CN107292292A - 一种基于支持向量机的qrs波群分类方法 - Google Patents
一种基于支持向量机的qrs波群分类方法 Download PDFInfo
- Publication number
- CN107292292A CN107292292A CN201710595978.0A CN201710595978A CN107292292A CN 107292292 A CN107292292 A CN 107292292A CN 201710595978 A CN201710595978 A CN 201710595978A CN 107292292 A CN107292292 A CN 107292292A
- Authority
- CN
- China
- Prior art keywords
- data
- qrs complex
- qrs
- svms
- classification
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- Signal Processing (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Veterinary Medicine (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Heart & Thoracic Surgery (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
一种基于支持向量机的QRS波群分类方法,所述的分类方法包括下述步骤:a)选取合适的QRS波群,对数据进行预处理;使用支持向量机,每两类数据之间进行训练分类模型;b)读取需要预测波形类型的QRS波群数据;c)对数据进行预处理,包括归一化处理和数据降维算法的处理;d)利用分类模型对波形类型进行预测;e)使用投票的办法实现对多种形态的QRS波群的识别分类,得到预测结果;本发明通过随机选取训练集,经过反复训练和测试,最终得到最优分类模型,从而实现对不同形态的QRS波群的识别。
Description
技术领域
本发明涉及的是基于支持向量机的QRS波群分类方法,属于心电图(Electrocardiogram, ECG)自动诊断技术领域。
背景技术
在心电图中,QRS波群代表室间隔与左、右心室的电活动,体现心室除极的过程,其形态对分析心律失常、束支阻滞等心脏疾病有重要的诊断价值。通过对QRS波群形态的识别,分析QRS波群的异常,提高心电图自动诊断的准确度。
常用的QRS波群形态识别的方法有贝叶斯分类、模糊逻辑、K近邻分类、神经网络、多元统计、决策树等。这些算法有各自的优势,但也存在一定的局限性,比如典型的决策树分类算法,效率高且易于理解和实现,但是容易出现过拟合。
目前心电波形分类方案多集中于将心电波形进行简单分类,种类较少,比如将单个心动周期作为研究对象,将心电波形分类为正常心搏和异常心搏。
发明内容
本发明的目的在于克服现有技术存在的不足,提供一种基于支持向量机的QRS波群分类方法,该方法按照形态的不同对QRS波群进行分类,对数据进行归一化预处理和降维,选取径向基函数作为核函数;该方法通过交叉验证的办法确定正则化参数的值,通过随机选取训练集,经过反复训练和测试,最终得到最优分类模型,从而实现对不同形态的QRS波群的识别分类。
本发明解决其技术问题所采用的技术方案是:一种基于支持向量机的QRS波群分类方法,所述的分类方法包括下述步骤:
a)选取合适的QRS波群,对数据进行预处理;使用支持向量机,每两类数据之间进行训练分类模型;
b)读取需要预测波形类型的QRS波群数据;
c)对数据进行预处理,包括归一化处理和数据降维算法的处理;
d)利用分类模型对波形类型进行预测;
e)使用投票的办法实现对多种形态的QRS波群的识别分类,得到预测结果。
作为优选:步骤a)中,按照不同的波形类型保存QRS波群数据,并设定类别标签;对QRS波群数据进行归一化和降维的处理,并按照一定的比例划分为训练集和预测集;选取合适的核函数;使用K-CV的方法对惩罚参数c和核函数参数g进行优化;
步骤d)中,所述的预测过程,选用“一对一”模式,即每两类数据之间设计一个分类器,进行分类模型的训练,K类数据共产生K(K-1)/2个分类模型;分别对训练集和预测集进行分类实验,查看分类效果;
步骤e)中,所述的投票法是:假设数据有N个类别,首先在每两个类别间设计一个分类器,共计N*(N-1)/2个支持向量机模型;然后使用上述模型对输入的QRS波群分类,得到N*(N-1)/2个判别结果;最后统计票数最高的类型作为最终的分类结果。
