基于ARMA模型的心电聚类算法
合肥工业大学管理学院, 合肥 230009
ECG Clustering Algorithm Based on ARMA
College of Management, Hefei University of Technology, Hefei, Anhui Province 230009, China
摘要 对心电信号（ECG）这种高维的时间序列进行聚类，最重要的方面之一即进行特征提取。本研究提出利用自回归和移动平均（ARMA）模型拟合ECG信号，以拟合系数的欧氏距离为结构不相似测度征进行聚类。但此方法没有考虑样本数据的各维特征对聚类的不同贡献率，所以本文提出可以把首次聚类每维特征在聚类中的贡献率作为其权值，对每维数据加权后重新进行聚类。以MIT-BIH标准数据库中的正常窦性心率（NSR）和心室早期收缩（PVC）样本数据进行聚类分析，结果表明利用改进后的方法进行聚类的准确度达到93.10%，从而证明了所提方法的有效性。
关键词 ：
聚类 ,
ARMA模型 ,
特征提取 ,
权重确定 ,
ECG信号
Abstract ：Feature extraction was one of the important parts in electrocardiogram (ECG) clustering. In this article, a simple autoregressive-moving average (ARMA) was applied to fit the ECG. we used the fitting coefficients'Euclidean Distance as dissimilarity to cluster ECG. However contribution of each dimension feature of data sample to the clustering was not considered in that algorithm. Therefore, we further took the contribution which was obtained by the firstly clustering as the weight of each dimension feature. After each dimension coefficient was weighted, we clustered these data again. The PVC and NSR data obtained from MIT-BIH Arrhythmia Database, was used for experimentation. The results showed that cluster precision reached to 93.10%, which proved effectiveness of the proposed method.
Key words ：
clustering
auto-regressive and moving average(ARMA) model
feature extraction
weight definition
electrocardiogram (ECG)
基金资助: 国家自然科学基金(70801025)
［1］Yeh YunChi, Chiou CheWun, Lin HongJhih. Analyzing ECG for cardiac arrhythmia using cluster analysis ［J］. Expert Systems with Applications, 2012, 39(1): 1000-1010.
[1]
支联合1* 周文刚2 谭素敏3 . 基于多尺度特征提取的t检验方法分析fMRI数据
[2]
肖志涛1 赵北方1 张芳1* 耿磊1 吴骏1 基于k均值聚类和自适应模板匹配的眼底出血点检测方法 [J]. 中国生物医学工程学报, 2015, 34(3): 264-271.
[3]
龚敬1 王丽嘉1 王远军1 孙希文2 聂生东. 基于灰度积分投影与模糊C均值聚类的肺实质分割
[4]
俞刚1 郑焜1* 叶盛2 . 基于模糊C均值聚类的儿科机械通气撤机时机研究
[5]
柯尔挺1 厉力华1* 刘伟1 徐伟栋1 . 基于视觉感知信息的乳腺钼靶肿块检测分析与自动提取
[6]
张小飞 陶凌 邓娟 龙伟* . 基于希尔伯特-黄变换的白细胞信号分
[7]
谢平1 陈晓玲1 苏玉萍2 梁振虎1 李小俚1* . 基于EMD-多尺度熵和ELM 的运动想象脑电特征提取和模式识别
[8]
高云园* 高发荣 罗志增. 融合生物运动信息的上肢运动功能康复诊断方法研究
[9]
江依法1 周青2* 叶含笑1 刘师少1 王海舜1 . 基于扩散模型的心电信号基线漂移去除法
[10]
李真真* 吴效明. 基于分数阶Hilbert 变换二维纹理特征的罗音检测算法
[11]
任玉强1 李丽 杨合龙1 祝磊<. 运用近邻传播聚类分析进行SELDI-TOF蛋白质谱特征选择
[12]
支联合1* 谭素敏2 杨建国3 . 基于小波包变换的特征提取方法分析fMRI数据
[13]
王金甲* 胡备. 脑机接口的广义核线性判别分析方法研究
