基于字典学习的ECG信号分类方法研究及其应用

沙特国王大学学报字典学习对AdaBoost权值更新和ECG分类MücahidBarstugJouan，RahimeCeylan科尼亚技术大学，工程和自然科学学院，电气电子工程系，土耳其科尼亚阿提奇莱因福奥文章历史记录：2018年7月14日收到2018年10月26日修订2018年11月12日接受在线发售2018年关键词：AdaBoost字典学习ECG特征子集信号分类稀疏表示A B S T R A C T信号可以用较少系数的稀疏表示来表示。由于这种能力，稀疏表示被用于信号压缩、噪声消除和分类等研究领域在这项研究中，稀疏系数的信号，通过使用字典学习和稀疏表示算法。将得到的系数用于三个不同分类器的权值更新过程中，这三个分类器分别由AdaBoost、SVM和LDA算法创建因此，基于字典学习的AdaBoost分类器。提出了一种基于字典学习的AdaBoost分类器，用于ECG（Electrocardiography）信号的分类.在分类之前 ， 对 心 电 信 号 进 行 特 征 选 择 ， 通 过 离 散 小 波 变 换 （ DWT ） 、 一 阶 统 计 量 （ FOS ） 、 T 检 验 、Bhattacharyya、熵和Wilcoxon检验等方法得到6个不同的特征子集。特征子集被用作新的数据集。用该方法对图像进行分类，取得了满意的结果.基于字典学习的DL-AdaBoost-SVM方法在DWT和Wilcoxon检验方法得到的特征子集上获得了最好的分类准确率为99.75%©2018作者制作和主办：Elsevier B.V.代表沙特国王大学这是一CC BY-NC-ND许可下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍集成分类器是生物医学数据分类中一种著名的人工智能方法。在集成分类器方法中，使用了多个分类精度较低的弱分类器。每个分类器都有一个权值，权值的大小直接影响分类结果。利用这些权值得到分类结果称为“权值投票”。AdaBoost是最常用的集成分类器方法之一，它使用 加 权 投 票 过 程 。 它 是 由 Freund 和 Schapire （ 1997 ） 提 出 的 。AdaBoost算法易于实现，能够提高分类精度。此外，它可以与不同的分类器一起使用。Wang和Pineau（2016）在他们的研究中结合了AdaBoost和字典学习算法。该方法首先得到稀疏系数，然后利用稀疏系数更新AdaBoost的弱分类器权值.实验结果表明，该方法具有较高的分类性能。Zhang和Zhou（2011）获得了稀疏表示系数*通讯作者：科尼亚技术大学，工程和自然科学学院，电气电子工程系，42250科尼亚，土耳其电 子 邮 件 地 址 ： mubarstugan@selcuk.edu.tr （ M.BarstugZelan ） ，rpektatli@selcuk. edu.tr（R. Ceylan）。LP-AdaBoost集成分类器。在他们的研究中，k-NN算法被用作弱分类器，稀疏表示系数被定义为基学习器的权重。使用不平衡数据集观察分类性能的方法。Huang和Zhang（2014）提出了半监督稀疏多线性分析（SSSMDA）方法。在该方法中，三阶短时傅立叶变换应用于心电数据集。实验证明，该方法在稀疏心电数据集上是有效的。Adamo等人（2015）发现了ECG数据集的稀疏表示，提出了一种新颖有效的信号压缩算法。在研究中，根据心脏信号创建波形指示。研究证明，在控制的近似度量范围内，所提出的k-LiMapS方法具有较高的压缩率。Liu等人（2016）提出了一种用于矢量量化的字典学习算法，以从ECG信号中提取特征。所提出的方法也被用来消除信号中的噪声。 Chen等人（2017）提出了一种基于投影和动态特征组合的新型ECG搏动分类算法。在这项研究中，投影特征是从一个随机的投影矩阵，其中每一列都是归一化的，每一行都是离散余弦变换。RR间期作为动态特征导出。两种特征均通过SVM算法进行分类，取得了较好的分类效果https://doi.org/10.1016/j.jksuci.2018.11.0071319-1578/©2018作者。制作和主办：Elsevier B.V.代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.com1150M. 巴尔斯图格兰河Ceylan/沙特国王大学学报根据最先进的心跳分类系统获得。在这项研究中，提出了一种新的方法来分类心电信号。