PTB診斷心電數據庫中的原始ECG信號的特征提取

論文編號:DZXX370 論文字數:10697,頁數:47

摘要

 傳統特征提取的方法是從類間平均可分性最優化觀點出發的，企圖對其所涉及的所有類別進行分類。然而，在許多情況下，并非所有類別都有著同樣的重要性和實際意義，而這種無差別的運算極大地增加了運算時間，為此，我們希望能夠提出一種全新的算法，在特征提取時在給予最重要的類別一定的優先分類權的同時其它各類也盡可能得到分類，其主要思想是: 將人的主觀意圖融合到特征提取中, 提取有利于具有優先權類別的分類特征，我們將其命名為主觀引導特征提取法。結果表明，與傳統線性鑒別分析法 （LDA）相比較，該方法可獲得更加有效的分類特征。

關鍵詞：信息，特征提取，可分性，優先權分類

ABSTRACT
 
 Conventional feature extraction methods extract features from the viewpoint of the best average separability among the classes. Lots of studies on feature extraction for classification attempt to classify all the classes included. However sometimes it is more important and significant to recognize certain specific classes (prior classes) rather than to discriminate all the classes. Such non-discriminatory computing greatly increase the computing time, to that end, we hope to propose a new algorithm, The extracted features can discriminate the prior class from others and separate each of the classes as much as possible at the same time. The subjective introduction based method was proposed, which the subjective significance was introduced into the feature extraction for the classification with priority in the paper, We will rename its subjective proposed feature extraction method. The experimental results show that the method can obtain more effective features compared to conventional linear discriminant analysis (LDA) methods.

Keywords: Informaiton, feature extraction, separability, classification with priority
                                                                    

目錄

摘要 I
ABSTRACT II
目錄 III
第1章 緒論 1
1.1 課題的背景和意義 1
1.2 國內外研究現狀 1
1.2.1 線性鑒別分析法（LDA）及其改良算法 2
1.2.2 主元分析法（PCA）及其改良算法 2
1.2.3 特征提取算法的發展趨勢 2
1.3 課題的方法與結論 3
1.4 MATLAB介紹 3
第2章 設計方法 4
2.1 ECG信號 4
2.2 特征提取 5
2.3 設計流圖 5
2.4 實驗數據說明 6
2.5 K-L變換 6
2.5.1 K-L展開式 7
2.5.2 K-L展開式的性質 8
2.5.3 K-L坐標系的產生矩陣 9
2.5.4奇異值分解(SVD)定理 10
2.6 白化 11
2.7 特征投影相量的形成 11
2.8 線性鑒別分析法（LDA） 12
第3章 相關過程分析 15
3.1 ECG信號提取 15
3.2 K-L變換 16
3.3 白化 17
3.4 特征投影相量的形成 18
3.5 分類結果分析 22
第4章 對比實驗及結果分析 23
4.1 主觀引導算法的特征提取結果 23
4.2 線性鑒別分析法（LDA）的特征提取結果 24
4.3 實驗結果分析 26
第5章 結論 27
致謝 28
參考文獻 29
附件1 程序代碼 30