基于SPSO与ISKPCA的RdR散点图识别分类研究

doi:10.3778/j.issn.1002-8331.1806-0390

计算机工程与应用 ›› 2018, Vol. 54 ›› Issue (23): 120-124.DOI: 10.3778/j.issn.1002-8331.1806-0390

基于SPSO与ISKPCA的RdR散点图识别分类研究

岳大超，甘良志，刘海宽，余南南

江苏师范大学电气工程及自动化学院，江苏徐州 221116

出版日期:2018-12-01 发布日期:2018-11-30

Research on classification of RdR scatter plot based on SPSO and ISKPCA

YUE Dachao, GAN Liangzhi, LIU Haikuan, YU Nannan

Institute of Electrical Engineering and Automation, Jiangsu Normal University, Xuzhou, Jiangsu 221116, China

Online:2018-12-01 Published:2018-11-30

摘要/Abstract

摘要： 面对稀缺的医疗资源，心血管疾病的上升趋势，自动化诊断日趋迫切。为实现心电自动化诊断，提出了一种使用简化粒子群算法来自动搜寻集成稀疏核主分量分析的参数，并以此获得的集成稀疏核主分量分析模型来对用心电数据绘制的RdR散点图进行识别分类的方法，以期实现心电自动化诊断。算法通过计算样本数据与使用核主分量分析映射数据之间的距离差值来研究数据之间的最大相似性，并以此来判断样本数据类别，在对正常窦性心律、非偶联早搏、二联律早搏、三联律早搏以及混合早搏这五种心律进行的分类实验结果显示，可以准确识别不同的心律，分类的正确率较高，有助于心电自动化诊断的实现。

关键词: 心电信号, 稀疏核主分量分析, RdR散点图, 智能诊断, 简化粒子群算法

Abstract: Faced with scarce medical resources and the rising trend of cardiovascular diseases, automated diagnosis is increasingly urgent. The method of identifying and classifying RdR scatter plots drawn with ECG data using integration sparse kernel principal component analysis and simplified particle swarm optimization is presented. The algorithm uses minimum error to study the maximum correlation between data, and then the ECG may be classified as NSR, or uncoupling premature beat, or two combined premature beat, or triple combined premature beat, or mixed premature beat. Experiments show that its performance is promising. This provides the basis for automatic diagnosis of ECG.

Key words: ECG, sparse kernel principal component analysis, RdR scatter plots, intelligent diagnosis, simplified particle swarm optimization

岳大超，甘良志，刘海宽，余南南. 基于SPSO与ISKPCA的RdR散点图识别分类研究[J]. 计算机工程与应用, 2018, 54(23): 120-124.

YUE Dachao, GAN Liangzhi, LIU Haikuan, YU Nannan. Research on classification of RdR scatter plot based on SPSO and ISKPCA[J]. Computer Engineering and Applications, 2018, 54(23): 120-124.

[1]	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.
[2]	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.
[3]	张鑫1，邹德旋1，肖鹏1，喻秋2. 自适应简化粒子群优化算法及其应用[J]. 计算机工程与应用, 2019, 55(8): 250-263.
[4]	梁书彤，郭茂祖，赵玲玲. 基于机器学习的医疗决策支持系统综述[J]. 计算机工程与应用, 2019, 55(19): 1-11.
[5]	黄衍标，安娟，陈华珍，廖惜春. 基于巨磁阻抗传感器的心磁信号检测的研究[J]. 计算机工程与应用, 2018, 54(4): 250-255.
[6]	王磊，孙玮，陈奕博，李鹏，赵凌霄. 基于自适应小波阈值的心电信号降噪方法[J]. 计算机工程与应用, 2018, 54(15): 29-33.
[7]	张丽娜1，3，周润景2，武佩3，刘美玲1，张珏1. 基于蚁群聚类算法的动脉硬化无创检测[J]. 计算机工程与应用, 2017, 53(7): 235-241.
[8]	朱凌云，李汶松，向南. 噪声环境下起搏心电信号的压缩感知重构算法[J]. 计算机工程与应用, 2017, 53(18): 61-66.
[9]	欧阳波，程栋，王玲. 改进小波阈值算法在心电信号去噪中的应用[J]. 计算机工程与应用, 2015, 51(4): 213-217.
[10]	涂辉1，刘丽1，2，张正金1. 改进DTW算法的心电信号相似性度量[J]. 计算机工程与应用, 2015, 51(16): 215-218.
[11]	谢永红. 基于MICA技术的胎儿心电信号提取的应用研究[J]. 计算机工程与应用, 2012, 48(14): 235-240.
[12]	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.
[13]	刘瑞芳，王希云. 一种混沌惯性权重的简化粒子群算法[J]. 计算机工程与应用, 2011, 47(21): 58-60.
[14]	杨思军，郝继飞，闫文杰，丁小平. 小波滤波与QRS波检测[J]. 计算机工程与应用, 2011, 47(12): 239-241.
[15]	侯宏花，桂志国. 小波熵在心电高频噪声处理和R波检测中应用[J]. 计算机工程与应用, 2010, 46(9): 116-119.

基于SPSO与ISKPCA的RdR散点图识别分类研究

Research on classification of RdR scatter plot based on SPSO and ISKPCA

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics