paper-reading 2 ECG beat classification using PCA, LDA, ICA and Discrete Wavelet Transform

使用pca lda ica和离散小波变换进行心拍分类

这篇直接看图 解释性更高
摘要：
AAMI标准
降维方法：pca lda ica
自动诊断：svm nn pnn
传播值0.03的ica与pnn结合效果最好

介绍：
先前的测试发现，ECG时域信号的主成分和心拍离散变换的小波系数，小波更能反映信号在时域上的变化。故选用小波。
方法：心拍用作离散小波变换，降维方法pca,lda,ica分别作用于小波特征，再用nn,svm,pnn做自动分类。

材料：
mit数据库 aami标准

方法：
1.离散小波变换 去噪
db6小波 9级分解 心电图在45hz后信号量不大，所以不采用第一层和第二层的细节系数，3-9层细节系数（其余子带用0代替）进行小波逆变换 得到去噪的心电信号【19】
用Pantompkins算法进行R峰检测，采样前99+R峰+后100 共200个样本，用Mayer（dmey）小波做特征提取，四级分解，第四级的近似子带0-11.25hz，第四级的细节系数11.25-22.5hz,这两个子波段分别用于pca,lda,ica降维

2.pca
计算pca分量包括计算数据的协方差矩阵，数据的特征值求解，按特征值递减顺序对特征向量进行排序，最后将数据投影在数据矩阵和已排序的特征向量的内积上。
step1: C = (X − x¯)(X − x¯)T  
x是200维小波系数矩阵 x¯是x的平均分量 n为样本量总数 
计算协方差矩阵
step2:  V−1CV = D
V为特征向量 D为特征值 
step3: 将V中特征向量按D中特征值的降序排列，将数据投影
Projected data = [VT(X − x¯)T]T
最后取12个特征（每个子带6个）用作后续分类

3.lda
选取6个LDA系数。

4.ica
非线性降维 对两个dwt子带分别采用ica 每个子带取6个ica因子，最后取12个特征。

5.NN
输入层12个单元 对应12个特征
隐藏层10个神经元 经过多次实验不同数量的隐藏层单元 10层最佳
输出层5个神经元 对应5种分类
采用误差反向传播方法对权值更新，计算期望与实际之间的均方误差（MSE），基于这个误差，更新权重，直到MSE低于阈值0.0001

6.svm
最小儿乘支持向量机【30】

7.pnn

8.结果
10倍交叉验证

1.pca的12个特征分别放在nn,svm,pnn上发现线性核的svm灵敏度低，rbf核的灵敏度最高，pnn和nn差不多。特异性上线性核最低，pnn最高，nn接近pnn的特异性，准确性上pnn最高，线性核最低，nn接近pnn的准确度。

2.lda特征中 RBF具有最高的灵敏度 特异性nn最高 pnn紧随其后 
准确率上 nn和pnn几乎一致 （介绍pnn传播范围）

3.ica特征效果如图

实现上 使用matlab2012a 所有方法包括dwt去噪 pca ica lda都用的是matlab的自定义软件 为了实现ica 在matlab中安装了 fastica工具箱

讨论：
心电信号的复杂性在变换域比传统时域更加明显，离散小波的稀疏性可以让它的系数中包含更多的信息 再用降维让小波系数里的信息紧凑。。。。。

[30] J.A.K. Suykens, J. Vandewalle, Least square support vector machine classifiers, Neural Processing Letters 9 (1999) 293–300.