跳到主要內容

臺灣博碩士論文加值系統

(44.200.194.255) 您好!臺灣時間:2024/07/24 04:07
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果 :::

詳目顯示

我願授權國圖
: 
twitterline
研究生:葉琮銘
研究生(外文):YEH, TUNG-MING
論文名稱:週期性時間序列分群並應用於心電圖分析
論文名稱(外文):A nonparametric model for clustering ECG data
指導教授:林財川林財川引用關係
指導教授(外文):Tsair-chuan Lin
學位類別:碩士
校院名稱:國立臺北大學
系所名稱:統計學系
學門:數學及統計學門
學類:統計學類
論文種類:學術論文
論文出版年:2008
畢業學年度:96
語文別:中文
論文頁數:88
中文關鍵詞:週期性時間序列模型基礎分群非參數模型心電圖
外文關鍵詞:periodic time seriesmodel-based clusteringnonparametric modelsECG
相關次數:
  • 被引用被引用:0
  • 點閱點閱:467
  • 評分評分:
  • 下載下載:0
  • 收藏至我的研究室書目清單書目收藏:2
時間序列資料普遍地存在日常生活中,而時間序列資料本身兼有隨著時間週而復始的週期特性時,又可將其細分為週期性時間序列。舉例來說,人類晝夜節律基因、人體的體溫以及心電圖。近期在週期性時間序列資料分群研究上有越來越廣泛的趨勢。為克服參數化模型在線性、定態及對稱資料上使用的限制,本論文決定從非參數函數週期模型的角度出發。透過非參數函數週期模型的序列特徵萃取的特性來進行週期性序列的分群。
本文,主要針對心電圖週期性時間序列資料進行研究及剖析。就心電圖資料來說,其是由許多單一週期的心電圖所組成,而單一週期心電圖又可視作幾個特定的波形所組成,而且各個波形都有其對應上的特徵,這些特徵又是做為心律不整判斷上的依據。因此本篇論文企圖建立心電圖各個波形總和的模型,並希望透過模型的結果來表達波形的特徵,進而利用這些特徵來進行各單一週期心電圖的病症分群。過程之中,由於心電圖的波形相加效應以及波形結構的非對稱性,因此利用非參數估計中之廣義可加性模型和非參數函數週期模型,把單一循環週期下心電圖資料藉心電圖可加模型來表示。
根據模型能有效萃取波形特徵的特性,可將單一循環週期下心電圖各特徵波形的平均、振幅與相位潛在訊息估計出來。透過兩種以參數估計為基礎的分群方法,分別是參數差異性檢定分群方法以及參數距離分群方法,將不同標的心電圖序列資料予以分群。在 MIT-BIH 心律不整資料庫編號 201 心電圖記錄資料實證應用上,將 25 筆單一週期心電圖資料分為 5 群的分群相似度可達 0.757215,顯示所提出的分群方法具有一定的分群能力。
Time series data generally exists in daily life. When time series data have the periodic that goes round and begins again along with time, can subdivide into it again periodic for time sequence. Give examples to say, human circadian rhythms gene and body temperature and electrocardiogram. In the near future at clustering periodic time series data study up have more and more extensive trend. For overcoming parameter model the restriction of usage is on the linearly and stationary and symmetry data. The paper decides to set out from the angle of the nonparametric function periodic model.
This text mainly aims at the data of the electrocardiogram periodic time series to carry on research and analysis. In regard to electrocardiogram data, it by many single electrocardiograms of period constitute, and single period electrocardiogram can see to make a few particular wave forms to constitute again, and each wave forms all have its characteristic in shoulding ascend, these characteristic again is be used as arrhythmias judgment up of basis. Therefore this paper attempt to build up the model of the electrocardiogram each waveform total, and hope to express a characteristic of form through the result of model, Then make use of these characteristics to carry on the disease of each single period electrocardiogram for clustering. Process in, because the wave of the electrocardiogram form mutually adds an effect and wave form structure not symmetry. Therefore make use of nonparametric estimate in of the general additive model and the nonparametric function period model. We can indicate single circulation period electrocardiogram data model with ECG addive model.
According to the model, we can effectively extract a characteristic of waveform, and can single circulation period descend each characteristic of electrocardiogram waveform of mean, amplitude and phase the latent message estimate come out. Through two kinds of parameter-estimate-based clustering the method is the parameter differences test clustering method and parameter distance clustering method, give different object electrocardiogram series data clustering. Applied in 201 electrocardiogram record data from MIT-BIH arrhythmias database, 25 single period electrocardiogram data be divided into 5 clusters, and similarity can reach to 0.757215. Show put forth of the clustering method has certain centses ability.
目 錄
第一章 緒論 1
第一節 研究背景介紹 1
第二節 研究目的 2
第三節 論文架構 3
第二章 心電圖與其前處理介紹 4
第一節 心電圖與MIT-BIH心律不整資料庫介紹 4
第二節 消除心電圖訊號的基線飄移 13
第三節 利用斜率法找出R波尖點的位置 14
第四節 單一週期心電圖取樣 15
第三章 文獻回顧 17
第一節 相互距離測度分群法 17
第二節 隱藏式馬可夫模型分群法 18
第三節 自我迴歸模型分群法 19
第四節 Gamma訊號模型分群法 21
第五節 類神經網路分類法 22
第六節 非參數模型分群法 24
第四章 基本理論 28
第一節 非參數模型的基本理論 28
第二節 非參數模型平滑函數 28
第三節 平滑參數選取 31
第四節 非參數可加性模型 31
第五節 立方平滑樣條模型 33
第六節 再生核希爾伯特空間 34
第七節 平滑樣條迴歸模型 37
第五章 研究方法 41
第一節 心電圖可加模型的基本架構 41
第二節 平滑函數配適 44
第三節 最適模型選取 46
第四節 心電圖可加模型分群方法 48
第六章 實際資料分析 53
第一節 資料介紹 53
第二節 資料分析 54
第七章 結論 60
參考文獻 61
附錄 程式碼 64


