多特征决策层融合的脉搏信号分类方法课件

1、多特征决策层融合的脉搏信号分类方法多特征决策层融合的脉搏信号分类方法脉诊数字化研究获取不同类型的信号基于压力传感器基于光电传感器基于超声传感器.不同类型的特征周期频率节律振幅多特征决策层融合的脉搏信号分类方法脉搏信号的分类方法基于特征表达的方法提取脉搏信号的特征时域特征、变换域特征在特征空间中分类基于相似性度量的方法采用不同的测度函数衡量信号的相似性欧氏距离、马氏距离、弹性匹配构造分类器多特征决策层融合的脉搏信号分类方法本文的融合模型时域特征小波能量特征相似性度量支持向量机1决策层融合原始脉搏信号分类结果支持向量机2支持向量机3多特征决策层融合的脉搏信号分类方法1.1时域特征的提取1.脉搏信号

2、的预处理去噪声去基线漂移周期的划分关键点检测2.脉搏信号时域特征提取主波峰的幅值重搏前波、重搏波的幅值脉搏信号的周期多特征决策层融合的脉搏信号分类方法1.1时域特征的提取多特征决策层融合的脉搏信号分类方法1.2 小波能量特征的提取原始脉搏信号进行小波分解近似项细节项多特征决策层融合的脉搏信号分类方法1.2小波能量特征的提取近似项细节项多特征决策层融合的脉搏信号分类方法1.2小波能量特征的提取近似项低频部分细节项高频部分多特征决策层融合的脉搏信号分类方法多特征决策层融合的脉搏信号分类方法1.2 小波能量特征的提取定义信号第j层小波分解的相对能量函数如下本文中采用Daubechies (db3)

3、小波，对每一个脉搏信号进行7层小波分解，得到7个小波能量特征用于后续融合实验。多特征决策层融合的脉搏信号分类方法多特征决策层融合的脉搏信号分类方法在非线性支持向量机中，原始问题的对偶形式为多特征决策层融合的脉搏信号分类方法2.1 支持向量机最优分类超平面基于此本文采用多数投票规则与贝叶斯求和规则对三个支持向量机的输出进行融合。多特征决策层融合的脉搏信号分类方法多特征决策层融合的脉搏信号分类方法1 J. Kittler, M. Hatef, P.W. Duin, and J. Matas, On combining classifiers, IEEE Transactions Pattern A

4、nalysis and Machine Intelligence, vol. 20, 1998, pp. 226-239.2 J. Platt, Probabilistic outputs for support vector machines and comparison to regularized likelihood methods, Proceedings of Advances in Large Margin Classifiers, 2000, pp. 61-74.多特征决策层融合的脉搏信号分类方法3.实验本文采用上海中医药大学ZM-III脉象仪，建立了包含233人的脉搏信号数据

5、库。数据库中所有样本均采集自解放军211医院体检中心类别数量健康人135亚健康98多特征决策层融合的脉搏信号分类方法3.实验实验结果方法类别总计分类正确率健康（135）亚健康（98）233时域特征1287119985.41%小波能量特征1237019382.83%相似性度量1177619382.83%三类特征+多数投票融合规则1298121090.13%三类特征+贝叶斯求和融合规则1328521793.13%基于多核学习的融合框架L. Liu, W., D. Zhang, H. Zhang, N. Li. Combination of heterogeneous features for wr

6、ist pulse blood flow signal diagnosis via multiple kernel learning, IEEE Trans. Information Technology in BioMedicine, vol. 16, no. 4, pp. 599 - 607, 2012.多信号多特征的层次化融合W. Zuo, P. Wang, D. Zhang. Comparison of three different types of wrist pulse signals by their physical meanings and diagnosis performance, IEEE Journal of Biomedical and Health Informatics