基于智能優(yōu)化算法和支持向量機(jī)的心電逆問題研究.pdf

1、心電逆問題的研究是根據(jù)體表電位分布無創(chuàng)地重建心臟電活動，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)用價值。本文所研究的基于橫跨膜電位分布的心電逆問題，可以看作是多輸入多輸出的回歸估計問題，即對體表電位的多個輸入回歸形成橫跨膜電位分布的多個輸出的問題，且此回歸問題可以運(yùn)用支持向量回歸(SupportVectorRe

2、gression，SVR)方法來解決。
　　在對原始輸入數(shù)據(jù)進(jìn)行預(yù)處理過程中，特征提取是的一項重要的任務(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)來對體表電位分布數(shù)據(jù)進(jìn)行特征提取。實驗結(jié)果顯示在重建橫跨膜電位分布時，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)測電位時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)，來自適應(yīng)地選取支持向量回