动态心电图波形聚类策略研究

论文摘要

动态心电图自投入使用以来,就以其简单、方便、无创的特点在临床中得到广泛的应用。其主要价值是用于发现并记录在通常短暂心电图检查中不易发现的,及日常生活时发生的心电图改变,为临床诊断和治疗提供依据。但由于动态心电图记录了近10万次心跳的波形,因此在较短时间内检查到个体变异波形比较困难,如何快速准确的检测到个体变异波形成为研究的重点。本文将数据挖掘中的聚类算法应用到动态心电图中,利用聚类将占大部分的先天波形筛选掉,减少用于诊断的动态心电图波形的数量,使得病变波形更加明显,从而提高诊断的效率。本文在详细分析动态心电图的波形特点及检测特点的基础上,提出将机器学习技术中的聚类策略应用于动态心电图的前期分析,为后期的波形筛选分析作准备。但由于动态心电图信号弱,噪声强且随机性强,因此必须对其进行预处理。经研究发现,小波变换具有的良好时频局域化特性,对于时变信号分析有独特的特点,但其计算复杂度较高,因此不能用于实时分析处理。而另一种阈值检测方法实时性高,但精确度低,针对二者的优缺点,本文将二者融合用于动态心电图的R波定位,获得了较好的结果。聚类策略可大体分为两类:无预先给定聚类类别数k的聚类方法和需预先给定k的聚类方法。k值的给定对聚类结果影响很大,然而在对数据的实际情况毫不知情的情况下是无法准确确定k值的。而无预先给定k值的聚类算法或者聚类准确度不高,或者产生较多的聚类类别数,与实际聚类类别数不符。针对以上两种聚类策略的优缺点以及各个聚类方法的特点,结合动态心电图波形自身的特点,本文提出用无预先给定k值的方法确定类别数,然后利用需预先给定k值的聚类方法进行计算,得到SOMAGGk-means和Max-min Distancek-means两种聚类策略。SOMAGGk-means聚类策略将自组织特征映射（SOM）神经网络,凝聚聚类和k-means算法结合,首先用SOM算法对初始的动态心电图进行粗略聚类,获得m个类别,然后用凝聚聚类算法对该m条数据进行聚类,获得初始的聚类中心和初始聚类类别数,最后用k-means算法对初始的动态心电图进行聚类。Max-min Distancek-means聚类策略将最大最小距离和k-means算法融合,首先,从初始动态心电图数据中随机选取一定比例的样品,其次,用最大最小距离算法对选取的样品进行聚类,获得初始的聚类中心和初始聚类类别数,然后用k-means算法对初始的动态心电图进行聚类。实验表明,这两种聚类策略得出的结果都具有较高的聚类准确率,且获得的类别数与实际类别数相差不大。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 研究目的及意义
• 1.2 动态心电图波形特点
• 1.2.1 心电图波形简介
• 1.2.2 动态心电图波形类型的分布特点
• 1.2.3 动态心电图波形的检测特点
• 1.3 计算机技术用于动态心电图的发展历史和现状
• 1.3.1 ECG 信号的滤波预处理
• 1.3.2 ECG 信号的QRS 波检测
• 1.3.3 ECG 的分类识别及疾病诊断
• 1.4 机器学习用于动态心电图筛选
• 1.4.1 动态心电图自动筛选存在的问题
• 1.4.2 机器学习用于动态心电图自动筛选
• 1.5 文章主要内容及框架
• 1.6 本章小结
• 第二章 动态心电图计算机分析预处理
• 2.1 心电数据的来源
• 2.2 心电信号分析
• 2.3 心电波形的R 波定位
• 2.3.1 R 波特性
• 2.3.2 QRS 波检测方法
• 2.3.3 基于滤波和阈值检测的方法
• 2.3.4 基于小波变换的方法
• 2.4 小波变换
• 2.4.1 小波变换的定义
• 2.4.2 二进小波变换
• 2.4.3 多分辨率分析
• 2.4.4 Mallat 算法
• 2.4.5 小波变换的模极大值与信号奇异性检测
• 2.5 基于小波变换的动态心电图的R 波检测
• 2.5.1 动态心电图的R 波检测策略
• 2.5.2 实验结果
• 2.6 动态心电图数据预处理过程
• 2.7 本章小结
• 第三章 聚类算法研究
• 3.1 聚类分析
• 3.1.1 聚类分析介绍
• 3.1.2 聚类的相似性度量
• 3.1.3 主要聚类方法
• 3.2 聚类有效性分析
• 3.3 k-means 算法
• 3.3.1 k-means 算法流程
• 3.3.2 k-means 聚类数目的选择
• 3.3.3 k-means 初始类中心的确定
• 3.4 本章小结
• 第四章 动态心电图聚类策略
• 4.1 动态心电图聚类策略综述
• AGG_k-means 策略'>4.2 SOM_AGG_k-means 策略
• 4.2.1 自组织特征映射（SOM）神经网络
• 4.2.1.1 SOM 网络结构及算法思想
• 4.2.1.2 SOM 用于动态心电图的聚类
• 4.2.2 凝聚聚类算法
• 4.2.2.1 凝聚聚类算法思想
• 4.2.2.2 凝聚聚类策略优化
• 4.2.2.3 凝聚聚类策略用于动态心电图聚类
• 4.2.3 实验设计
• k-means 策略'>4.3 Max-min Distance_k-means 策略
• 4.3.1 最大最小距离算法
• 4.3.1.1 最大最小距离算法流程
• 4.3.1.2 最大最小距离算法的优缺点
• 4.3.2 实验设计
• 4.4 两种动态心电图聚类策略分析及总结
• 4.5 本章小结
• 第五章 总结与展望
• 5.1 总结
• 5.2 展望
• 参考文献
• 发表论文和科研情况说明
• 致谢