支持向量机（SVM）及其在心电图（ECG）分类识别中的应用

摘要

本文研究了基于支持向量机算法的心电图分类，创造性地提出了利用支持．向量机1-v-1 SVMs算法对心电图进行分类的方法。并通过MIT-BIH心电数据库进行实例分析，获得了较高的识别率，且在算法模型的构造和分类速度上优于常规方法。 引言中介绍了论文的研究目的与意义，ECG识别的现状及支持向量机的研究进展。 第一章介绍了心电图的常识与测量方法。 第二章概要总结了统计学习理论与支持向量机方法的基本理论。 第三章结合支持向量机对ECG多分类问题进行了研究并提出了一系列的分类方法和特点以及采用支持向量机进行分类的优势。 第四章分析了各种方法的优劣，最终选取利用支持向量机1-v-1SVMs算法对心电图进行分类。先确定了算法的模型，然后选取合适的核函数和参数，并通过MIT-BIH心电数据库进行了实例分类试验。最后对全文进行了总结，并指出了下一步研究的问题与方向。

目录

文摘

英文文摘

声明

引言

第一章心电图常识与测量

1.1常规心电图

1.2常规导联系统

1.3心电图的测量

第二章统计学习理论与支持向量机

2.1机器学习的基本问题

2.1.1传统学习理论的困难

2.1.2机器学习问题的描述

2.1.3经验风险最小化

2.1.4模型复杂度与推广能力

2.2统计学习理论

2.2.1学习机器的VC维

2.2.2推广性的界

2.2.3结构风险最小化

2.3支持向量机原理

2.3.1线性可分的最优分类面

2.3.2线性不可分的最优分类面

2.3.3支持向量机

第三章基于支持向量机的ECG分类方法和特点

3.1基于支持向量机的ECG分类方法

3.2支持向量机方法特点

第四章基于支持向量机的ECG分类

4.1支持向量机对心电信号的分析处理

4.2支持向量机1-v-1算法模型

4.3支持向量机1-v-1算法核函数的选取

4.4支持向量机1-v-1算法参数的确定

4.5结论

4.5.1支持向量机1-v-1算法分类试验结果

4.5.2下一步研究的方向

参考文献

致谢

攻读硕士学位期间的科研成果