• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于多核超限學習機的實時心電信號分析

    2015-11-26 02:41:31秦興彬顏延樊建平王
    集成技術 2015年5期
    關鍵詞:學習機心電電信號

    秦興彬顏 延樊建平王 磊

    1(中國科學院計算技術研究所計算機應用研究中心 北京 100190)2(深圳市低成本健康重點實驗室 深圳 518055)3(中國科學院深圳先進技術研究院 深圳 518055)

    基于多核超限學習機的實時心電信號分析

    秦興彬1顏 延2,3樊建平3王 磊2,3

    1(中國科學院計算技術研究所計算機應用研究中心 北京 100190)2(深圳市低成本健康重點實驗室 深圳 518055)3(中國科學院深圳先進技術研究院 深圳 518055)

    心電分類是一種復雜的模式識別問題。目前,大部分基于不同機器學習模型的心電分類方法都取得了很高的分類精度,但學習效率不高,因此需要一種快速的心電學習方法。文章提出了基于多種核函數的超限學習方法,利用不同的核函數將特征映射到希爾伯特空間,使心電數據在高維空間中線性可分,并在 MIT-BIH 標準庫進行了該方法的實驗驗證。與其他方法相比,文章所提出的方法具有較高的分類準確率和更快的學習速度,對臨床上動態(tài)心電圖的檢測與分析和個性化的實時心電監(jiān)測具有重要意義。

    核方法;超限學習機;心電監(jiān)測;心電信號分類;實時分類

    1 引 言

    在過去三十年中,心電圖(Electrocardiogram,ECG)分析已經成為熱門的研究課題并為心臟疾病診斷提供了許多有價值的信息。隨著心電圖不斷地為臨床提供豐富的診斷信息,大量動態(tài)心電圖已成為新的趨勢。對大規(guī)模心電數據分析,最主要的是有效的特征提取和快速的心電分類。由于 ECG 信號不穩(wěn)定的特點,小波變換已經被用來檢測和過濾離散數據,提取有效的心電分類特征。同時,數字技術也可用于 ECG 信號分析和處理,主要包括時域和頻域方法。

    針對不同的心律失常的識別和分類,很多高精度的算法已經用于 ECG 信號的分析,主要包括:混合模糊神經網絡(Fuzzy Neural Netwoks,FNNs)[1]、隱馬爾可夫模型[2]、時域和頻域的特征[3-5]、形態(tài)和動態(tài)特征[6-8]、支持向量機(Support Vector Machine,SVM)[9,10]、獨立成分分析[11]、人工神經網絡[12,13]和超限學習機(Extreme Learning Machine,ELM)[14]。其中,Andreao 等[2]首先采用了隱馬爾科夫模型對心拍進行檢測分割和分類:通過對波形建模和多通道的節(jié)拍分割和分類,達到對心電的單個波形進行劃分。Zadeh 等[9]研究了正常的節(jié)拍和其他心臟疾病的室性早搏分類方法。通過去噪模塊,波形的特征提取,以多種監(jiān)督分類(多個不同層次和訓練算法的多層感知器神經網絡、不同粒度的支持向量機、徑向基函數和概率神經網絡)進行了研究,最終認為基于小波變換的特征具有最好的分類效果。Yu 等[11]提出了一種基于獨立成分分析的集成方案和基于神經網絡的心電分類方法。其中,獨立成分分析用來將心電信號分解成獨立的成分,統(tǒng)計獨立成分的加權總和即是心電信號。最終這些成分的預測與 RR 間期,構成一個用于分類器的特征向量。而分類器則由兩個神經網絡組成,包括一個概率神經網絡和一個反向傳播神經網絡。

    以上這些算法大多依賴更好的特征選擇,需要使用復雜的算法從 ECG 信號中提取。其中的一部分研究得到較好的分類結果,是因為使用了很多復雜的特征提取方法。雖然 FNNs 可以用來自動學習一些特征,但不適用于心率變化的心電信號。另外,大多數方法根據 ANSI/AAMI EC57標準將心跳分為五類,本文按 MIT 更精確的標準將心跳分為十二類。

    對于動態(tài)心電圖在臨床應用,以及每天實時心臟功能監(jiān)測或預警監(jiān)控,開發(fā)快速的、自動化的算法或模型具有重要的意義。過去很多研究方法都集中在有監(jiān)督的學習訓練,而心電的標注數量有限,僅從少數的標注數據中很難得到很好的泛化模型。針對以上方法的缺陷,基于自編碼、受限玻爾茲曼機[15]和基于聚類[16]的無監(jiān)督方法成為新的研究方向。利用深度學習方法可以從大量的非標數據中自動學習心電特征,最后用少量的標注特征即可學習到一個高效的心電分類模型,但訓練一個深度網絡需要大量的時間。本文將用超限學習機[27,28]模型,通過高斯核函數和小波核函數將低維度的心電波形特征映射到高維空間中,極大地減少模型的訓練時間,并且提高分類的精度。而 T-SNE[37]可以最大限度地保持低維的相似性矩陣和高維的相似性矩陣相近,因此采用該算法將高維心電向量降到低維空間。最終通過在低維空間中可視化,可以更好地說明分析結果。實驗表明,基于核方法的超限學習機(k-ELM)在心電分類中具有高效性和實時性,嵌入 k-ELM 的心電監(jiān)測和分析應用能夠實現快速的心電學習和分類的目的。

    2 心電數據庫及類別

    2.1 心電數據庫

    MIT-BIH 心律失常數據庫[38]是最廣泛使用的數據。在分類和檢測算法的發(fā)展過程中,它被用作算法檢測和測試分類的參考標準。實驗采用MIT-BIH 心律失常數據庫對所設計模型進行訓練和評估。MIT-BIH 心律失常數據庫包含 48 個記錄,每條記錄略超過 30 分鐘,每個信號采樣頻率為 360 Hz。在大多數的記錄中,第一個導聯信號為肢體導 II(MLII),通過放置在胸部的電極獲得;第二導聯的信號是修改的 VI 導聯(通常是 V2 或 V5,其中有一個實例是 V4 導聯),電極也放置在胸部。大多數標簽被放置在 R 波的峰值處,但手動插入標簽不總是精確地放置在 R 波的峰值處,有時會有較小的誤差偏移。另外,因為 102、104、107 和 217 四個記錄中包含起搏心跳,不能反映心臟的自主活動過程,所以實驗中除去這四個記錄,最終共 44 個記錄。