在分类之前，首先对心电信号进行小波变换、FOS和T检验、Bhattacharyya检验 、 熵 检 验 和 Wilcoxon 检 验 ， 得 到 6 个 不 同 的 特 征 子 集 。 利 用AdaBoost、LDA和SVM算法形成的分类器结构对得到的特征子集进行分类。在该方法中，AdaBoost的第一权重通过乘以稀疏表示系数来定义，稀疏表示系数由K-SVD（K-Singular Value Decom- position）字典学习算法Aharon et al.（2006）获得。采用AdaBoost、AdaBoost-SVM和AdaBoost-LDA算法对ECG信号进行分类，并对分类器的性能进行评价。在Huang和Zhang（2014）中，在来自远程诊断系统的合成数据集和ECG数据上评估了所提出的方法。我们想实现一个基于字典学习的Ada-Boost分类器，并试图在ECG验证数据集（MIT-BIH心律失常）上证明我们的方法的可接受性。本文共分四个部分。第一部分回顾了基于词典学习的集成分类器的相关研究文献。第二部分介绍了利用字典学习方法更新AdaBoost的权值。第三部分给出了实验结果。文章最后对所得结果进行了讨论，并提出了进一步研究的建议。2. 材料和方法在这项研究中，AdaBoost，AdaBoost-SVM和AdaBoost-LDA分类器，其权重由乘以稀疏系数定义，实现分类ECG信号。2.1. 使用的数据集所用ECG信号取自MIT心律失常数据库（Physionet，2017），以评价所提出方法的性能。ECG信号取自不同患者。用作数据集的记录见表1。2.2. 预处理在预处理阶段，ECG信号已经被预处理以检测RR间期。这里，最重要的一点是，在记录期间，在Derivation II中以360 Hz对所有ECG信号进行采样首先，在检测ECG信号的RR间期之前，使用低通和高通滤波器对ECG信号进行滤波低通和高通滤波器的截止频率分别取为28和0.09 Hz其次，对滤波后的信号进行QRS波检测RR间期的检测使用Friesen等人开发的一种众所周知的QRS检测算法来执行。（1990年）。使用该检测算法的原因是当斜率阈值固定为0.45时，对于所有3种 ECG信号类别给出良好的检测结果的检测之后表1使用的ECG信号。类数据文件数量的图案正常窦性100、101、103、106、111、112、119、1258节奏203右束BB118、207、212383左束BB109、207、21490R点，检测到的RR间期被布置为200个样本（特征，数据点），其被称为模式，用于每个类别（Ceylan等人， 2014年）。在预处理阶段之后，使用具有200个特征的三种不同的ECG信号类别。属于正常窦性心律（N）类的信号表示心脏的正常跳动。右束支传导阻滞（RBBB）信号是电传导系统中的心脏传导阻滞左束支传导阻滞（LBBB）是心电图中的心脏传导异常。所使用的ECG数据集包括1258个N模式、383个RBBB模式和90个LBBB模式。每个图案的特征可以在图1中看到。从ECG信号创建六个不同的特征子集。通过构造不同的特征子集，寻找最能代表心电信号的特征子集。2.3. 创建特征子集首先，为了提高分类精度，特征选择过程被施加到ECG信号。因此，通过DWT、FOS、T-Test、Bhattacharyya、Entropy和Wilcoxon检验方法创建了通过特征选择，选择出更好地表达心电信号的特征。以这种方式，从不同类型的ECG信号中提取的特征有助于检测不同的信号类别。经过特征选择后，DWT、T-test、创建特征子集和这些子集的分类的过程可以在图中看到。 二、2.3.1. 创建特征子集I第一个特征子集是通过对心电信号进行四阶离散小波变换得到的。这里使用了Daubechies DWT。在四阶离散小波变换后，将近似系数定义为特征子集I，并对近似系数进行分类，得到15个特征。在ECG信号上的DWT的实现如图3所示。如图3所示，对ECG信号应用四阶DWT，并将cA4（最后近似系数）用作特征子集I。N、RBBB和LBBB信号的cA4系数可以在图1中看到。 四、图 4.给出了每类模式的cA_4系数。使用cA4系数获得的特征子集I被用作新的数据集。特征子集I的维度可以在表2中看到。如表2所示，Fig. 1. 使用的ECG模式。M. 巴尔斯图格兰河Ceylan/沙特国王大学学报1151X1：1/4英寸：N保持不变，只是通过使用DWT减少了特征的数量。2.3.2. 创建特征子集II特征子集II由每个模式的一阶统计量产生。