21、心电图信号特征提取与分类及低分辨率人体识别研究

心电图信号特征提取与分类及低分辨率人体识别研究

心电图信号特征提取与分类

在心电图（ECG）信号处理中，准确检测和分类心律失常是一项重要任务。研究使用MIT - BIH心律失常数据库对9种不同类型的心律失常进行检测和分类。
1. 特征选择与分类算法
- 从单心电图数据节拍的时间序列中选择了时间和统计特征。将单节拍心电图信号划分为4个相同部分，并使用神经网络（NN）、K近邻（K - NN）、决策树（DT）和支持向量机（SVM）算法计算特征。
- 为了成功实现心律失常分类，在特征集中确定了32个特征向量。
2. 分类结果
- 不同分类器的表现如下表所示：
|分类器|灵敏度|特异性|准确率|
| ---- | ---- | ---- | ---- |
|决策树|0.952|0.963|0.972|
|支持向量机|0.992|0.987|0.989|
|K近邻|0.983|0.964|0.972|
|神经网络|0.979|0.962|0.969|
- 分析结果可知，支持向量机分类器取得了最高的成功率，K - NN和NN的分类准确率相近，而决策树分类器的性能准确率在这四个分类器中最低。
3. 降维方法
- 为了降低计算成本，采用了特征选择和特征提取的降维方法，主要使用了主成分分析（PCA）和遗传算法（GA）。
- 主成分分析（PCA） ：使用网格搜索方法，主要目标是计算主成分（PC）的数量，在K - NN分类器的搜索过程中对每个PC