    2.2 心電類別和標注

    在 MIT-BIH 心律失常數據庫中有 40 種標注種類。根據我們的統(tǒng)計,有十二標簽在這 44個使用的記錄中出現,所以心跳被分成 12 類:(1)NORMAL——正常搏動;(2)LBBB——左束支傳導阻滯;(3)RBBB——右束支傳導阻滯;(4)NESC——交界性逸搏;(5)AESC——心房逸搏;(6)ABERR——異常房性早搏;(7)NPC——交界性早搏;(8)APC——房性早搏;(9)VESC——室性逸搏;(10)PVC——室性早搏;(11)FLWAV——心室撲動波;(12)FUSION——心室融合心跳。詳細的注解及相應的標簽和映射標簽見表1。

    表1 MIT-BIH 心率失常類別Table 1 MIT-BIH arrhythmia classes

    3 核方法

    核方法的核心是采用非線性映射將原始數據由數據空間映射到特征空間,進而在特征空間中進行對應的線性操作。核方法是解決非線性模式分析問題的一種有效途徑,但在多項式空間中直接進行內積運算將會引起“維數災難”問題。為此,核方法通過某種非線性映射將原始特征空間映射到高維空間中,使其在高維空間中線性可分。相對于使用通用非線性學習器直接在原始數據上進行分析的范式,核方法有明顯的優(yōu)勢:首先,通用非線性學習器不便于反應具體應用問題的特性,而核方法的非線性映射則是面向具體應用問題設計的,因此便于集成問題相關的先驗知識;其次,與非線性學習器相比,線性學習器有更好的過擬合控制從而可以更好地保證泛化性能;最后,很重要的一點是核方法還是實現高效計算的途徑,它能利用核函數將非線性映射隱含在線性學習器中進行同步計算而不需要在高維度的多項式空間中直接進行內積運算,使得計算復雜度與高維特征空間的維數無關。

    4 超限學習機與核函數

    4.1 超限學習機

    超限學習機(ELM)[27,28]是一種單層前饋神經網絡(Single-hidden-layer Feed-forward Networks,SLFNs),然后擴展到多種結構的 SLFNs,其中隱藏層可以是不同的神經元結構。在 ELM 中,隱藏層可以隨機初始化產生,不需要進行調整。ELM 隱藏層的輸出函數為:

    其中 H 為隱藏層的輸出矩陣:

    4.2 核超限學習機(k-ELM)

    Suykens 等[39]將 SLFNs 的訓練方法描述為:把 SLFNs 的隱藏層看做是 SVM 的特征映射,但和 SVM 不同的是,這里的隱藏層到輸出層不需要調整,而是被作為一個優(yōu)化問題來求解。SVM算法可以簡單描述為:

    其中,V 表示到隱藏層的連接矩陣;B 是偏移向量;γ 是正數常量;Q 是相應的 SVM 對偶問題的損失函數:

    二次規(guī)劃(Quadratic Programming,QP)的子問題需要求解隱藏層參數 V 和 B,而 ELM 的隱藏層是隨機初始化的。

    圖1 k-ELM 結構Fig. 1 k-ELM structure

    5 多核的超限心電識別與分類

    5.1 ECG 預處理

    心電信號的預處理過程主要包括兩部分:心電數據濾波和心電信號分割。濾波器的任務是從ECG 信號中除去人工噪聲的干擾。其中,人工噪聲包括基線漂移、高頻噪聲干擾和電磁干擾。根據我們之前的研究,除了基線漂移干擾外,其他噪聲對心電分類的精度影響較小,所以本次實驗中僅僅去除心電信號中的基線偏移。

    5.2 ECG 分割

    本次實驗使用 44 個記錄,每個心電記錄略超過 30 分鐘,每個導聯包含 650 000 個樣本點。根據統(tǒng)計,每個心跳平均包含 277 個樣本點。為了獲得更多的信息,我們允許一部分重疊,將含有 340 個數據點長度定義一個窗口(其中 R 的峰值位于第 141 點上),分割結果如圖 2 所示。考慮到心跳速率的變化,該窗口適于避免兩個相鄰心跳動的混合。ECG 的分割取決于 R 峰值檢測,所以具有高精度局部最大值檢測算法用于檢測 R 峰。Mexican 小波[17]也是 R 峰值檢測的一種高效的方法。

    圖2 單個心電波形Fig. 2 Single heartbeat wavelet

    5.3 結果評估方法

    用來評估心電信號分類標準的指標主要有:靈敏度 SNS,特異度 SPC 和整體精度 ACC。靈敏度是正常的心跳被分成正常類的概率:

    其中,TP(真陽性)為正確分類的正常心跳的數量;FN(假陰性)為正常的心跳被誤分為其他類的心跳。

    特異性是正確分類的異常心跳:

    其中,FP(假陽性)為正確分類的異常心跳的數量;TN(真陰性)為被錯誤分類的異常心跳的數量??傮w精度是正確分類的心跳概率:

    5.4 實驗結果分析

    實驗中,心電的類型被分為 12 種(見表 1)。通過對心電數據的分割和向量化,使其適應超限學習機的結構,并采用不同的的核方法進行測試。MIT 心率失常數據庫被分成兩部分,其中50 485 個心跳的數據用于 k-ELM 的學習訓練,剩余的 50 485 個的數據用于模型測試。

    表2、表 3 分別為使用高斯核函數,小波核函數進行學習和分類的統(tǒng)計結果。結果顯示,采用 5.3 中的評估方法,使用高斯核函數的靈敏度為 99.74%、特異性為 95.67%、正確率為98.67%,模型訓練所用的時間為 796.3 秒,測試所用的時間為 43.4 秒;使用小波核函數的靈敏度為 99.76%、特異性為 96.04%、正確率為98.78%,模型訓練所用的時間為 1 096.4 秒,測試所用的時間為 78.1 秒。雖然兩種核函數對心電分類的精度都很高,但總體來看,小波核函數分類結果優(yōu)于高斯核。