一阶统计量包括“均值、方差、偏度、峰度、形状因子”值。将每个FOS值定义为一个特征，并创建特征子集II，如表3所示。使 用 统 计 方 法 来 获 得 五 个 特 征 ， 如 Yücelbas 等 人 所 述 。（2016），Yücelba，setal. （2018）（X：模式，N：样本数量）：N平均值1X1N1/1方差r2图二.创建特征子集和分类的过程。XX-122图三.心电信号四阶离散小波变换的实现。¼1152M. 巴尔斯图格兰河Ceylan/沙特国王大学学报þ þ2ð - ÞNKq22rBD¼4ln4121 212¼2r2r 2-þr2，r22ð ÞXi2–不Kð - ÞKKK12001年。r2r221ΣΣ1"ðl-lÞ2#412r2 r2r2，r2熵：在统计学中，熵用于表示数据的随机性或不规则性。e1分。r2r2212英里。11美元。Ll2008年2月8日- Wilcoxon：Wilcoxon检验用于检验两个不同数据类的分布是否相似通过这些测试方法完成特征选择过程，并为分类器结构准备所获得的特征子集。图四、DWT处理后的图案表2特征子集I.类别特征数模式正常窦性心律15 1258右束BB 15 383左束BB 15 90表3特征子集II.类别特征数模式正常窦性心律5 1258右束BB 5 383左束BB 5 90E xl3偏度：s<$r332.4. 分类器算法在这 项研究中 ，三种不 同的结构 被用来 分类创建 的子集。 将AdaBoost、AdaBoost-SVM和AdaBoost-LDA结构与字典学习相结合，完成分类过程。2.4.1. K-SVD算法在字典学习中，目标是产生数据集的稀疏表示。如果一个数据集可以用更少的系数来表示，字典就会变得更有效。K-SVD算法由Aharon等人提出，（2006）作为字典学习问题的解决方案，可以在算法1中可以看到。K-SVD在字典原子更新过程中实现k算法1-目标：通过求解（6）峰度：k¼E xl44ð4Þfyigi¼1 数据最小值Y-DXjj2小时（9）均方根误差D;XF形状系数：sf¼lx51：输入：通过L2范数归一化的D字典：jjDjj2¼qPN1D2（10）2.3.3. 创建特征子集III-VI采用T检验、Bhattacharyya、熵和Wilcoxon检验方法定义特征子集III-VI，并对ECG信号中的所有特征然后通过每种测试方法获得最有意义的前15个特征（Haury等人，2011年）。根据特征子集I，子集III-VI的尺寸保持相同。- t检验：t检验用于确定两组数据是否存在显著差异。I¼我2：迭代=13：稀疏编码阶段最小值fjjyi-Dxijj2g i，jjxijj06T0，i1; 2;：;N（11）通过用追踪算法为yi个样本中的每一个找到xi个4：词典更新阶段对于字典中的每个原子：5：k6：定义wk向量：wk<$fij1≤i≤Ng;xTi-0t l1l212n1n 2ð6Þ8：通过选择列来获得ER从定义在wk向量中的Ek矩阵。9：将SVD应用于ER矩阵：ER¼UDVT其中l、r和n是样本平均值，样本标准偏差，和数据集的样本量。10：通过U的第一列更新dkatom。将x R系数向量更新为V111-Bhattacharyya： Bhattacharyya是一种方法，它测量11：结束k12：迭代：; 联系我们 ;两个连续或不连续概率分布之间的相似性13：输出：D（字典），x（稀疏系数）¼ð7Þ1-12M. 巴尔斯图格兰河Ceylan/沙特国王大学学报11532222t1/2ZnI¼I¼n1在稀疏编码阶段使用OMP算法来求解方程11。OMP找到最接近问题的解决方案在等式11中，如果T0变低，则解变得更好（Tropp和Gilbert，2007）。2.4.2. 包围盒分类器AdaBoostAdaBoost是一种集成分类器方法，它通过组合弱分类器来创建强分类器。在每次迭代中，弱分类器进行分类。接着，根据弱分类器的分类误差，更新基学习器的权重。一个基本学习器包括几个弱分类器。最好的弱分类器被选为基本学习者。最后的分类结果是通过基学习器之间的权重投票。AdaBoost算法在算法2（Kégl，2009）中给出：算法21：输入训练数据集（x 1，y 1），. ，（xm，ym）; xi2X，yi2 Y ={-1，+1}D 1（1，m）=1/m初始化权重2：对于t=1，2，.. . ，T3：训练基本学习器中的uk4：获得弱分类器权重：学习器和分类器进行了训练。利用训练好的基学习器对测试集进行分类，得到了该方法的分类性能。这个过程的方案可以在图中看到。 