基于聚類分析和支持向量回歸的心臟電功能成像方法研究.pdf

1、心血管疾病的高發(fā)病率，高致殘率和高死亡率已成為我國的重大公共衛(wèi)生問題。造成心臟猝死的最常見原因是心律失常（如室顫和心動(dòng)過速等），如果在心律失常之后的幾分鐘內(nèi)沒有實(shí)施除顫或心肺復(fù)蘇等措施，則將導(dǎo)致死亡。因此，對心臟疾病的早期診斷和準(zhǔn)確識(shí)別至關(guān)重要。心臟電功能成像是通過無創(chuàng)地成像心臟表面的心肌跨膜電位分布，可提供比常規(guī)心電圖分辨率更高的心電活動(dòng)信息，能反映心電興奮的細(xì)節(jié)，它對心臟疾病的預(yù)防和診斷具有重要的研究意義。
　　 基于心肌跨

2、膜電位分布的心臟電功能成像問題，可看作一個(gè)多輸入多輸出回歸估計(jì)問題，亦即對體表電位的多個(gè)輸入回歸形成心臟表面心肌跨膜電位分布的多個(gè)輸出的問題。本文主要完成工作如下:
　　 (1)通過建立有效的支持向量回歸模型，運(yùn)用于心臟電功能成像問題，利用遺傳模擬退火算法實(shí)現(xiàn)支持向量回歸中超參數(shù)的自適應(yīng)選取，以達(dá)到回歸模型最優(yōu)化的目的。研究結(jié)果表明，相比傳統(tǒng)的正則化方法（Tikhonov正則化方法，LSQR迭代正則化方法），支持向量回歸技術(shù)能夠

3、重構(gòu)更加準(zhǔn)確的心臟電活動(dòng)信息。
　　 (2)將核主成分分析(KernelPrincipalComponentAnalysis，KPCA)用于體表電位分布樣本訓(xùn)練集的特征提取，并與支持向量回歸(SVR)相結(jié)合，實(shí)現(xiàn)了核主成分分析-支持向量回歸（KPCA-SVR）用于心臟電功能成像回歸模型的建模方法。與單純的使用SVR方法相比，不僅提高了運(yùn)算速度，而且提高了回歸模型的預(yù)測準(zhǔn)確度。
　　 (3)本文利用自組織特征影射（Self

4、-OrganizingFeatureMaps，SOFM）和最大間隔聚類(MaximumMarginClustering，MMC)兩種聚類算法對支持向量回歸模型的訓(xùn)練樣本進(jìn)行預(yù)處理，將訓(xùn)練樣本集進(jìn)行聚類分析，劃分為若干個(gè)子類，針對每個(gè)子類的樣本集訓(xùn)練、構(gòu)造相應(yīng)的子類回歸模型。本文建立了基于聚類分析和支持向量回歸算法相結(jié)合的兩種混合回歸模型，即SOFM-SVR和MMC-SVR。(
　　 )研究結(jié)果表明，基于聚類分析和支持向量回歸算法