基于matlab的滤波器设计第五.docVIP

第五章 结果与讨论 本章将主要介绍AR建模及各种分类方法的仿真结果。文中的数据包括正常窦性心律（NSR）、心室性心动过速（VT）和心室纤维性颤动（VF）均取自MIT-BIH数据库。本文利用AR模型对各类ECG信号进行建模，其相应的AR建模系数作为分类的特征。在建模时，采用相关系数和信噪比来确定AR模型阶次。本文采用了两种分类方法，即基于BP神经网络和普通线性分类器的方法。结果显示，利用AR建模和BP神经网络对ECG信号进行分类是一种非常迅速、有效的分类方法。 5.1 结果的概况 本文采用第四章中介绍过的Tompkins’s算法进行ECG峰值R的检测。每个ECG样本信号包含了300个样本点，这样每个样本信号足以包含一个完整的心率周期内的所有信息。其中的100个采样点在ECG峰值R以前，200个采样点在ECG峰值R以后。 AR建模的结果显示，选择模型阶次P=4是合适的。对于每个信号样本而言，4个模型系数足以保证AR建模取得了良好的信噪比及相关系数，也足以作为检测三类不同ECG的信号特征。 在信号的分类方面，本文采用两种方法：基于线性分类器和BP神经网络的分类，并对这两种方法进行分析对比。这是一个改进型BP算法的神经网络，其结构是：4个输入单元、2个由5个神经元组成的隐蔽层和一个由3个神经元组成的输出层。在利用线性分类器时，采用决策树分类方案：NSR信号与VT/VF信号被先行分类，再将VT与VF信号分离。在训练时，随机选取一定数量的样本进行训练，再利用其余的样本进行测试。 5.2峰值的检测结果 ECG信号检测中重要的一步是QRS波峰值的检测，检测的结果如下图所示： 图5-1 ECG信号峰值检测的结果 5.3特征提取的结果 当AR模型阶数未确定的情况下，本文利用P=（2～10）各种不同模型阶数进行建模尝试，再以相关系数及信噪比这两个指标作为依据进行对比。图5-2显示了各种模型阶数下的信噪比。 图5-2 不同模型阶次下的信噪比 从图5-2中可以看出，信噪比随着模型阶数P的增加而增加，其中P小于4是变化最为显著。有关的研究表面，利用AR模型对ECG进行建模，其建模误差在P大于2后将得不到明显的改善。AR模型有着线性的特性，而ECG信号严格地讲不是一个平稳随机过程，也许不能包含所有的ECG情况。结合本文的研究，为了能从ECG中融合更多的信息。本文选取AR模型阶数P等于4，此时AR模型已具有较好的信噪比。另一方面，如果P太高，会大大地增加其运算量和分类的难度。选定P等于4进行AR建模时，各类ECG信号样本的相关系数及信噪比如表3-1所示： 表3-1 ECG信号样本的相关系数及信噪比（P=4） ECG信号 相关系数（ρ） 信噪比（SNR） （db）a(1) a(2) a(3) a(4) NSR -2.0872 1.3843 -0.2493 -0.0260 VT -1.9226 1.3830 -0.8372 0.3984 VF -2.0830 1.5056 -0.6974 0.2851 5.4分类的结果 阶次P等于4的AR系数作为ECG信号分类的特征，各类ECG信号的AR系数详见附录A，各类ECG信号AR建模系数的最大、最小值见表5-3。本文采用BP神经网络和线性分类器两种分类法对3类取自MIT-BIH数据库的ECG信号进行分类，并对分类结果进行比较和讨论。 表5-3 各类ECG信号AR建模系数的最大、最小值 ECG信号 a(1) a(2) a(3) a(4) Min. Max. Min. Max. Min. Max. Min. Max. VT -2.357 -1.613 0.865 2.142 -1.271 -0.641 0.251 0.630 VF -2.448 -1.880 1.215 2.215 -1.105 -0.526 0.133 0.480 NSR -2.401 -1.785 0.611 2.125 -0.880 0.454 -0.250 0.175 1.基于BP神经网络的分类结果 文中选择含有二个隐含层的BP神经网络进行ECG信号的分类，输入层为AR系数的个数，所以输入层为4个神经元，每个隐含层各有5个神经元，输出层为3个神经元，为了加快收敛速度及避免限入局部极小点，本文采用增加动量项的改进型BP算法。同时设定网络训练的最大迭代次数为2000次，设定训练精度为0.0001，各类ECG信号样本总数均为250个。在每类信号中，随机抽取一定数量样本作为学习样本，其余作为测试样本。本文从各类ECG信号中随机抽取N1个样本对神经网络进行训练,然后在其余的样本中选取N2个样本对该网络进行测试，每组各训练、测试30次，（N1=10,20,30,40,50，60，70，80，90，100，110，120，130，140