作为优选:所述的步骤a)中,选取参与分类模型训练的QRS波群数据标准包括:去除肌电干扰较大的QRS波群,去除基线漂移严重的QRS波群;选取波形完整的QRS波群;选取不同病例的QRS波群,以保证训练集的QRS波群;
步骤c)中,所述的数据预处理是:首先对QRS波群的原始数据进行[-1,1]归一化,然后经过主成分分析算法(PCA)的处理,最后使用线性判别分析算法(LDA)进行降维处理。
本发明先通过支持向量机建立分类超平面进行二分类模型的训练,再由二分类实现多分类,最后通过投票的办法进行决策,从而实现对多种QRS波群形态的分类。
本发明采用支持向量机的方法进行分类,解决了过拟合的问题;通过选取适合心电数据的核函数,解决了线性不可分的问题;采用交叉验证的办法进行参数优化,进一步提高分类的准确率;按照QRS波群的形态进行分类,弥补了QRS波群分类粗略的不足;采用主成分分析和线性判别分析对数据降维,减小计算量,提高运行速度。
附图说明
图1为本发明所述基于支持向量机的QRS波群分类流程图。
图2为本发明所述训练分类模型流程图。
图3为本发明所述数据预处理流程图。
图4为本发明所述类型预测流程图。
具体实施方式
下面将结合具体实施例及附图对本发明做详细地介绍:图1-4所示,本发明所述的一种基于支持向量机的QRS波群分类方法,所述的分类方法包括下述步骤:
a)选取合适的QRS波群,对数据进行预处理;使用支持向量机,每两类数据之间进行训练分类模型;
b)读取需要预测波形类型的QRS波群数据;
c)对数据进行预处理,包括归一化处理和数据降维算法的处理;
d)利用分类模型对波形类型进行预测;
e)使用投票的办法实现对多种形态的QRS波群的识别分类,得到预测结果。
本发明所述的步骤步骤a)中,按照不同的波形类型保存QRS波群数据,并设定类别标签;对QRS波群数据进行归一化和降维的处理,并按照一定的比例划分为训练集和预测集;选取合适的核函数;使用K-CV的方法对惩罚参数c和核函数参数g进行优化;
步骤d)中,所述的预测过程,选用“一对一”模式,即每两类数据之间设计一个分类器,进行分类模型的训练,K类数据共产生K(K-1)/2个分类模型;分别对训练集和预测集进行分类实验,查看分类效果;
步骤e)中,所述的投票法是:假设数据有N个类别,首先在每两个类别间设计一个分类器,共计N*(N-1)/2个支持向量机模型;然后使用上述模型对输入的QRS波群分类,得到N*(N-1)/2个判别结果;最后统计票数最高的类型作为最终的分类结果。
本发明所述的步骤a)中,选取参与分类模型训练的QRS波群数据标准包括:去除肌电干扰较大的QRS波群,去除基线漂移严重的QRS波群;选取波形完整的QRS波群;选取不同病例的QRS波群,以保证训练集的QRS波群;
所述的数据预处理是:首先对QRS波群的原始数据进行[-1,1]归一化,然后经过主成分分析算法(PCA)的处理,最后使用线性判别分析算法(LDA)进行降维处理。
上述未公开而图中有记载的内容,也为本发明实施例的技术内容。
实施例:本发明所述的一种基于支持向量机的QRS波群分类方法,该方法按照形态的不同对QRS波群进行分类,对训练集进行[-1,1]归一化处理和降维处理;采用径向基函数作为核函数;对正则化参数进行寻优处理;训练支持向量机分类模型,最后使用投票法实现多分类决策。
基于支持向量机的QRS波群分类方法具体实施方式如图1所示,包括如下步骤:
1、支持向量机
对于线性可分的二分类问题,假设正样本xi满足
wTxi+b≥1﹒﹒﹒﹒﹒﹒﹒﹒﹒﹒﹒﹒﹒﹒﹒﹒(1)
负样本xj满足
wTxi+b≤-1﹒﹒﹒﹒﹒﹒﹒﹒﹒﹒﹒﹒﹒﹒﹒﹒(2)
假设正样本的分类标签为yi=1,负样本的分类标签为yj=-1,那么对于任意样本xi,满足以下条件:
yi(wTxi+b)≥1﹒﹒﹒﹒﹒﹒﹒﹒﹒﹒﹒﹒﹒﹒﹒(3)
依照结构化风险最小化原则,支持向量机的优化目标是使直线wTxi+b=1与直线wTxi+b=-1 之间的间隔最大时的参数w和b,建立的优化问题为:
为求解上述优化问题,构造拉格朗日函数:
求解上述拉格朗日函数,然后构建分类决策函数:
在实际训练过程中,数据含有噪音,所以需要在优化问题中加入松弛变量ξi,调节对噪音的容忍程度。加入松弛变量以后,优化问题如下所示:
其中c为惩罚参数,为求解上述优化问题,可构造如下拉格朗日函数:
对于线性不可分的情况,需要将数据通过核函数K(xi T,x)映射到高维空间。同时,核函数有以下性质:
K(xi T,x)=<φ(xi T),φ(x)>=φ(<xi T,x>)﹒﹒﹒﹒﹒﹒﹒﹒﹒(9)
可以解决高维带来的计算量问题。