    圖3 為使用 T-SNE[37]算法將超限學習機的輸出層可視化結果。從圖 3 可以看出,使用核方法后,心電的可分性顯著提升:相同類的標記變的更緊湊,不同類之間的距離增大,有較少的部分區(qū)域存在混合,波形的相似度較高,可分性較差。

    圖4 為參加訓練樣本點的個數與訓練時間的關系結果(主機為 ThinkPad W530,cpu-Intel 酷睿i7394,16 G 內存)。從圖 4 可以看出,訓練時間隨樣本點的增多而快速增加。核矩陣的計算復雜度與樣本點個數的平方成正比,因此基于核方法的超限學習受訓練樣本的制約,只適用于一定規(guī)模的訓練樣本個數。因此,接下來的研究需集中在矩陣的分解優(yōu)化和分批的提升方法上,來解決樣本數量的約束問題。

    表2 使用高斯核函數的分類結果Table 2 The result of classifier using Gauss kernel function

    5.5 與其他研究方法的比較

    為了進一步分析文章所提出方法(k-ELM)的系統(tǒng)性能,選取了幾個前人研究結果進行對比研究,結果見表 4。其中,深度網絡[15]是我們之前用于心電特征自學習和分類的方法,采用受限玻爾茲曼機來構建的深度可靠網絡,最大的優(yōu)點就是能進行特征自編碼,并且分類精度達到了98.83%,與本文提出的核超限學習方法結果比較相近。但訓練一個高精度的深度網絡需要 2 小時以上,而小波核超限學習方法僅需要 1 096.4秒。Andreao 等[2]用隱馬爾科夫模型對單個心跳的 P、QRS、T 等波形進行建模,能對連續(xù)的時域心電信號進行分析。其主要優(yōu)勢在于對不同波形的識別準確率較高,局限在于不能進行復雜的波形識別,并且只能是對正常心跳和某些波形缺失異常進行二分類處理,正確率僅為 96.06%。本文對 12 種心跳類型進行分析,正確率高于這種方法。Banerjee 等[3]使用正交小波變換的方法進行特征提取,通過計算單個波形與標準模板的差異系統(tǒng)進行分類,這種方法的優(yōu)點在于計算簡單,但對噪聲和心率變化的數據很敏感。Tadejko[4]使用自組織映射和支持向量機的信號特征分析和聚類方法進行形態(tài)特性分析,正確率97.82%,但是分類結果對特征提取的依賴性較大。這兩種方法的分類精度都低于本文提出的方法。而 Ye 等[7]采用支持向量機的研究中,因剔除了 2 054 個難識別的特殊心跳樣本(占 2.4% 的比例),所以結果正確率很高。

    表3 使用小波核函數的分類結果Table 3 The result of classifier using wavelet kernel function

    圖3 超限學習機輸出分布Fig. 3 The distribution of extreme learning machine output

    圖4 模型學習時間與訓練樣本數Fig. 4 The relation between the number of training samples and learning time of the model

    以上這些算法大多依賴于一些復雜的特征提取方法,因此分類器的好壞主要取決于選取的特征。深度網絡可以通過自編碼實現特征學習,不需要手動提取參數,我們的研究表明深度學習方法能通過原始的心電信號來實現高精度的分類。但是,所有的這些方法都需要大量的訓練時間,尤其構造一個深度網絡花費的時間更多。從圖 4可以看出模型的訓練時間與樣本個數相關:一千以內的樣本個數訓練時間少于一秒,兩萬個樣本訓練僅需要一分鐘左右,而深度網絡訓練時間需要幾個小時。其他方法,如訓練 SVM,當樣本量較少時,能較快收斂;但當樣本量較大時,收斂較慢且誤差會增大。模型訓練之前需要復雜的特征提取過程而在進行分類時也需要先提取特征,因而效率不高。通過基于核方法的超限學習機可以直接對原波形進行映射和分類,對 50 485 個樣本進行分類時僅需要 78.1 秒。從表 4 的對比也可以看出,本文提出的 k-ELM 分類方法的正確率與深度網絡相似,且比其他的一些研究方法的準確度高。因此,本文所提出的方法具有較高的準確率并且能進行快速地心電學習和分類。

    表4 與其他研究的比較Table 4 Compare with others work

    6 小 結

    心電圖反應心臟活動的電生理信號,對心臟的功能分析和疾病的診斷具有重要參考價值。自動化心電圖分類是長期臨床監(jiān)測必不可少輔助方法,尤其是應對一些突發(fā)性的疾病時,快速和精確的心電異常識別能夠提供及時的預警。超限學習機能夠進行快速的學習和分類,輸出權值的求解不需要進行迭代,且最主要的是根據超限學習機的理論,可以使用多種核方法,將特征映射到高維空間中,使數據在高緯空間中線性可分。本文基于高斯核和小波核函數的超限學習方法,研究實時高效的心電學習與分類方法。使用這兩種核方法都能夠實現高準確率的心電分類。使用 MIT-BIH 心律失常數據庫,測試了 50 485 個樣本,最高分類精度達到了 98.78%,靈敏度為99.76%,特異性為 96.04%。對心電數據只進行了基線漂移校正,說明基于核方法的超限學習方法對心電數據分類具有很好的魯棒性。同時,核函數避免了“維數災難”,提高了分類的精度,從算法的訓練時間來看,基于核方法的超限心電分類具有較快的學習和分類速度,適用于嵌入各種實時心電監(jiān)測和分析的應用中。

    [1] Osowski S, Linh TH. ECG beat recognition using fuzzy hybrid neural network [J]. IEEE Transactions on Biomedical Engineering, 2001, 48(11): 1265-1271.

    [2] Andreao RV, Dorizzi B, Boudy J. ECG signal analysis through hidden markov models [J]. IEEE Transactions on Biomedical Engineering, 2006, 53(8): 1541-1549.

    [3] Banerjee S, Mitra M. Application of cross wavelet transform for ECG pattern analysis and classification [J]. IEEE Transactions on Instrumentation and Measurement,2014, 63(2): 326-333.

    [4] Tadejko P, Rakowski W. Hybrid wavelet-mathematical morphology feature extraction for heartbeat classification [C] // The International Conference on Computer as a Tool, 2007: 127-132.

