• 《工程索引》(EI)刊源期刊
  • 综合性科学技术类中文核心期刊
  • 中国科技论文统计源期刊
  • 中国科学引文数据库来源期刊

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于一维卷积特征与手工特征融合的集成超限学习机心跳分类方法研究

许越凡 肖文栋

许越凡, 肖文栋. 基于一维卷积特征与手工特征融合的集成超限学习机心跳分类方法研究[J]. 工程科学学报. doi: 10.13374/j.issn2095-9389.2021.01.12.005
引用本文: 许越凡, 肖文栋. 基于一维卷积特征与手工特征融合的集成超限学习机心跳分类方法研究[J]. 工程科学学报. doi: 10.13374/j.issn2095-9389.2021.01.12.005
A Heartbeat Classification Algorithm Fusing 1D Convolutional and Handcrafted Features with Extreme Learning Machine Ensemble[J]. Chinese Journal of Engineering. doi: 10.13374/j.issn2095-9389.2021.01.12.005
Citation: A Heartbeat Classification Algorithm Fusing 1D Convolutional and Handcrafted Features with Extreme Learning Machine Ensemble[J]. Chinese Journal of Engineering. doi: 10.13374/j.issn2095-9389.2021.01.12.005

基于一维卷积特征与手工特征融合的集成超限学习机心跳分类方法研究

doi: 10.13374/j.issn2095-9389.2021.01.12.005
详细信息
  • 中图分类号: TP182

A Heartbeat Classification Algorithm Fusing 1D Convolutional and Handcrafted Features with Extreme Learning Machine Ensemble

  • 摘要: 心电信号能够反映人体心脏健康状态,对心电图(Electrocardiogram,ECG)的自动分析方法对于及时地发现和预防心血管疾病具有重要的意义。本文提出了一种融合手工特征和深度特征的集成超限学习机心跳分类方法。一方面,手工提取的特征明确地表征了心电信号的特定特性,即RR间期特征反映了心跳信号的时域特性,小波系数特征反应了心跳信号的时频特性。另一方面,本文设计了一个一维卷积神经网络来对心跳信号特征进行自动提取。这些特征被整合到一起,然后传入超限学习机(Extreme Leaning Machine,ELM)分类模型中。由于ELM初始参数的随机给定可能导致其性能不稳定,本文提出一种基于Bagging策略的多个ELM的集成方法,使最后的分类结果更加稳定且模型泛化能力更强。本文提出的方法在MIT-BIH心律失常公开数据集上进行验证,执行16类心跳分类。在单导联上的分类准确率达到了99.05%。实验结果也说明了融合后的特征得到的准确率要高于两者分别得到的准确率。
  • 加载中
计量
  • 文章访问数:  99
  • HTML全文浏览量:  48
  • 被引次数: 0
出版历程
  • 网络出版日期:  2021-03-10

目录

    /

    返回文章
    返回