可用于线性不可分的分类决策函数如下所示:
2、训练分类模型子步骤
(1)选取干扰小、无基线漂移、波形完整的心电图作为训练分类模型的原始数据;在本方法中设定每个QRS波群保存170个数据,对于不足170个数据的QRS波群,以最后一个数据补齐170个数据,对于多于170个数据的QRS波群,进行截断处理。
(2)按照QRS波群形态的不同将其分为六类,保存心电数据,并设定类别标签。QRS波群由三个紧密相连的子波构成,第一个负向波是Q波,Q波之后的正向波是R波,R波之后的负向波是S波。有时会在S波之后再次出现正向波,命名为R’波。将振幅大于0.5毫伏的子波定义为Q波、R波、S波,振幅小于0.5毫伏的子波定义为q波、r波、s波。所以将QRS波群按照下面的类型进行分类:
R型:包含R、r两种波形,类别标签可设为0;
QS型:包含QS、qs两种波形,类别标签可设为1;
QR型:包含QR、Qr、qR、qr四种波形,类别标签可设为2;
RS型:包含RS、Rs、rS、rs四种波形,类别标签可设为3;
QRS型:包含QRS、QRs、qRS、qRs、QrS、Qrs、qrS、qrs八种波形,类别标签可设为 4;
RSR'型:包含RSr'、Rsr'、rSR'、rsR'、RSR'(R'>R)、RSR'(R'≦R)、RsR'(R'>R)、RsR'(R'≦R)、 rSr'(r'>r)、rSr'(r'≦r)、rsr'(r'>r)、rsr'(r'≦r)十二种波形,类别标签可设为5。
(3)将上述QRS波群数据进行预处理,预处理包括以下三个步骤:
(a)对QRS波群数据进行[-1,1]归一化处理,归一化处理的公式如下:
其中,x是待处理的QRS波群数据,x_min是当前QRS波群数据中的最小值,x_max是当前 QRS波群数据中的最大值。
(b)进行主成分分析算法(PCA)的处理,具体过程如下:
假设用于分类的QRS波群数量是n个,每个QRS波群包含170个特征,即数据按照n行170列的方式存放,首先,对波形数据进行标准化,每一列数据进行零均值化,除以每个特征的标准差;然后求解每个特征的协方差矩阵,并求解协方差矩阵的特征值及对应的特征向量;将特征值按大小排列,对应的特征向量也同序排列,选取使累计贡献率达到99.9%的前m个特征值,其对应的特征向量组成特征向量矩阵,大小为170行m列;最后,将标准化后的数据投影到特征向量矩阵上,得到n行m列的数据。
(c)使用线性判别分析算法(LDA)进行降维处理,具体过程如下:
对于本实施方式中的六类数据,假设第i类波形共有ni个样本;首先计算每一类的样本均值和总体样本均值;然后计算类间离散度矩阵SB,类内离散度矩阵SW;求解SW -1SB的特征值和特征向量;将特征值按大小排列,对应的特征向量也同序排列,取前k个特征值对应的特征向量组成特征向量矩阵,对于六类的分类情况,k最大值是5;最后将主成分分析处理后的n行m列的数据投影到特征向量矩阵上,得到n行k列的数据。
(4)将上述数据按照1:1的比例划分成两个数据集,分别是训练集、预测集,对应的类别标签也按同样比例划分。
(5)选择径向基核函数(Radial Basis Function,RBF),将数据映射到高维空间,径向基核函数的公式如下所示:
(6)参数优化
为了得到最优模型,利用K-fold Cross Validation(K-CV,交叉验证)方法对惩罚参数c 和径向基核函数公式(12)中的参数g进行优化。
设定在区间[2^(-8),2^8]内,以0.8的步进对惩罚参数c、核函数参数g取值,进行以下实验:
将训练集数据分成3个子集;每个子集的数据分别做一次测试集,其余的2组子集数据作为训练集,共做3次分类训练和预测;将上述3次训练的分类准确率的平均值作为最终的分类准确率。
使分类准确率达到最高的c、g的取值就是所需的最优参数。
(7)结合优化后的参数,对经过预处理的六类QRS波群数据进行分类训练。训练过程中,通过步骤1中构造的拉格朗日函数公式(8)可以求解出参数ai,然后根据限制条件依次求解参数w和b。最终得到本发明方案所用的分类决策函数如下:
其中xi是支持向量,yi是类别标签,aiyi是支持向量的系数。
每两类数据建立一个分类模型,六类数据共训练生成十五个分类模型,分别是:
R型与QS型、R型与QR型、R型与RS型、R型与QRS型、R型与RSR'型、QS型与 QR型、QS型与RS型、QS型与QRS型、QS型与RSR'型、QR型与RS型、QR型与QRS 型、QR型与RSR'型、RS型与QRS型、RS型与RSR'型、QRS型与RSR'型。
(8)分别用十五个分类模型对相应的训练集和预测集进行分类实验,查看分类准确率。
3、数据预处理子步骤