五、算法3-DL - A d a B o o s t（K- S V D -Ad a B o o s t ） 1 ： 输 入 训 练 数 据 集 （ x 1 ，y 1 ） ， . ， （x m，y m），xi X，yi Y = {-1，+1} N：基本学习器的数量，a：模式的数量，M：稀疏表示系数矩阵2：数据集使用L2范数进行归一化3：从数据集4：通过离散余弦变换创建初始字典获得系数（w）6：对于n=1：N7：对于m = 1：M8：D（1，a）=w（1，m）。（1/a）定义权重9：使用权值10：选择具有最小误差的弱分类器作为基本精简器：[h{n}，errors]=argminhn=Pm1Diiiargminet=Pm1Dti12：如果最小分类误差大于0.5，迭代停止：t>1/2;停止迭代;结束5：基础学习者ht权重at被计算为t/1logt/ 1-et=et/16：弱分类器权重为更新：Dt1¼Dtiexp-Zatythtxi如果min（errors）> 1/2;停止迭代;结束13：基本学习者错误是计算d：en¼Py不Zt：归一化因子7：t8：输出权重投票结果为计算 ：Hx¼符号PT ða t h tðxÞÞ14：基本学习器权重an是计算：an<$1log 1-en=en15：更新弱分类器权重：Zn：归一化因子16：N17：权重投票结果为获得：Hx符号PN 一个n h nx2.5. 分类器结构在该方法中，首先生成初始字典。初始字典可以用不同的方法创建。在一些研究中，一部分数据被定义为初始词典。此外，初始字典可以随机生成，也可以使用离散余弦变换、傅立叶变换等算法生成。在这项研究中，通过离散余弦变换创建初始字典，并使用L2范数（Alg. 3 -步骤4）。通过使用训练集和初始字典，通过正交匹配追踪（OMP）算法（Tropp和Gilbert，2007）（Alg. 3 -步骤5）。在下一步中，初始的dictionary和sparse系数由K-SVD Aharon等人更新，（2006）算法。在AdaBoost算法中，弱分类器的权值被定义为“1/模式数”。更新的稀疏系数乘以初始权重，并且通过这样做，更新弱分类器权重（Alg. 3 -步骤8）。然后，完成分类过程，并获得分类误差（Alg. 3 -步骤13）。将获得的误差系数和稀疏系数相乘，并更新第一基学习器的权重（Alg. 3 -步骤14）。在AdaBoost权值更新过程中，弱分类器的权值通过基学习器权值（Alg. 2 -步骤6）。然而，在所提出的方法中，它是通过使用基本学习者权重和稀疏系数（Alg.3对所有基地进行了此过程3. 实验结果本文将AdaBoost、SVM和LDA算法相结合，分别建立了AdaBoost-LDA 、 AdaBoost-SVM 分 类 器 。 然 后 ， 由 于 所 提 出 的 方 法 ， DL-AdaBoost，DL-AdaBoost-SVM和DL-AdaBoost-LDA为了评估所提出的方法的效果，分类器对特征子集进行分类.为了公平比较，每个模式都用于训练和测试阶段，通过10倍交叉验证。 AdaBoost、SVM和LDA算法是二进制分类器，因此一对一（OAO）（Anthony等人，2007）方法进行分类。五个评价指标（灵敏度（Sen），特异性（Spe），准确性（Acc），精密度（Pre），曲线下面积（AUC）值）被用来测试所提出的分类器的性能。所有度量根据等式2计算（12-15）。灵敏度¼TP=12TP专属性<$TN=<$TN ≤ FP≤ 13μ g准确度：<$TP<$TN=<$TP <$FN<$FP<$TN 14精密度¼TP= 10 TP/10FP11：结束M如果1154M. 巴尔斯图格兰河Ceylan/沙特国王大学学报图五. DL-AdaBoost方案。通过实验找到了最佳的K-SVD参数稀疏系数的数量在3和9之间以2的增量变化。K-SVD迭代次数以10为增量在10 ~ 100之间变化。字典大小在10和50之间以5为增量进行结果表明，最佳稀疏系数数为3。对于特征子集I、II、III、V和VI，发现用于训练K-SVD的最佳迭代次数为10;最佳的字典大小被发现为10的特征子集I和V; 25的特征子集II;和30的特征子集III，IV和VI。在表4中，列出了每个实现的分类器的Sen、Spe、Acc、Pre和AUC值表4中的评价指标是通过取10倍交叉验证和OAO结果的平均值获得的。实验在PC上进行。CPU 采用Intel i7 4700HQ处理器和12 GBRAM。在实验过程中使用MATLAB软件。在表4中，突出显示的准确度值表明，所提出的权重更新过程提高了分类准确度。