力和擬合精度，模型中的超參數(shù)必須進(jìn)行有效地選取。本文探討了三種智能優(yōu)化算法-遺傳算法(Geneticalgorithm，GA)，差分進(jìn)化算法(Differentialevolution，DE)以及粒子群優(yōu)化算法(ParticleSwarmOptimization，PSO)，來(lái)自適應(yīng)地選取支持向量回