表 目 錄
表 2.1:各特徵波尖點相對應R波尖點的時間點位置 15
表 2.2:單一週期心電圖起點與終點的取樣參考時間點 16
表 3.1:有關心電圖分群分類的相關研究整理 25
表 6.1:各註解的波形個數統計 53
表 6.2:針對選取最適平滑函數組合所作的BRUTO過程 55
表 6.3:針對各函數作顯著性檢定的結果 56
表 6.4:最適模型參數估計結果 57
表 6.5:5群心電圖資料分群相似度結果 57
表 6.6:正常與不正常兩類資料分群相似度結果 58


圖 目 錄
圖 2.1:心電圖的組成 4
圖 2.2:心臟收縮與舒張的電流傳導過程分解圖 6
圖 2.3:MIT-BIH心律不整資料庫中,編號100的心電圖訊號圖 8
圖 2.4:正常心搏範例圖 (編號101) 8
圖 2.5:左分枝束阻斷範例圖 (編號207) 9
圖 2.6:右分枝束阻斷範例圖 (編號118) 9
圖 2.7:心房期外收縮範例圖 (編號209) 10
圖 2.8:變形的心房期外收縮範例圖 (編號201) 10
圖 2.9:心室期外收縮心搏範例圖 (編號200) 10
圖 2.10:心室融合心搏範例圖 (編號213) 11
圖 2.11:房室交界跳脫心搏範例圖 (編號201) 11
圖 2.12:心室跳脫心搏範例圖 (編號207) 12
圖 2.13:Paced Beat範例圖 (編號107) 12
圖 2.14:Fusion of Paced and Normal Beat範例圖 (編號104) 12
圖 2.15:(a)濾波前與(b)濾波後的差異圖 14
圖 2.16:(a)註解與(b)斜率法在定位點上的差異圖 15
圖 2.17:取樣參考點標記圖 16
圖 3.1:MLP NNs的一般結構 23
圖 6.1:平滑函數配適的結果 55
呂嘉陞 (2008)。 “心電圖必備” 合記出版社。

林東宏 (2004)。 “利用心電圖波形相關係數輔助心律不整檢測” 私立逢甲大學自動控制研究所碩士論文。

黃筱芸 (2005)。 “非定態時間序列資料的非參數估計集群方法” 國立台北大學統計研究所碩士論文。

黃嵩博 (2007)。 “利用MARS於非參數時間模型分群之研究” 國立台北大學統計研究所碩士論文。

楊銘燿、徐良育、胡威志、張恆雄、高材 (1997)。 “利用小波轉換與類神經網路進行心電圖特徵擷取與病症分類” 中華醫學工程期刊第 17 卷第四期,第 265-266 頁。

楊正榮 (2004)。 “以小波轉換為基礎的QRS波偵測方法” 國立中山大學機械與機電工程研究所碩士論文。

羅建勝 (2006)。 “利用後驗機率於非參數時間模型分群之研究” 國立台北大學統計研究所碩士論文。

Ceylan, R. and Y. Özbay (2007), “Comparison of FCM, PCA and WT techniques for classification ECG arrhythmias using artificial neural network,” Expert Systems with Applications;33:286-295.