提出的DL-AdaBoost方法在特征子集I上表现不佳，提出的DL-AdaBoost和DL-AdaBoost- SVM算法在特征子集II上表现不佳。在所有方法和特征子集的其余部分中，提高了分类精度。如表4所示，通过所提出的DL-AdaBoost-SVM分类器结构在特征子集I和特征子集VI上获得了99.75%的最佳分类准确度。通过所提出的方法获得的结果可以看出，如图。 六、如图6所示，在集成分类器中，通过乘以稀疏系数来更新权重增加了ECG信号分类的准确性。除了DL-AdaBoost对特征子集I的实验和DL-AdaBoost、DL-AdaBoost-SVM对特征子集II的实验外，该方法在所有实验中都具有较高的准确率。表4中获得的最佳结果的计算成本见表5。FOS-DL-AdaBoost-LDA方法所需时间最短，但分类精度最低。DWT-DL-AdaBoost-SVM和Wilcoxon Test -DL-AdaBoost- SVM的分类准确率最高，为99.75%。如表5所示，DWT-DL-AdaBoost-SVM的计算成本低于Wilcoxon检验- DL-AdaBoost-SVM。因此，DWT-DLM. 巴尔斯图格兰河Ceylan/沙特国王大学学报1155表4所有子集的分类结果。特征子集评估指标DWT森SPEACC预AUCAdaBoost99,1399,1598,9696,20,99DL-AdaBoost98,0698,3198,4998,220,98AdaBoost-SVM99,3999,7999,4798,321DL-AdaBoost-SVM98,3599,9299,7599,750,99AdaBoost-LDA99,0499,8499,3599,240,99DL-AdaBoost-LDA99,0299,8499,4099,260,99一阶统计森SPEACC预AUCAdaBoost57,7466,5886,7486,790,62DL-AdaBoost50,9866,0585,2384,420,59AdaBoost-SVM97,0297,3795,9583,690,97DL-AdaBoost-SVM96,8596,5994,9382,030,97AdaBoost-LDA96,8597,2195,9282,980,97DL-AdaBoost-LDA97,9997,0796,3182,470,98t检验森SPEACC预AUCAdaBoost98,6099,4798,7098,390,99DL-AdaBoost98,5199,5598,7199,660,99AdaBoost-SVM98,5199,8798,7898,700,99DL-AdaBoost-SVM98,4199,2699,0996,960,99AdaBoost-LDA97,89100,0098,30100,000,99DL-AdaBoost-LDA97,7999,2698,5099,820,99Bhattacharyya森SPEACC预AUCAdaBoost96,9098,0797,7299,000,97DL-AdaBoost97,7299,5098,2798,550,99AdaBoost-SVM95,5898,8496,8799,540,97DL-AdaBoost-SVM96,2199,5597,2890,670,99AdaBoost-LDA94,6298,8696,2199,610,97DL-AdaBoost-LDA95,5999,5896,6599,740,98熵森SPEACC预AUCAdaBoost96,7999,8798,2098,360,98DL-AdaBoost98,5198,4198,5399,300,98AdaBoost-SVM94,0799,9596,1899,390,97DL-AdaBoost-SVM96,5699,2397,3899,730,98AdaBoost-LDA93,11100,0095,75100,000,97DL-AdaBoost-LDA95,2599,6096,5999,820,97Wilcoxon检验森SPEACC预AUCAdaBoost96,6499,5598,9999,330,98DL-AdaBoost98,2199,8199,1897,880,99AdaBoost-SVM99,2099,4799,6298,660,99DL-AdaBoost-SVM99,7499,5599,7599,611,00AdaBoost-LDA98,2399,5899,0299,240,99DL-AdaBoost-LDA98,7099,6099,0999,580,994. 