(1)读取需要预测类型的QRS波群数据,假设是单个QRS波群,即1行170列的数据;
(2)对QRS波群数据进行[-1,1]归一化处理,详细归一化过程如该实施方式步骤2(3) (a)中所述;
(3)对归一化后的数据进一步进行主成分分析算法的处理,将1行170列的数据投影到步骤2(3)(b)得到的特征向量矩阵上,得到1行m列的数据;
(4)对上述数据进一步用线性判别分析算法进行降维处理,将1行m列的数据投影到步骤2(3)(c)得到的特征向量矩阵上,得到1行k列的数据;
4、类型预测子步骤
类型预测子步骤的相关过程如图4所示,具体实现过程包括以下步骤:
(1)变量初始化:变量m、i初始化为0,投票器voting初始化为0,类型总数nclass为6;
(2)变量j=i+1;
(3)读入分类模型model(m),使用分类模型的相关参数构建判别函数f,即分类决策函数公式(13);
(4)对经过步骤3预处理后的数据进行类型判别,将数据代入判别函数,类似公式(1) 和公式(2)的判定规则:如果判别结果f是非负值,那么当前分类器判定该波形为i类,voting[i] 的值加1;如果判别结果f是负值,那么当前分类器判定该波形为j类,voting[j]的值加1;
(5)j=j+1,m=m+1;
(6)如果此时j<6,返回类型预测子步骤(3);如果此时j>=6,i=i+1;
(7)如果此时i<5,返回类型预测子步骤(2);如果此时i>=5,寻找投票器voting的最大值voting[class],其对应的类别class即最终判定的波形类别标签;
以上描述内容的各个详细步骤,可以通过计算机来实现,本领域技术人员应该能够理解,对于任何一个特定的方法和步骤应用不同的方式来实现所述功能,或者通过替换其中的一些参数以及推演出类似的公式方法和判定规则,只要是不脱离本专利构思的前提下,均应当视为属于本专利的保护范围。
Claims (3)
1.一种基于支持向量机的QRS波群分类方法,其特征在于所述的分类方法包括下述步骤:
a)选取合适的QRS波群,对数据进行预处理;使用支持向量机,每两类数据之间进行训练分类模型;
b)读取需要预测波形类型的QRS波群数据;
c)对数据进行预处理,包括归一化处理和数据降维算法的处理;
d)利用分类模型对波形类型进行预测;
e)使用投票的办法实现对多种形态的QRS波群的识别分类,得到预测结果。
2.根据权利要求1所述的基于支持向量机的QRS波群分类方法,其特征在于:
步骤a)中,按照不同的波形类型保存QRS波群数据,并设定类别标签;对QRS波群数据进行归一化和降维的处理,并按照一定的比例划分为训练集和预测集;选取合适的核函数;使用K-CV的方法对惩罚参数c和核函数参数g进行优化;
步骤d)中,所述的预测过程,选用“一对一”模式,即每两类数据之间设计一个分类器,进行分类模型的训练,K类数据共产生K(K-1)/2个分类模型;分别对训练集和预测集进行分类实验,查看分类效果;
步骤e)中,所述的投票法是:假设数据有N个类别,首先在每两个类别间设计一个分类器,共计N*(N-1)/2个支持向量机模型;然后使用上述模型对输入的QRS波群分类,得到N*(N-1)/2个判别结果;最后统计票数最高的类型作为最终的分类结果。
3.根据权利要求1所述的基于支持向量机的QRS波群分类方法,其特征在于:
所述的选取参与分类模型训练的QRS波群数据标准包括:去除肌电干扰较大的QRS波群,去除基线漂移严重的QRS波群;选取波形完整的QRS波群;选取不同病例的QRS波群,以保证训练集的QRS波群;
所述的数据预处理是:首先对QRS波群的原始数据进行[-1,1]归一化,然后经过主成分分析算法的处理,最后使用线性判别分析算法进行降维。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710595978.0A CN107292292A (zh) | 2017-07-20 | 2017-07-20 | 一种基于支持向量机的qrs波群分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710595978.0A CN107292292A (zh) | 2017-07-20 | 2017-07-20 | 一种基于支持向量机的qrs波群分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107292292A true CN107292292A (zh) | 2017-10-24 |
Family
ID=60102460