    [5] Palreddy S, Tompkins WJ, Hu YH. Customization of ECG beat classifiers developed using SOM and LVQ [C] // IEEE 17th Annual Conference on Engineering in Medicine and Biology Society, 1995, 1: 813-814.

    [6] Mar T, Zaunseder S, Martinez J, et al. Optimization of ECG classification by means of feature selection [J]. IEEE Transactions on Biomedical Engineering, 2011,58(8): 2168-2177.

    [7] Ye C, Kumar BVKV, Coimbra MT. Heartbeat classification using morphological and dynamic features of ECG signals [J]. IEEE Transactions on Biomedical Engineering, 2012, 59(10): 2930-2941.

    [8] Philip DC, Dwyer MO, Reilly RB. Automatic classification of heartbeats using ECG morphology and heartbeat interval features [J]. IEEE Transactions on Biomedical Engineering, 2004, 51(7): 1196-1206.

    [9] Zadeh AE, Khazaee A, Ranaee V. Classification of the electrocardiogram signals using supervised classifiers and efficient features [J]. Computer Methods and Programs in Biomedicine, 2010, 99(12): 179-194.

    [10] Song MH, Lee J, Cho SP, et al. Support vector machine based arrhythmia classification using reduced features [J]. International Journal of Control, Automation, and Systems, 2005, 3(4): 571-579.

    [11] Yu SN, Chou KT. Integration of independent component analysis and neural networks for ECG beat classification [J]. Expert Systems with Applications, 2008, 34(4):2841-2846.

    [12] Hu YH, Tompkins WJ, Urrusti JL, et al. Applications of artificial neural networks for ECG signal detection and classification [J]. Journal of Eletrocardiology, 1993, 26:66-73.

    [13] Prasad GK, Sahambi JS. Classification of ECG arrhythmias using multiresolution analysis and neural networks [C] // Conference on Convergent Technologies for the Asia-Pacific Region, 2003, 1: 227-231.

    [14] Karpagachelvi S, Arthanari M, Sivakumar M. Classification of ECG signals using extreme learning machine [J]. Computer and Information Sciences, 2011,4(1): 42-52.

    [15] Yan Y, Qin XB, Fan JP, et al. An optimization algorithm of multilead electrocardiography classification using restricted Boltzmann machine [C] // The 12th International Conference on Wearable and Implantable Body Sensor Networks, 2014.

    [16] Gezer BL, Kuntalp D, Kuntalp M. Clustering of arrhythmic ECG beats using morphological properties and windowed raw ECG data [C] // IEEE 19th Conference on Signal Processing and Communications Applications(SIU), 2011: 738-741.

    [17] Burke MJ, Nasor M. ECG analysis using the Mexican-Hat wavelet [C] // Proceedings of the WSES International Conference on Multirate Systems & Wavelet Analysis,2001: 3531-3536.

    [18] Afonso VX, Tompkins WJ, Nguyen TQ, et al. ECG beat detection using filter banks [J]. IEEE Transactions on Biomedical Engineering, 1999, 46(2): 192-202.

    [19] Clifford GD, Azuaje F, McSharry P. Advanced Methods And Tools for ECG Data Analysis [M]. Norwood, MA,USA: Artech House, Inc., 2006.

    [20] Kundu M, Nasipuri M, Basu DK. A knowledge-based approach to ECG interpretation using fuzzy logic [J]. IEEE Transactions on Systems, Man, and Cybernetics,Part B: Cybernetics, 1998, 28(2): 237-243.

    [21] Moavenian M, Khorrami H. A qualitative comparison of artificial neural networks and support vector machines in ECG arrhythmias classification [J]. Expert Systems with Applications, 2010, 37(4): 3088-3093.

    [22] Chudacek V, Petrik M, Georgoulas G, et al. Comparison of seven approaches for holter ECG clustering and classification [C] // The 29th Annual InternationalConference of the IEEE, Engineering in Medicine and Biology Society, 2007: 3844-3847.

    [23] Jiang W, Kong SG. Block-based neural networks for personalized ECG signal classification [J]. IEEE Transactions on Neural Networks, 2007, 18(6): 1750-1761.

    [24] Lin CW, Yang YTC, Wang JS, et al. A wearable sensor module with a neural-network-based activity classification algorithm for daily energy expenditure estimation [J]. IEEE Transactions on Information Technology in Biomedicine, 2012, 16(5): 991-998.

    [25] ?lmez T. Classification of ECG waveforms by using RCE neural network and genetic algorithms [J]. Electronics Letters, 1997, 33(18): 1561-1562.

    [26] Melgani F, Bazi Y. Classification of electrocardiogram signals with support vector machines and particle swarm optimization [J]. IEEE Transactions on Information Technology in Biomedicine, 2008, 12(5): 667-677.

    [27] Huang GB, Zhu QY, Siew CK. Extreme learning machine: Theory and applications [J]. Neurocomputing,2006, 70(1-3): 489-501.

    [28] Huang GB, Zhou HM, Ding XJ, et al. Extreme learning machine for regression and multiclass classification [J]. IEEE Transactions on Systems, Man and Cybernetics-Part B: Cybernetics, 2012, 42(2): 513-529.

    [29] Huang GB, Liang NY, Rong HJ, et al. On-line sequential extreme learning machine [J]. Computational Intelligence, 2005, 2005: 232-237.

    [30] He Q, Shang TF, Zhuang FZ, et al. Parallel extreme learning machine for regression based on MapReduce [J]. Neurocomputing, 2013, 102: 52-58.

    [31] Huang GB, Ding XJ, Zhou HM. Optimization method based extreme learning machine for classification [J]. Neurocomputing, 2010, 74(1-3): 155-163.

    [32] Cao JW, Lin ZP, Huang GB. Composite function wavelet neural networks with extreme learning machine [J]. Neurocomputing, 2010, 73(7-9): 1405-1416.

    [33] Huang G, Huang GB, Song SJ, et al. Trends in extreme learning machines: a review [J]. Neural Network, 2015,61: 32-48.

    [34] Wang XL, Gui Q, Liu BW, et al. Enabling smart personalized healthcare: a hybrid mobile-cloud approach for ECG telemonitoring [J]. IEEE Journal of Biomedical and Health Informatics, 2014, 18(3): 739-745.

