1、多多特征决策层融合的脉特征决策层融合的脉搏信号分类方法搏信号分类方法多特征决策层融合的脉搏信号分类多特征决策层融合的脉搏信号分类方法方法u获取不同类型的信号u基于压力传感器u基于光电传感器u基于超声传感器u.u不同类型的特征u周期u频率u节律u振幅u多特征决策层融合的脉搏信号分类多特征决策层融合的脉搏信号分类方法方法u基于特征表达的方法u提取脉搏信号的特征u时域特征、变换域特征u在特征空间中分类u基于相似性度量的方法u采用不同的测度函数衡量信号的相似性u欧氏距离、马氏距离、弹性匹配u构造分类器多特征决策层融合的脉搏信号分类多特征决策层融合的脉搏信号分类方法方法时时域特征域特征小波能量特征小波能
2、量特征相似性相似性度量度量支持向量机支持向量机1 1决策层融合决策层融合原始原始脉搏信号脉搏信号分类分类结果结果支持向量机支持向量机2 2支持向量机支持向量机3 3多特征决策层融合的脉搏信号分类多特征决策层融合的脉搏信号分类方法方法p1.脉搏信号的预处理p去噪声p去基线漂移p周期的划分p关键点检测p2.脉搏信号时域特征提取p主波峰的幅值p重搏前波、重搏波的幅值p脉搏信号的周期p多特征决策层融合的脉搏信号分类多特征决策层融合的脉搏信号分类方法方法多特征决策层融合的脉搏信号分类多特征决策层融合的脉搏信号分类方法方法p原始脉搏信号进行小波分解 00,0,j kkj kj kj kkjjS tctdt
3、 近似项近似项细节项细节项,j kt多特征决策层融合的脉搏信号分类多特征决策层融合的脉搏信号分类方法方法近似项近似项细节项细节项多特征决策层融合的脉搏信号分类多特征决策层融合的脉搏信号分类方法方法近似项近似项低频部分低频部分细节项细节项高频部分高频部分多特征决策层融合的脉搏信号分类多特征决策层融合的脉搏信号分类方法方法2,tjj kkjjEEd2,jj kkEd多特征决策层融合的脉搏信号分类多特征决策层融合的脉搏信号分类方法方法p定义信号第j层小波分解的相对能量函数如下22,jjtj kj kkkjREEddp本文中采用Daubechies(db3)小波，p对每一个脉搏信号进行7层小波分解，得
4、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多特征决策层融合的脉搏信号分类方法方法多特征决策层融合的脉搏信号分类多特征决策层融合的脉搏信号分类方法方法21,1min 2.1 0NiiwbiiwCs t y w xband p在非线性支持向量机中，原始问题的对偶形式为1min ,2 .0 0ijijijiijiiiiy y k x xs tCandy多特征决策层融合的脉搏信号分类多特征决策层融合的脉搏信号分类方法方法p最优分类超平面 1,miiiisign h xsigny k x xb 100010 xsign xxxp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
5、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多特征决策层融合的脉搏信号分类方法方法 12iiNC xsignsign hx多特征决策层融合的脉搏信号分类多特征决策层融合的脉搏信号分类方法方法 1argmax1|MkkiiC xM P yP yz|1 1expkiiP yzhx1 J.Kittler,M.Hatef,P.W.Duin,and J.Matas,On combining classifiers,IEEE Transactions Pattern Analysis and Machine Intelligence,vol.20,1998,pp.226-239.2 J.Platt
6、,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多特征决策层融合的脉搏信号分类方法方法p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医院体检中心类别类别数量数量健康人135亚健康98多特征决策层融合的脉搏信号分类多特
7、征决策层融合的脉搏信号分类方法方法p实验结果方法方法类别类别总计总计分类正确率分类正确率健康（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%L.Liu,W.,D.Zhang,H.Zhang,N.Li.Combination of heterogeneous features for wrist pulse blood flow signal diagnosis via multiple ke
8、rnel learning,IEEE Trans.Information Technology in BioMedicine,vol.16,no.4,pp.599-607,2012.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,2015.多特征决策层融合的脉搏信号分类多特征决策层融合的脉搏信号分类方法方法p 决策层融合能够有效提高脉搏信号的分类精度p 可扩展至不同信号类型之间的融合p 如何挖掘不同特征间的融合和互补信息p 如何构建更为合理的融合方式