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710595978.0A Pending CN107292292A (zh) | 2017-07-20 | 2017-07-20 | 一种基于支持向量机的qrs波群分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107292292A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109157211A (zh) * | 2018-08-14 | 2019-01-08 | 江苏师范大学 | 一种便携式心电在线智能监测诊断系统设计方法 |
CN109758143A (zh) * | 2019-02-22 | 2019-05-17 | 南京大学 | 一种同步记录的多通道心电信号的增强方法 |
CN109893124A (zh) * | 2019-03-24 | 2019-06-18 | 浙江好络维医疗技术有限公司 | 一种基于多导联聚类分析的疑难心电图主波识别定位方法 |
CN111126842A (zh) * | 2019-12-24 | 2020-05-08 | 中国银行股份有限公司 | 工单分类方法及装置 |
CN111214225A (zh) * | 2019-12-24 | 2020-06-02 | 北京超思电子技术有限责任公司 | 室性激动识别方法、装置、电子设备及可读存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101807254A (zh) * | 2009-02-13 | 2010-08-18 | 烟台海岸带可持续发展研究所 | 面向数据特点的合成核支持向量机的实现方法 |
CN105184316A (zh) * | 2015-08-28 | 2015-12-23 | 国网智能电网研究院 | 一种基于特征权学习的支持向量机电网业务分类方法 |
CN105426842A (zh) * | 2015-11-19 | 2016-03-23 | 浙江大学 | 基于支持向量机的表面肌电信号多类手部动作识别方法 |
-
2017
- 2017-07-20 CN CN201710595978.0A patent/CN107292292A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101807254A (zh) * | 2009-02-13 | 2010-08-18 | 烟台海岸带可持续发展研究所 | 面向数据特点的合成核支持向量机的实现方法 |
CN105184316A (zh) * | 2015-08-28 | 2015-12-23 | 国网智能电网研究院 | 一种基于特征权学习的支持向量机电网业务分类方法 |
CN105426842A (zh) * | 2015-11-19 | 2016-03-23 | 浙江大学 | 基于支持向量机的表面肌电信号多类手部动作识别方法 |
Non-Patent Citations (1)
Title |
---|
杨杰: "心电信号的检测与模式分类方法的研究", 《信息科技辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109157211A (zh) * | 2018-08-14 | 2019-01-08 | 江苏师范大学 | 一种便携式心电在线智能监测诊断系统设计方法 |
CN109758143A (zh) * | 2019-02-22 | 2019-05-17 | 南京大学 | 一种同步记录的多通道心电信号的增强方法 |
CN109758143B (zh) * | 2019-02-22 | 2021-07-27 | 南京大学 | 一种同步记录的多通道心电信号的增强方法 |
CN109893124A (zh) * | 2019-03-24 | 2019-06-18 | 浙江好络维医疗技术有限公司 | 一种基于多导联聚类分析的疑难心电图主波识别定位方法 |
CN111126842A (zh) * | 2019-12-24 | 2020-05-08 | 中国银行股份有限公司 | 工单分类方法及装置 |
CN111214225A (zh) * | 2019-12-24 | 2020-06-02 | 北京超思电子技术有限责任公司 | 室性激动识别方法、装置、电子设备及可读存储介质 |
CN111214225B (zh) * | 2019-12-24 | 2022-12-06 | 北京超思电子技术有限责任公司 | 室性激动识别方法、装置、电子设备及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107292292A (zh) | 一种基于支持向量机的qrs波群分类方法 | |