    [35] Xia HN, Asif I, Zhao XP. Cloud-ECG for real time ECG monitoring and analysis [J]. Computer Methods and Programs in Biomedicine, 2013, 110(3): 253-259.

    [36] Basheer IA, Hajmeer M. Artificial neural network:fundamentals, computing,design and application [J]. Journal of Microbiological Methods, 2000, 43(1):3-31.

    [37] Laurens VDM, Hinton G. Visualizing high-dimensional data using t-SNE [J]. Journal of Machine Learning Research, 2008, 9(11): 2579-2605.

    [38] Goldberger AL, Amaral LAN, Glass L, et al. Physiobank,physiotoolkit,and physionet:components of a new research resource for complex physiologic signals [J]. Circulation, 2000, 101(23): e215-e220.

    [39] Suykens JAK, Vandewalle J. Training multilayer perceptron classifiers based on a modified support vector method [J]. IEEE Transactions on Neural Networks,1999, 10(4): 907-911.

    Real-Time Electrocardiogram Analysis Based on Multi-Kernel Extreme Learning Machine

    QIN Xingbin1YAN Yan2,3FAN Jianping3WANG Lei2,3
    1( Computer Application Research Center, Institute of Computing Technology, Chinese Academy of Sciences, Beijing 100190, China )2( The Shenzhen Key Laboratory for Low-cost Healthcare, Shenzhen 518055, China )3( Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences, Shenzhen 518055, China )

    Electrocardiogram(ECG) classification is a complex pattern recognition problem. At present, most of the ECG classification methods based on different machine learning model had achieved a high classification accuracy, but the learning efficiency was low. Therefore, a fast ECG learning algorithm was necessary. In this paper, a method of extreme learning machine was presented, which mapped the original feature space into Hilbert space with different kernel functions and made the ECG date in high dimensional space linearly separable. At last, the experimental verification was carried on MIT-BIH standard library. The results show that the proposed method has higher accuracy and faster learning speed than existing methods, which may be a potential tool for detection and analysis of clinical dynamic electrocardiogram and personalized real-time ECG monitoring.

    kernel method; extreme learning machine; electrocardiogram monitoring; electrocardiogram analysis; real-time classification

    TP 391.6

    A

    2015-05-13

    2015-07-05

    國家 863 項目(2012AA02A604);國家下一代通信技術重點工程(2013ZX03005013);廣東省創(chuàng)新團隊(2011S013)

    秦興彬,碩士,研究方向為半監(jiān)督學習方法和心電大數據分析;顏延,博士,研究方向為機器學習和健康大數據;樊建平,研究員,研究方向為高性能計算、云計算和分布式計算;王磊(通訊作者),研究員,研究方向為人體傳感器網絡、健康感知和醫(yī)學芯片,E-mail:wang.lei@siat.ac.cn。

