基于无创生理信号的隐性心衰诊断方法研究,附任务书,开题报告,外文翻译,答辩PPT
摘 要
本论文描述了两种较新的对隐性心衰进行判别的实现方法,分别是BP神经网络和支持向量机,其中BP神经网络是重点使用方法。该两种方法程序均采用MATLB2012a实现编写,并主要针对被试者运动中的数据进行验证。整个数据处理过程包含最重要的部分有:对各种生理信号的特征提取,主要包括心电(ECG)信号的R波提取,以及脉搏波信号(PPG)的起始点提取。二者都是基于时间域的快速提取算法,并具有较高的准确性。同时还使用了BMI指数以及心输出量等简单易得的生理参数作为判别因子。所有数据中的生理信号均使用无创仪器采集,为日后应用于穿戴式仪器做了很好的铺垫。另一部分就是在BP神经网络以及支持向量机中进行验证,看两种模型是否可以对心衰病人与健康者进行较为准确的划分判别。并对最终二者的结果进行了分析。
关键词:信号特征提取, BP神经网络,支持向量机,心电信号,脉搏波信号
目 录
1. 绪论 ……………………………………………………………………………….1
1.1. 课题背景及目的 1
1.2. 国内外研究状况 2
1.3. 课题研究方法 5
1.4. 论文构成及研究内容 6
2. 心衰判别的特征提取 …………………………………………………………….7
2.1. 穿戴式可测量参数与心衰的关系 7
2.2. 特征提取和涉及算法 12
3. 模式识别 …………………………………………………………………………21
3.1. 模式识别的三种分类 21
3.2. 模式识别的可行性 22
4. 神经网络及其应用 ………………………………………………………………..23
4.1. 人工神经网络 23
4.2. BP神经网络原理 23
4.3. BP神经网络的应用过程 26
5. 支持向量机及其应用 ………………………………………………………… ..27
5.1. 支持向量机原理 27
5.2. 支持向量机的优点 29
6. 心衰判别算法的验证与讨论 ………………………………………………………30
6.1. 运动实验及实验对象 30
6.2. 实验结果分析 33
结 论 …………………………………………………………………………………..38
致 谢 …………………………………………………………………………………..40
参考文献 ……………………………………………………………………………...42
附 录 …………………………………………………………………………………..47
核心程序代码 47