应用小波包变换和主成分分析识别亚健康状态

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (26): 238-241.

应用小波包变换和主成分分析识别亚健康状态

张爱华，孔令杰

兰州理工大学电气工程与信息工程学院，兰州 730050

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-09-11 发布日期:2011-09-11

Wavelet packet transform and principal component analysis for identifying sub-health state

ZHANG Aihua，KONG Lingjie

School of Electrical and Information Engineering，Lanzhou University of Technology，Lanzhou 730050，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-09-11 Published:2011-09-11

摘要/Abstract

摘要： 为了评估亚健康状态，提出一种基于心电信号小波包变换和主成分分析的亚健康状态识别新方法。采用小波包变换对心电信号进行特征提取;再利用主成分分析（PCA）对所提特征进行降维处理，以剔除特征之间的冗余信息;最后应用线性判别式分析（LDA）对亚健康状态进行分类识别。研究结果显示，该方法能获得较高的识别率，对于实现亚健康状态的评估具有一定的参考价值。

关键词: 亚健康状态, 心电信号, 小波包变换, 主成分分析, 线性判别式分析

Abstract: In order to evaluate sub-health state，a new sub-health state recognition method based on wavelet packet transform and Principal Component Analysis（PCA） of ECG signals is discussed.The features of ECG signals are extracted by using wavelet packet transform，and the dimension of the features is reduced by utilizing PCA for removing the redundant information between them.Finally，Linear Discriminant Analysis（LDA） is applied on sub-health state recognition.The results demonstrate that this method can get higher recognition rate，which provides a certain reference value for achieving the assessment of sub-health state.

Key words: sub-health state, ECG signals, wavelet packet transform, Principal Component Analysis（PCA）, Linear Discriminant Analysis（LDA）

张爱华，孔令杰. 应用小波包变换和主成分分析识别亚健康状态[J]. 计算机工程与应用, 2011, 47(26): 238-241.

ZHANG Aihua，KONG Lingjie. Wavelet packet transform and principal component analysis for identifying sub-health state[J]. Computer Engineering and Applications, 2011, 47(26): 238-241.

[1]	乔慧，周水生. 非线性角度2DPCA及其在人脸识别中的应用[J]. 计算机工程与应用, 2021, 57(8): 112-118.
[2]	于多，黄永东. 基于SPCA和域变换递归滤波的高光谱图像分类[J]. 计算机工程与应用, 2021, 57(4): 199-208.
[3]	沈少禹，蔡满春，芦天亮，赵琪. 基于LFKPCA-DWELM的入侵检测方案[J]. 计算机工程与应用, 2021, 57(17): 130-137.
[4]	郑淋文，周金治，黄静. 深度稀疏自编码器在ECG特征提取中的应用[J]. 计算机工程与应用, 2021, 57(11): 156-161.
[5]	张东梅，买日旦·吾守尔，古兰拜尔·吐尔洪. 面向高维混合不平衡信贷数据的单类分类方法[J]. 计算机工程与应用, 2021, 57(10): 233-240.
[6]	林克正，张元铭，李昊天. 信息熵加权的HOG特征提取算法研究[J]. 计算机工程与应用, 2020, 56(6): 147-152.
[7]	邱宁佳，王晓霞，王鹏，周思丞，王艳春. 结合迁移学习模型的卷积神经网络算法研究[J]. 计算机工程与应用, 2020, 56(5): 43-48.
[8]	黄广俊，邓元龙. 融合改进LBP和SVM的偏光片外观缺陷检测与分类[J]. 计算机工程与应用, 2020, 56(22): 251-255.
[9]	邱宁佳，沈卓睿，王辉，王鹏. 通信垃圾文本识别的半监督学习优化算法[J]. 计算机工程与应用, 2020, 56(17): 121-128.
[10]	陈健，刘明，熊鹏，孟宪辉，杨林. 基于卷积自编码神经网络的心电信号降噪[J]. 计算机工程与应用, 2020, 56(16): 148-155.
[11]	杨永鹏，杨真真，李建林，乐俊. 低秩稀疏分解及其在视频和图像处理中的应用[J]. 计算机工程与应用, 2020, 56(16): 21-30.
[12]	耿焕同，周利发，丁洋洋，周山胜. 一种基于新型差分进化模型的MOEA/D改进算法[J]. 计算机工程与应用, 2019, 55(8): 138-146.
[13]	陈佳，刘冬雪，武大硕. 基于特征选取与LSTM模型的股指预测方法研究[J]. 计算机工程与应用, 2019, 55(6): 108-112.
[14]	徐竟泽，吴作宏，徐岩，曾建行. 融合PCA、LDA和SVM算法的人脸识别[J]. 计算机工程与应用, 2019, 55(18): 34-37.
[15]	牛亚茜，冀小平. 基于卷积神经网络的图像检索算法研究[J]. 计算机工程与应用, 2019, 55(18): 201-206.