    猜你喜歡
    學習機心電電信號
    基于聯合聚類分析的單通道腹部心電信號的胎心率提取
    心電向量圖診斷高血壓病左心室異常的臨床應用
    基于非接觸式電極的心電監(jiān)測系統(tǒng)
    電子制作(2019年19期)2019-11-23 08:41:40
    穿戴式心電:發(fā)展歷程、核心技術與未來挑戰(zhàn)
    基于Code Composer Studio3.3完成對心電信號的去噪
    科技傳播(2019年24期)2019-06-15 09:29:28
    更正啟事
    極限學習機綜述
    測控技術(2018年10期)2018-11-25 09:35:26
    基于極限學習機參數遷移的域適應算法
    自動化學報(2018年2期)2018-04-12 05:46:21
    基于隨機森林的航天器電信號多分類識別方法
    分層極限學習機在滾動軸承故障診斷中的應用
    搡老乐熟女国产| 久久女婷五月综合色啪小说| 熟妇人妻不卡中文字幕| 最近的中文字幕免费完整| 久久久久国产精品人妻一区二区| 亚洲欧美清纯卡通| 国产在视频线精品| 丝袜美足系列| 久久久久网色| 51国产日韩欧美| 少妇人妻精品综合一区二区| 久久99热6这里只有精品| 韩国高清视频一区二区三区| 天堂俺去俺来也www色官网| 亚洲成人一二三区av| 亚洲国产成人一精品久久久| 天天躁夜夜躁狠狠躁躁| 国产爽快片一区二区三区| 天天影视国产精品| 少妇被粗大的猛进出69影院 | 中文字幕另类日韩欧美亚洲嫩草| 日本-黄色视频高清免费观看| 久久毛片免费看一区二区三区| 色5月婷婷丁香| 少妇高潮的动态图| 99国产综合亚洲精品| 欧美最新免费一区二区三区| 成年美女黄网站色视频大全免费| 亚洲精品自拍成人| 两性夫妻黄色片 | 日韩av免费高清视频| 欧美国产精品一级二级三级| 日韩av免费高清视频| 视频中文字幕在线观看| 午夜91福利影院| 九色亚洲精品在线播放| 97人妻天天添夜夜摸| 少妇人妻精品综合一区二区| 国产精品久久久久久久久免| 精品亚洲成国产av| 亚洲精品久久成人aⅴ小说| 亚洲,欧美,日韩| 中文字幕另类日韩欧美亚洲嫩草| a级毛片在线看网站| 美女国产视频在线观看| 美女国产视频在线观看| 欧美精品一区二区免费开放| 久久99蜜桃精品久久| www.色视频.com| 久久人人爽人人爽人人片va| 黑人欧美特级aaaaaa片| 丝袜美足系列| 日韩 亚洲 欧美在线| 精品99又大又爽又粗少妇毛片| 日本欧美视频一区| 欧美老熟妇乱子伦牲交| a级片在线免费高清观看视频| 久久鲁丝午夜福利片| 在线看a的网站| 如日韩欧美国产精品一区二区三区| 国产精品国产三级国产av玫瑰| 高清av免费在线| 丰满乱子伦码专区| 黄片播放在线免费| av不卡在线播放| 久久久久网色| 免费日韩欧美在线观看| 亚洲精品第二区| 欧美亚洲日本最大视频资源| 午夜激情av网站| 人妻少妇偷人精品九色| 国产日韩欧美视频二区| 九九爱精品视频在线观看| 午夜免费男女啪啪视频观看| 少妇的丰满在线观看| 午夜久久久在线观看| 啦啦啦中文免费视频观看日本| 国产精品久久久久成人av| a级毛色黄片| 久久久国产欧美日韩av| 亚洲精华国产精华液的使用体验| 九草在线视频观看| 免费大片黄手机在线观看| 伦理电影大哥的女人| 在线观看一区二区三区激情| 又黄又爽又刺激的免费视频.| 国产成人午夜福利电影在线观看| 亚洲人成77777在线视频| 天天躁夜夜躁狠狠久久av| 少妇人妻 视频| av天堂久久9| 亚洲四区av| 亚洲美女搞黄在线观看| 亚洲,欧美精品.| 国产成人精品无人区| 午夜av观看不卡| 人人妻人人添人人爽欧美一区卜| 国产精品蜜桃在线观看| 伦理电影大哥的女人| 亚洲综合色惰| 欧美国产精品va在线观看不卡| 久久精品熟女亚洲av麻豆精品| 成人毛片a级毛片在线播放| 国产亚洲午夜精品一区二区久久| 99热6这里只有精品| 伦精品一区二区三区| 免费观看a级毛片全部| 91在线精品国自产拍蜜月| 精品99又大又爽又粗少妇毛片| 久久久久久久久久人人人人人人| 美女国产视频在线观看| 精品一区二区三区视频在线| 80岁老熟妇乱子伦牲交| 国产精品成人在线| av国产精品久久久久影院| 国产爽快片一区二区三区| 最近中文字幕2019免费版| 中文天堂在线官网| 最近中文字幕2019免费版| 精品亚洲成国产av| 中国美白少妇内射xxxbb| 亚洲欧美精品自产自拍| 少妇人妻 视频| 人妻一区二区av| 午夜福利,免费看| 亚洲国产精品一区二区三区在线| 最黄视频免费看| 国产高清国产精品国产三级| 一本大道久久a久久精品| 欧美日韩亚洲高清精品| 少妇的逼水好多| 大话2 男鬼变身卡| 国产精品秋霞免费鲁丝片| 国产日韩一区二区三区精品不卡| 欧美日韩av久久| 新久久久久国产一级毛片| 日本黄色日本黄色录像| 男女边摸边吃奶| 色吧在线观看| 亚洲欧美日韩卡通动漫| 热re99久久精品国产66热6| 亚洲丝袜综合中文字幕| 欧美日韩一区二区视频在线观看视频在线| 欧美人与性动交α欧美精品济南到 | 热re99久久精品国产66热6| 搡老乐熟女国产| 欧美日韩视频高清一区二区三区二| 在现免费观看毛片| 精品人妻一区二区三区麻豆| 日本黄色日本黄色录像| 这个男人来自地球电影免费观看 | 99热这里只有是精品在线观看| 国产精品成人在线| 精品久久国产蜜桃| 两性夫妻黄色片 | 国产激情久久老熟女| 校园人妻丝袜中文字幕| 九色亚洲精品在线播放| 老女人水多毛片| 久久久久国产网址| 免费播放大片免费观看视频在线观看| 久热这里只有精品99| 日韩熟女老妇一区二区性免费视频| 2022亚洲国产成人精品| 五月玫瑰六月丁香| av卡一久久| 免费黄色在线免费观看| 51国产日韩欧美| 国产色爽女视频免费观看| 久久鲁丝午夜福利片| 最新的欧美精品一区二区| 亚洲成国产人片在线观看| 亚洲精品av麻豆狂野| 性色av一级| 国产淫语在线视频| 中文字幕人妻丝袜制服| 日本色播在线视频| 国产片内射在线| 久久韩国三级中文字幕| 99热这里只有是精品在线观看| 日韩视频在线欧美| 亚洲av电影在线进入| 