Juang et al. | A self-organizing TS-type fuzzy network with support vector learning and its application to classification problems | |
CN110008983A (zh) | 一种基于分布式模糊支持向量机的自适应模型的网络流量分类方法 | |
Luo et al. | Sparse group restricted boltzmann machines | |
CN104794368A (zh) | 基于foa-mksvm的滚动轴承故障分类方法 | |
EP3317823A1 (en) | Method and apparatus for large scale machine learning | |
CN103020642A (zh) | 水环境监测质控数据分析方法 | |
CN112488081A (zh) | 基于ddadsm跨被试迁移学习脑电精神状态检测方法 | |
Mqadi et al. | A SMOTe based oversampling data-point approach to solving the credit card data imbalance problem in financial fraud detection | |
CN108647707B (zh) | 概率神经网络创建方法、故障诊断方法及装置、存储介质 | |
Kholerdi et al. | Enhancement of classification of small data sets using self-awareness—An iris flower case-study | |
CN106682653A (zh) | 一种基于knlda的rbf神经网络人脸识别方法 | |
Bahrami et al. | Using low-dimensional manifolds to map relationships between dynamic brain networks | |
Jia et al. | Study on optimized Elman neural network classification algorithm based on PLS and CA | |
CN111209939A (zh) | 一种具有智能参数优化模块的svm分类预测方法 | |
CN113159132A (zh) | 一种基于多模型融合的高血压分级方法 | |
An et al. | A case study for learning from imbalanced data sets | |
Li et al. | A combinational clustering method based on artificial immune system and support vector machine | |
Ji et al. | Combined weak classifiers | |
Himani et al. | A comparative study on machine learning based prediction of citations of articles | |
Topolski et al. | Modification of the Principal Component Analysis Method Based on Feature Rotation by Class Centroids. | |
Masood et al. | Synergistic-ANN recognizers for monitoring and diagnosis of multivariate process shift patterns | |
CN117132808B (zh) | 一种基于小波混合卷积的多负荷识别方法和系统 | |
Wang et al. | Texture segmentation based on an adaptively fuzzy clustering neural network | |
CN107341485A (zh) | 人脸识别方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171024 |