结论本文的目的是研究AdaBoost和字典学习相结合，并作为混合分类器的分类精度。因此，所提出的方法进行了比较，与其他分类器。在这项研究中进行了36个不同的实验。 字典学习仅对表4中未突出显示的六个实验无效（DWT部分中的第一个实验，一阶统计部分中的前两个实验）。在另外30个实验中，字典学习提高了分类准确率。 在所有使用字典学习的实验中，分类准确率超过95%。因此，分类精度的提高似乎并不高当使用字典学习时。 在表6中，分类准确度的增量为的提出方法提出了。如表 6 所 示，DL-AdaBoost-SVM 在 特征 子 集 I 上 的最 大 增量 为0.28%。将本研究中获得的结果与表7中的文献研究进行了比较。如表7所示，所提出的方法是一种有效的方法，可以用于分类ECG信号。实验结果证明了该方法的有效性。通过应用于不同的信号分类问题，所提出的方法的性能可以推广。5. 讨论包围式分类器方法是基于“权重投票”系统的.在每个分类过程之后，正确分类的模式的权重增加;错误分类的模式的权重在权值更新过程中，通过乘以稀疏系数来更新权值，从而增加了正确分类的模式数。通过增加正确分类的模式的数量，提高了分类器的分类性能。此外，为了实现高分类性能，用良好的数据集训练系统是重要的。因此，本研究利用小波变换、模糊聚类和测试方法，形成了六个不同的特征子集建议的分类方法进行了评估，由六个不同的特征子集。根据计算成本和最高的准确度指标，最好的特征选择方法是离散小波变换。通过寻找最能代表数据集的特征子集，提高了分类性能.这些实验表明，如果一个分类器系统是由一个好的数据集训练的，它会提供更高的性能。该方法的优点是在字典学习方法中使用稀疏系数可以获得较高所提出的方法的局限性是，由于稀疏系数的数量，训练时间需要时间如果稀疏系数的数量越多，训练时间越长。1156M. 巴尔斯图格兰河Ceylan/沙特国王大学学报图六、通过（a）AdaBoost和DL-AdaBoost（b）AdaBoost-SVM和DL-AdaBoost-SVM（c）AdaBoost-LDA和DL-AdaBoost-LDA对所有特征子集的分类结果表5最佳方法的计算成本见表4。方法CPU时间（秒）已处理行DWT-DL-AdaBoost-SVM1884.9452658401FOS-100.89680766Wilcoxon检验-2918.3193732293表6当使用字典学习时，分类准确率的增加分类器AdaBoostDL-AdaBoostAdaBoost-SVMDL-AdaBoost-SVMAdaBoost-LDA DL-AdaBoost-LDA子集亚组VI子集I子集I分类准确率（%）增量（%）九十八块九毛九？99.180.1999.47？99.750.2899.35？99.400.05表7与最近的结果比较。作者年方法业绩（%）Liu等人（2016年）2017词典学习-矢量量化94.6Chen等人（2017年）2016特征提取-SVM98.46Li等人（2017）2016广义回归神经网络95Li等人（2016）2016特征提取-SVM98.65电影Raj and Ray（2017）2016混合PSO-SVM98.82Sharma and Ray（2016）2016基于RBF核的99.51Raj等（2016年）2016DOST+SVM-PSO99.18Elhaj等人（2016年）2016支持向量机-径向基函数98.91里维拉和罗德里格斯（2017）2017自适应神经模糊98.38伊兰（2018）2018K-SVD-ANN98.74Oh等人（2018年）2018CNN和LSTM的结合98.10电影Yildrim（2018）2018DBLSTM-WS99.39本研究2018字典学习-AdaBoost-SVM99.75M. 巴尔斯图格兰河Ceylan/沙特国王大学学报1157确认这项工作得到了Selcuk大学科研项目协调员的支持引用Adamo，A.，格罗西湾，加-地兰扎罗蒂河，林，J.，2015年。通过稀疏分解保留最佳自然基k系数的ECG压缩。BioMed.信号处理。控制15，11-17。Aharon，M.，Elad，M.，Bruckstein，A.，2006. K-SVD：一种设计稀疏表示的过完备字典的算法。IEEE Trans. Signal Process. 54，4311。G. Anthony，H. Gregg，M. Tshilidzi，使用SVM进行图像分类：一对一vs一对所有，arXiv预印本arXiv：0711.2914，2007。