计算机仿真
計算機倣真
계산궤방진
COMPUTER SIMULATION
2014年
6期
352-356
,共5页
王利琴%董永峰%顾军华%董维超
王利琴%董永峰%顧軍華%董維超
왕리금%동영봉%고군화%동유초
极限学习机%遗传算法%心律失常分类%软阈值小波%核主成分分析
極限學習機%遺傳算法%心律失常分類%軟閾值小波%覈主成分分析
겁한학습궤%유전산법%심률실상분류%연역치소파%핵주성분분석
Extreme learning machine (ELM)%Genetic algorithm (GA)%Arrhythmia classification%Soft-threshold method of wavelet transform%Kernel principal component analysis (KPCA)
针对心律失常分类性能受输入信号质量、提取的分类特征集及分类器三者共同影响,为准确分类,提出一种新的利用软阈值小波消除心电信号噪声、核主成分分析约简心电信号原始特征集及极限学习机(ELM)分类的组合方法.同时由于基本ELM用于心律失常分类问题时随机初始化输入参数易导致部分隐含层节点无效,从而需要大量的隐含层节点才能达到分类性能要求的问题,提出采用遗传算法(GA)优化ELM,用MIT-BIH心律失常数据库进行实验,对六种不同类型的心律心拍得到98.68％的平均分类准确率,98.19％的平均灵敏度,98.64％的平均特异性,实验结果表明,所提方法在运行时间上更快,准确率更高,适合于心律失常分类的实际应用.
針對心律失常分類性能受輸入信號質量、提取的分類特徵集及分類器三者共同影響,為準確分類,提齣一種新的利用軟閾值小波消除心電信號譟聲、覈主成分分析約簡心電信號原始特徵集及極限學習機(ELM)分類的組閤方法.同時由于基本ELM用于心律失常分類問題時隨機初始化輸入參數易導緻部分隱含層節點無效,從而需要大量的隱含層節點纔能達到分類性能要求的問題,提齣採用遺傳算法(GA)優化ELM,用MIT-BIH心律失常數據庫進行實驗,對六種不同類型的心律心拍得到98.68％的平均分類準確率,98.19％的平均靈敏度,98.64％的平均特異性,實驗結果錶明,所提方法在運行時間上更快,準確率更高,適閤于心律失常分類的實際應用.
침대심률실상분류성능수수입신호질량、제취적분류특정집급분류기삼자공동영향,위준학분류,제출일충신적이용연역치소파소제심전신호조성、핵주성분분석약간심전신호원시특정집급겁한학습궤(ELM)분류적조합방법.동시유우기본ELM용우심률실상분류문제시수궤초시화수입삼수역도치부분은함층절점무효,종이수요대량적은함층절점재능체도분류성능요구적문제,제출채용유전산법(GA)우화ELM,용MIT-BIH심률실상수거고진행실험,대륙충불동류형적심률심박득도98.68％적평균분류준학솔,98.19％적평균령민도,98.64％적평균특이성,실험결과표명,소제방법재운행시간상경쾌,준학솔경고,괄합우심률실상분류적실제응용.