日本色播在线视频| 人人妻人人添人人爽欧美一区卜| 狂野欧美激情性bbbbbb| 国产色婷婷99| 国产有黄有色有爽视频| 亚洲国产av新网站| 最近中文字幕高清免费大全6| 国产黄色视频一区二区在线观看| 国产日韩欧美在线精品| 女性生殖器流出的白浆| 如日韩欧美国产精品一区二区三区| 午夜久久久在线观看| 老司机亚洲免费影院| 亚洲少妇的诱惑av| 久久久久国产网址| 国产精品一国产av| 久久久久人妻精品一区果冻| 人妻少妇偷人精品九色| 亚洲三级黄色毛片| 插逼视频在线观看| 国产成人91sexporn| 在线观看免费高清a一片| 成人二区视频| 国产成人午夜福利电影在线观看| 22中文网久久字幕| 国产一区亚洲一区在线观看| 又黄又粗又硬又大视频| 九九爱精品视频在线观看| 精品酒店卫生间| 亚洲美女搞黄在线观看| 男女边吃奶边做爰视频| 女性被躁到高潮视频| 国产日韩欧美亚洲二区| 国产高清不卡午夜福利| 香蕉国产在线看| 黑人欧美特级aaaaaa片| 国产乱来视频区| h视频一区二区三区| 熟女电影av网| 日韩精品有码人妻一区| 亚洲欧美日韩卡通动漫| 曰老女人黄片| 日韩精品免费视频一区二区三区 | 日韩中字成人| 久久热在线av| 一边摸一边做爽爽视频免费| 亚洲国产看品久久| 亚洲精品美女久久久久99蜜臀 | 黑人高潮一二区| 日韩欧美精品免费久久| 亚洲精品一区蜜桃| 久久久久久久久久人人人人人人| 亚洲国产av影院在线观看| 99久久综合免费| 国产欧美日韩一区二区三区在线| 午夜视频国产福利| 中文天堂在线官网| 亚洲精品色激情综合| 夜夜骑夜夜射夜夜干| 少妇精品久久久久久久| 久久人妻熟女aⅴ| 日韩三级伦理在线观看| 99久国产av精品国产电影| av在线老鸭窝| 寂寞人妻少妇视频99o| 一级片'在线观看视频| 亚洲四区av| 久久狼人影院| 国产永久视频网站| 草草在线视频免费看| 亚洲欧美日韩卡通动漫| 18禁动态无遮挡网站| 岛国毛片在线播放| 99热国产这里只有精品6| 99久久综合免费| 亚洲少妇的诱惑av| 狠狠婷婷综合久久久久久88av| 五月伊人婷婷丁香| 一级毛片电影观看| 黄色怎么调成土黄色| 91aial.com中文字幕在线观看| 少妇人妻久久综合中文| 最后的刺客免费高清国语| 丝袜美足系列| 纯流量卡能插随身wifi吗| 全区人妻精品视频| 国产亚洲欧美精品永久| 精品一区二区三区视频在线| 久热这里只有精品99| 久久99一区二区三区| 狠狠精品人妻久久久久久综合| 国产成人一区二区在线| 亚洲色图 男人天堂 中文字幕 | 国产av码专区亚洲av| 美女脱内裤让男人舔精品视频| 欧美bdsm另类| 久久人人爽av亚洲精品天堂| 菩萨蛮人人尽说江南好唐韦庄| 天堂8中文在线网| 亚洲国产色片| 久久精品国产鲁丝片午夜精品| 看十八女毛片水多多多| 亚洲国产av新网站| 夜夜骑夜夜射夜夜干| 少妇被粗大的猛进出69影院 | 国产欧美另类精品又又久久亚洲欧美| 2021少妇久久久久久久久久久| 夜夜爽夜夜爽视频| 亚洲一码二码三码区别大吗| 狂野欧美激情性xxxx在线观看| 妹子高潮喷水视频| 亚洲,欧美,日韩| 久久这里只有精品19| 老司机亚洲免费影院| 亚洲精品一二三| 日韩精品有码人妻一区| 最近手机中文字幕大全| 黄色配什么色好看| 成人漫画全彩无遮挡| 精品视频人人做人人爽| 免费不卡的大黄色大毛片视频在线观看| 内地一区二区视频在线| 亚洲色图 男人天堂 中文字幕 | 制服丝袜香蕉在线| 性色avwww在线观看| 日韩熟女老妇一区二区性免费视频| 亚洲成国产人片在线观看| 黄色视频在线播放观看不卡| 亚洲国产精品国产精品| 波野结衣二区三区在线| 欧美bdsm另类| 一区二区三区乱码不卡18| 久热这里只有精品99| 免费在线观看黄色视频的| 亚洲av免费高清在线观看| 精品亚洲乱码少妇综合久久| 国产亚洲精品第一综合不卡 | 国产成人午夜福利电影在线观看| 狠狠婷婷综合久久久久久88av| 亚洲,欧美精品.| 2022亚洲国产成人精品| 国产精品嫩草影院av在线观看| 一级片'在线观看视频| 高清欧美精品videossex| 精品一品国产午夜福利视频| 国产精品国产三级专区第一集| 国产日韩一区二区三区精品不卡| 久久久久久人妻| 成年美女黄网站色视频大全免费| 中国国产av一级| 久久久久久久大尺度免费视频| 久久99一区二区三区| 视频中文字幕在线观看| 91成人精品电影| 大香蕉久久成人网| 精品卡一卡二卡四卡免费| 精品一区二区三卡| 香蕉国产在线看| 大香蕉97超碰在线| 色5月婷婷丁香| 99热网站在线观看| 亚洲国产精品成人久久小说| 亚洲成av片中文字幕在线观看 | 精品少妇黑人巨大在线播放| 精品久久久久久电影网| 22中文网久久字幕| 久久久久久伊人网av| 啦啦啦视频在线资源免费观看| 激情视频va一区二区三区| 国产免费福利视频在线观看| 好男人视频免费观看在线| a级片在线免费高清观看视频| 日韩三级伦理在线观看| 自线自在国产av| 大香蕉久久成人网| 亚洲精品国产av成人精品| 岛国毛片在线播放| 观看美女的网站| 人妻 亚洲 视频| 国产国语露脸激情在线看| 热re99久久精品国产66热6| 久久久久久久久久久久大奶| 国产免费一区二区三区四区乱码| 免费在线观看完整版高清| 91国产中文字幕| 国产免费视频播放在线视频| 日韩一区二区视频免费看| 免费播放大片免费观看视频在线观看| 女性被躁到高潮视频| 看十八女毛片水多多多| 有码 亚洲区| 欧美成人精品欧美一级黄| 国产免费一级a男人的天堂| 天美传媒精品一区二区| 国产精品蜜桃在线观看| 高清黄色对白视频在线免费看| 夫妻性生交免费视频一级片| 亚洲av男天堂| 性色av一级| 日韩三级伦理在线观看| 亚洲伊人久久精品综合| 最近2019中文字幕mv第一页| 成人亚洲精品一区在线观看| 日韩av免费高清视频| 精品亚洲乱码少妇综合久久| 国产精品偷伦视频观看了| 亚洲av免费高清在线观看| 亚洲国产日韩一区二区| 国产国拍精品亚洲av在线观看| 亚洲精品国产av蜜桃| 亚洲一区二区三区欧美精品| 精品少妇内射三级| 国产午夜精品一二区理论片| av免费在线看不卡| 亚洲精品456在线播放app| 国产免费福利视频在线观看| 