心电图常见疾病的统计模式识别分类方法的应用研究

论文摘要

随着现代社会的不断进步和发展,人们越来越认识到健康的重要性。心脏病是常见病和多发病,而且具有致命性。许多心脏病患者在到达医院急诊室之前,医生基本不清楚其具体情况,无法进行及时的抢救,所以快速及时的诊断和治疗是十分必要的。本文首先介绍了心电图自动诊断的相关工作,给出了基于医生经验的29种常见的心电图疾病诊断规则,实验表明,根据医生经验获得的心电图特征有更好的效果。接着具体介绍了两种统计模式识别分类方法——贝叶斯分类器和支持向量机分类器,并且利用MIT-BIH进行实验,支持向量机分类器的分类效果要优于贝叶斯分类器。随后针对实际的临床十二导联心电图数据,实验了两种支持向量机的分类方法。最后介绍和分析了分类器组合的方法,串行分类器组合算法的特异度和灵敏度离实际应用还有很大的差距。目前,我们实验的支持向量机分类方法已经移植到了远程心电诊断中心,将根据反馈不断完善应用效果。

论文目录

• 中文摘要
• ABSTRACT
• 第1章 绪论
• 1.1 心电图的产生
• 1.2 研究心电图自动诊断的意义
• 1.3 本文的主要内容
• 第2章 心电图基础知识
• 2.1 基本概念
• 2.2 记录形式
• 第3章 心电图分类的相关工作
• 3.1 数据获取
• 3.1.1 CSE数据库
• 3.1.2 AHA数据库
• 3.1.3 MIT-BIH数据库
• 3.1.4 样本量计算
• 3.2 预处理
• 3.3 特征提取
• 3.4 波形分类
• 3.4.1 基于知识库的分类方法
• 3.4.2 基于模式识别的分类方法
• 第4章 基于医生经验的心电图规则
• 4.1 形态特征参数
• 4.2 基于医生经验的常见心脏疾病的判别规则
• 第5章 贝叶斯分类方法
• 5.1 几种常用的贝叶斯决策
• 5.1.1 基于最小错误率的贝叶斯决策
• 5.1.2 基于最小风险的贝叶斯决策
• 5.1.3 最小最大决策
• 5.1.4 序贯分类方法
• 5.2 多元正态概率下的最小错误率贝叶斯判别函数
• 5.2.1 多元正态分布概率密度函数的定义及性质
• 5.2.2 多元正态概率下的最小错误率贝叶斯判别函数
• 5.3 贝叶斯分类器两分类的实验
• 5.3.1 贝叶斯分类器的实验步骤
• 5.3.2 贝叶斯分类器两分类的实验过程
• 5.3.3 统计分析
• 5.3.4 比较
• 5.4 贝叶斯分类器多分类实验
• 5.5 贝叶斯分类器的优缺点
• 第6章 支持向量机
• 6.1 最优分类超平面
• 6.2 线性支持向量机
• 6.3 非线性支持向量机
• 6.4 核函数的选取
• 6.5 支持向量机两分类实验
• 6.5.1 支持向量机两分类的实现步骤
• 6.5.2 支持向量机两分类的实验过程
• 6.5.3 比较
• 6.6 支持向量机多分类方法
• 6.6.1 支持向量机多分类的几种方法
• 6.6.2 支持向量机多分类的实验结果
• 6.7 贝叶斯分类器和支持向量机的比较
• 6.8 十二导联心电图支持向量机分类
• 6.8.1 十二导联心电图特征串联支持向量机分类实验
• 6.8.2 十二导联心电图特征并联支持向量机分类
• 6.8.3 蒙特卡罗法多导联心电图特征融合
• 6.8.4 蒙特卡罗法多导联心电图特征融合实验
• 6.9 支持向量机的优缺点
• 第7章 分类器组合
• 7.1 分类器组合的方法
• 7.1.1 投票表决法
• 7.1.2 Boosting算法
• 7.1.3 Bagging算法
• 7.1.4 Stacking算法
• 7.1.5 Cascade算法
• 7.2 并行分类器组合
• 7.2.1 并行分类器组合的实验过程
• 7.2.2 比较
• 7.3 串行分类器组合
• 7.3.1 串行分类器组合的实验过程
• 7.3.2 串行分类器组合实验结果
• 7.4 待研究的问题
• 第8章 总结与展望
• 附录
• 参考文献
• 硕士在读期间发表的论文
• 致谢