锡兰河，2018.基于字典学习的特征提取对心电信号分类的影响。Int. J. 智能系统Appl. Eng.6，40-46。锡兰河，Özbay，Y.，Karlik，B.，2014. ECG心律失常的基于2型模糊聚类的级联分类器模型的比较。BioMed.工程师：应用基础通信26，1450075。陈淑仪，华，W.，Li，Z.，李杰，高，X.，2017.利用心电信号的投影和动态特征进行心跳分类。BioMed.信号处理。对照31，165- 173。Elhaj，F.A.，Salim，N.，哈里斯，A.R.，亲爱的T. T Ahmed，T.，2016.结合ECG信号的线性和非线性特征进行心律失常识别和分类。Comput. 法程序. BioMed. 127 ，52-63.Freund，Y.，Schapire，R. E.，1997. 在线学习的决策理论推广及其在boosting中的应用。J.计算机系统科学55，119-139。Friesen，G.M.，Jannett，TC，Jadallah，文学硕士，耶茨，S. L.，Quint，S. R.，Nagle，H. T.，1990. 9种QRS波检测算法的噪声敏感性比较。 IEEE生物医学学报Eng.37，85-98.Haury，A. C.的方法，Gestraud，P.，Vert，J.- P.，2011.特征选择方法对分子标记准确性、稳定性和可解释性的影响。P L o SONE 6. e28210。https://www.physionet.org/physiobank/database/mitdb/。 2017年。黄，K.，张湖问：2014.半监督稀疏多线性鉴别分析。J.计算机Sci. Technol.29，1058-1071.B. Kégl，AdaBoost简介。 2009.Li，P.，王玉，他，J.，Wang，L.，美国，田，Y.，Zhou，T.-美国，Li，T.，李，J-美国，2017年。高-性能个性化的心跳分类模型的长期ECG信号。IEEE生物医学学报Eng.64，78-86。Li，H.，Yuan，D.，王玉，Cui，D.，曹，L. 2016.基于多域特征提取的心律失常分类在心电图识别系统中的应用。传感器16，1744。Liu，T.，是的，是的，Wen，D.，Zang，M.，朗湖，2016.基于字典学习的心搏分类VQ特征提取。专家系统Appl. 53，129-137。哦，S. L.，Ng，E.Y.，圣坦河，Acharya，U.R.，2018.使用CNN和LSTM技术结合可变长度心跳自动诊断心律失常。Comput. Biol. Med.Raj，S.，Ray，K.C.，2017.使用基于DCT的DOST和PSO优化的SVM分析ECG信号。IEEETrans.仪器Meas. 66，470-478。Raj，S.，Ray，K.C.，Shankar，O.，2016.基于DOST和粒子群优化的支持向量机的心律失常分类。Comput. 法程序. BioMed. 136，163-177。J.N. Rivera，K.C.Rodriguez，使用自适应神经模糊推理系统进行ECG分类夏尔马，P.，Ray，K.C.，2016.心电图搏动分类的有效方法。IET Signal Proc. 10，825-832。Tropp，J.A.，吉尔伯特，AC，2007.通过正交匹配追踪从随机测量中恢复信号。IEEETrans.INF. Theory 53，4655-4666.王，B.，Pineau，J.，2016.多任务学习的广义字典与提升。IJCAI，2097-2103。Yildirim，2018.一种基于深度双向LSTM网络模型的新型小波序列用于ECG信号分类。Comput.生物医学96，189-202.Yücelbas角Yucelbas，S.，Ozsen，S.，Tezel，G.，Kuccukturk，S.，Yosunkaya，S.，2016. 睡眠脑电中睡眠纺锤波的PSD检测Indian J. Sci. Technol. 9.第九条。Yücelbas， ， C. ，Yücelba ，s ， S， . ，我 是 S Tezel ， G. ， Küççü kt ürk ， S. ，Yosunkaya ，S，.，2018 年使用STFT、EMD和DWT方法自动检测睡眠纺锤波。神经元计算Appl.29，17-33.张，L.，周文D、2011.基于线性规划的加权组合稀疏集成。模式n。44，97-106.