Cleveland, W.S. (1979), “Robust locally-weighted regression and smoothing scatterplots,” J.Am. Statist. Assoc;74:829-836.

Clifford, G.D., A. Shoeb, P.E. McSharry and B.A. Janz (2005), “Model-based filtering, compression and classification of the ECG,” International Journal of Bioelectromagnetism;7(1): 158-161.

Craven P. and G. Wahba (1979), “Smoothing noisy data with spline functions: estimating the correct degree of smoothing by the method of generalized cross-validation,” Numer. Math;31:377-403.

De Boor, C. (1978), “A Practical Guide to Splines,” Springer.

Dempster, A.P., N. Laird, and D.B. Rubin (1976), “Maximum likelihood estimation from incomplete data using the EM algorithm (with discussion),” J. Roy. Statist. Soc. Series B;39:1–38.

Dokur, Z. and T. Olmez (2001), “ECG beat classification by a hybrid neural network,” Comp Meth Prog Biomed;66:167-181.

Engin, M., M. Fedakar, E.Z. Engin and M. Korürek, “Feature measurements of ECG beats based on statistical classifiers,” Measurement;40(9-10):904-912.

Gavrilov, M., D. Anguelov, P. Indyk, and R. Motwani (2000), “Mining the stock market: Which measure is best?” In Proc. of the KDD;487–496.

Hastie, T. J. and R. J. Tibshirnai (1990). “Generalized Additive Models,” London:Chapman and Hall.

Hu, Y.Z., S. Palreddy and W.J. Tompkins (1997), ”A patient-adaptable ECG beat classifier using a mixture of experts approach,” IEEE Trans Biomed Eng;44:891-900.

Hughes, N.P., L. Tarassenko and S.J. Roberts (2004), “Markov Models for Automated ECG Interval Analysis,” In Advances in NeuralInformation Processing Systems;16.

Kalpakis, K., D. Gada, and V. Puttagunta (2001), “Distance Measures for Effective Clustering of ARIMA Time-Series,” In proc. Of the IEEE ICDM; 273-280.

Lawton, W. H., E. A. Sylvestre and M. S. Maggio (1972), “Self Modeling Nonlinear Regression,” Technometrics;14(3):513-532.

Lin, Z., Y. Ge and G. Tao (2005), “Algorithm for Clustering Analysis of ECG Data,” IEEE; 27:3857-3860.

Luan, Y. and H. Li (2003). “Clustering of time-course gene expression data using a mixed-effects model with B-splines,” Bioinformatics;19(4):474-482.

Luan, Y. and H. Li (2004). “Model-based methods for identifying periodically regulated genes based on the time course microarray gene expression data,” Bioinformatics;20:332–339.

McSharry, P.E., G.D. Clifford and L. Tarassenko (2003), “A dynamical model for generating synthetic electrocardiogram signals,” IEEE Trans Biomed Eng;50(3):289–294.

Rabiner, L.R. (1989). “A tutorial on hidden Markov models and selected applications in speech recognition,” Proc. of the IEEE;77(2):257-286.

Rice, J. and C. Wu (2001), “Nonparametric mixed effects models for unequally sampled noisy curves,” Biometrics;57:253-259.

Shahram, M. and K. Nayebi (2001), “Classification of multichannel ECG signals using a cross-distance analysis,” Engineering in Medicine and Biology Society;23:25-28.

Tsoi, A.C., S. Zhang, and M. Hagenbuchner (2005), “Pattern discovery on Australian medical claim data - a systematic approach,” Knowledge and Data Engineering, IEEE ;17(10): 1420-1435.

Wahba, G. (1990), “Spline models for observational data,” CBMS-NSF Regional Conference Series in Applied Mathematrics;59: Philadelphia.

Wang, Y. and M.B. Brown (1996), “A flexible model for human circadian rhythms,” Biometrics;52:588-596.

Xiong, Y. and D.Y. Yeung (2004), “Time series clustering with ARMA mixtures,” Pattern Recognition;37(8):1675-1689.
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top