遠(yuǎn)程心電張量特征抽取與分析.pdf

1、隨著物聯(lián)網(wǎng)技術(shù),智能移動(dòng)設(shè)備的不斷普及，大規(guī)模遠(yuǎn)程心電的診斷平臺(tái)不斷成熟并且被廣泛使用。由于遠(yuǎn)程心電診斷平臺(tái)的規(guī)模巨大，自動(dòng)的輔助診斷就顯得尤為的重要，尤其是危重和急癥病例的識(shí)別。本文的重點(diǎn)就是從去噪，預(yù)處理，特征抽取，特征降維，分類的整個(gè)流程中所涉及的基礎(chǔ)理論和關(guān)鍵技術(shù)方面的問題。
　　本文主要從輔助心電分析的角度出發(fā)，研究如何結(jié)合心電的特點(diǎn)，解決心電去噪、預(yù)處理、特征抽取、特征降維、特征分類和模式識(shí)別等問題，并且結(jié)合心電的不同

2、特點(diǎn)提出相應(yīng)的實(shí)現(xiàn)算法。并最終將這些方法應(yīng)用到心電的輔助診斷和分類問題上。
　　本文的主要工作和創(chuàng)新點(diǎn)包括以下幾個(gè)方面：
　　1.對(duì)于心電預(yù)處理過程來說，去噪是至關(guān)重要的環(huán)節(jié)。傳統(tǒng)的心電去噪方法往往帶來心電波形的走樣和關(guān)鍵特征的丟失。另外，心電12導(dǎo)聯(lián)信號(hào)本身存在著很大的冗余。這里我們提出了一種新的方法充分利用了心電信號(hào)本身的冗余性特點(diǎn)。我們重構(gòu)出心電的2d和3d心電向量信號(hào)，然后通過投影重新獲取多組原始心電信號(hào)，我們充分利

3、用了波形中重要波形所在位置的信息，利用基于先驗(yàn)知識(shí)的加權(quán)主成分分析方法來去除噪聲并且從重建心電信號(hào)中抽取出有用波形。
　　2.從病理學(xué)角度出發(fā)，使用人工診斷過程中使用的特征進(jìn)行分析有很大的困難。不同的心電疾病有著不同的心電波形，而且對(duì)于心電來說，有著很多種類的疾病，所以要從心電中準(zhǔn)確無誤地抽取出心電的病理學(xué)特征非常困難。因此我們嘗試從機(jī)器學(xué)習(xí)的角度出發(fā)，從數(shù)據(jù)中學(xué)習(xí)出機(jī)器可以理解和容易處理的特征來進(jìn)行分析，最終得到好的分析效果。除

4、此之外，心電信號(hào)在頻率上存在著一些對(duì)分類非常有用的特征，所以我們嘗試在時(shí)頻空的復(fù)合域上進(jìn)行分析。所以我們提出了一些基于張量和多線性分析的方法直接在張量空間對(duì)數(shù)據(jù)進(jìn)行分析，來嘗試克服張量空間里特征稀疏和其它相關(guān)問題。
　　3.張量算法的通病是目標(biāo)函數(shù)非凸，容易落入局部最小解等問題。為了能夠以大概率得到全局最優(yōu)解。這里我們提出了一種計(jì)算框架，對(duì)于帶約束的和不帶約束的張量問題來進(jìn)行求解。使用我們的方法，和其它張量學(xué)習(xí)算法所遇到的收斂困難

5、等問題可以不同程度得到改善，而且往往可以得到更優(yōu)的解。
　　4.對(duì)于張量特征抽取算法，分為基于T2V映射并且以向量為輸出的還有基于T2T映射并且以張量為輸出的。本文提出的張量特征抽取算法基本上都是基于(T2V)的。雖然對(duì)于以張量為輸出的張量特征抽取算法，我們可以對(duì)它的張量輸出進(jìn)行向量化然后使用現(xiàn)有向量空間分類器進(jìn)行分類，但是這樣也會(huì)面臨結(jié)構(gòu)信息丟失、參數(shù)過多過擬合、小樣本問題等等。所以我們提出了一些可以直接以張量為輸入的特征分類方