啦啦啦视频在线资源免费观看| 18+在线观看网站| 亚洲一级一片aⅴ在线观看| 久久久久久久大尺度免费视频| 久久免费观看电影| 中文字幕精品免费在线观看视频 | 亚洲综合色惰| 亚洲成人一二三区av| 男的添女的下面高潮视频| 国产免费一区二区三区四区乱码| 热99久久久久精品小说推荐| 亚洲国产av影院在线观看| 国产无遮挡羞羞视频在线观看| 最近最新中文字幕大全免费视频 | 男人舔女人的私密视频| 亚洲av中文av极速乱| 色婷婷久久久亚洲欧美| 国产白丝娇喘喷水9色精品| 97在线视频观看| 亚洲欧美色中文字幕在线| 国产欧美日韩综合在线一区二区| 97人妻天天添夜夜摸| 寂寞人妻少妇视频99o| 看免费av毛片| 久久这里有精品视频免费| 亚洲国产精品专区欧美| 超碰97精品在线观看| a级毛片在线看网站| 大香蕉97超碰在线| 国产免费现黄频在线看| 国产日韩一区二区三区精品不卡| 久久精品熟女亚洲av麻豆精品| 日韩精品有码人妻一区| 建设人人有责人人尽责人人享有的| 最近最新中文字幕大全免费视频 | 国产精品蜜桃在线观看| 亚洲精品自拍成人| 热99国产精品久久久久久7| 国产欧美亚洲国产| 亚洲四区av| 久久久久久人人人人人| 亚洲国产精品一区二区三区在线| 亚洲成人手机| 18禁国产床啪视频网站| 少妇的逼好多水| 国产精品麻豆人妻色哟哟久久| 又大又黄又爽视频免费| 亚洲五月色婷婷综合| 中文字幕人妻丝袜制服| 2022亚洲国产成人精品| 亚洲欧美清纯卡通| 国产一区二区三区综合在线观看 | 91成人精品电影| 日韩伦理黄色片| 妹子高潮喷水视频| 国产黄色免费在线视频| 日本欧美国产在线视频| 国产精品一区二区在线观看99| 啦啦啦中文免费视频观看日本| 亚洲,欧美精品.| 欧美另类一区| 成年动漫av网址| 免费不卡的大黄色大毛片视频在线观看| 三级国产精品片| 国产免费一级a男人的天堂| 午夜福利影视在线免费观看| 久久久国产精品麻豆| 亚洲色图综合在线观看| 考比视频在线观看| 啦啦啦在线观看免费高清www| 老女人水多毛片| 精品一区二区免费观看| 日韩制服丝袜自拍偷拍| 少妇被粗大猛烈的视频| 欧美丝袜亚洲另类| 2022亚洲国产成人精品| 97精品久久久久久久久久精品| 天天操日日干夜夜撸| 老司机影院成人| 男女免费视频国产| 亚洲av免费高清在线观看| 香蕉丝袜av| 国语对白做爰xxxⅹ性视频网站| 国产精品一区二区在线观看99| 久热这里只有精品99| 国产日韩欧美在线精品| 色吧在线观看| 久久久国产欧美日韩av| 久久这里只有精品19| 自线自在国产av| 国产国语露脸激情在线看| 国产深夜福利视频在线观看| 日本午夜av视频| 婷婷色av中文字幕| 欧美精品一区二区免费开放| 在线观看www视频免费| 国产精品偷伦视频观看了| 天堂俺去俺来也www色官网| 免费高清在线观看视频在线观看| 国产 精品1| 日韩一本色道免费dvd| 51国产日韩欧美| 男女啪啪激烈高潮av片| 国产老妇伦熟女老妇高清| 国产女主播在线喷水免费视频网站| 亚洲精品日本国产第一区| 国产福利在线免费观看视频| 婷婷色综合www| 精品国产露脸久久av麻豆| videossex国产| 欧美日韩综合久久久久久| 精品久久久精品久久久| 日本免费在线观看一区| 美国免费a级毛片| 最近中文字幕2019免费版| 大片免费播放器 马上看| 国产高清不卡午夜福利| 国产免费一区二区三区四区乱码| 岛国毛片在线播放| 中文字幕av电影在线播放| 看免费成人av毛片| 亚洲欧美日韩卡通动漫| 性高湖久久久久久久久免费观看| 最近中文字幕高清免费大全6| 日本黄色日本黄色录像| 亚洲欧美日韩卡通动漫| videosex国产| 一级毛片我不卡| 久久人妻熟女aⅴ| 女性被躁到高潮视频| 大话2 男鬼变身卡| 亚洲av免费高清在线观看| 亚洲精品aⅴ在线观看| 亚洲欧美中文字幕日韩二区| 三级国产精品片| 欧美精品一区二区免费开放| 欧美3d第一页| av播播在线观看一区| 国产精品久久久久久精品古装| 国产熟女午夜一区二区三区| 飞空精品影院首页| av福利片在线| 久久精品国产a三级三级三级| 桃花免费在线播放| 亚洲第一av免费看| 国产精品免费大片| 久久毛片免费看一区二区三区| 久久ye,这里只有精品| 国产伦理片在线播放av一区| 国产成人av激情在线播放| 国产欧美亚洲国产| av国产精品久久久久影院| 五月开心婷婷网| 欧美人与性动交α欧美软件 | 狂野欧美激情性xxxx在线观看| 尾随美女入室| 在线观看美女被高潮喷水网站| 亚洲精品美女久久av网站| 黄色怎么调成土黄色| 国产白丝娇喘喷水9色精品| 性色avwww在线观看| 满18在线观看网站| 免费黄色在线免费观看| 成人手机av| 18禁动态无遮挡网站| 亚洲综合色惰| 亚洲国产看品久久| 久久ye,这里只有精品| 成年人免费黄色播放视频| 午夜老司机福利剧场| 成人毛片60女人毛片免费| 一级黄片播放器| 精品国产乱码久久久久久小说| 又黄又爽又刺激的免费视频.| 亚洲欧洲日产国产| 人人妻人人爽人人添夜夜欢视频| 黄色毛片三级朝国网站| 国产白丝娇喘喷水9色精品| 美国免费a级毛片| 天堂中文最新版在线下载| 下体分泌物呈黄色| 日韩av不卡免费在线播放| 妹子高潮喷水视频| 最黄视频免费看| 涩涩av久久男人的天堂| 一边亲一边摸免费视频| 久久亚洲国产成人精品v| 亚洲精品av麻豆狂野| 在线天堂最新版资源| a级毛片黄视频| 超色免费av| 内地一区二区视频在线| 国产一区亚洲一区在线观看| 国产午夜精品一二区理论片| 精品少妇久久久久久888优播| 久久国产精品大桥未久av| 一本大道久久a久久精品| 亚洲激情五月婷婷啪啪| 飞空精品影院首页| 十分钟在线观看高清视频www| 精品人妻在线不人妻| 天美传媒精品一区二区| 99精国产麻豆久久婷婷| 97人妻天天添夜夜摸| 日本午夜av视频| tube8黄色片| 青春草亚洲视频在线观看| 久久久久国产网址| 欧美 亚洲 国产 日韩一| 蜜臀久久99精品久久宅男| 午夜影院在线不卡| 热re99久久国产66热| 亚洲美女黄色视频免费看| 成年动漫av网址| 国产在视频线精品| 最新中文字幕久久久久| 国产精品久久久av美女十八|