模式識(shí)別實(shí)例教學(xué)市公開課獲獎(jiǎng)?wù)n件

1、第八章 實(shí)例教學(xué)第1頁第1頁8.1 應(yīng)用統(tǒng)計(jì)決議膚色提取 8.1.1圖像基礎(chǔ)知識(shí) HSI表色模型面向彩色處理最慣用模型，符合人類視覺感受。H（Hue）色調(diào)（色相），表明物體是什么顏色。S（Saturation）飽和度，表明該種顏色濃淡。I（Intensity）亮度，與圖像彩色信息無關(guān)。RGB模型與HSI模型能夠互相轉(zhuǎn)換。第2頁第2頁8.1.2樣本獲取 原始圖像 H分量 S分量 I分量由于H分量較好區(qū)別了膚色與背景，因此選H分量圖像中像素點(diǎn)作為樣本。第3頁第3頁8.1.3樣本學(xué)習(xí) H分量 H分量二值化圖皮膚點(diǎn)數(shù)先驗(yàn)概率：P（1）=是皮膚像素點(diǎn)數(shù) / 所有像素點(diǎn)數(shù) = 7.99%非皮膚點(diǎn)數(shù)先驗(yàn)概率

2、：P（2）=不是皮膚像素點(diǎn)數(shù) / 所有像素點(diǎn)數(shù)= 92.01%（1）計(jì)算先驗(yàn)概率：圖像二值化，為1是皮膚，為0是背景。第4頁第4頁（2）計(jì)算類條件概率密度：計(jì)算H分量圖像中皮膚區(qū)域直方圖，就是皮膚類條件概率密度；計(jì)算H分量圖像中非皮膚區(qū)域直方圖，就是非皮膚類條件概率密度。 非皮膚類條件概率密度 皮膚類條件概率密度 橫坐標(biāo)是像素點(diǎn)也許灰度值（將灰度量化成了8等分），縱坐標(biāo)是相應(yīng)區(qū)域中灰度值為橫坐標(biāo)值像素點(diǎn)數(shù)。 P(x|1): 0.9855 0.0143 0 0 0 0 0 0.0002 P(x|2): 0.0790 0.7820 0.0742 0.0192 0.0199 0.0074 0.007

3、2 0.0108第5頁第5頁8.1.4模式分類 輸入下圖，用最小誤判概率準(zhǔn)則和最小損失準(zhǔn)則判決判斷每個(gè)像素點(diǎn)是否是皮膚。 待分類圖像 H分量 第6頁第6頁a)最小誤判概率準(zhǔn)則判斷每個(gè)像素點(diǎn)是否使皮膚。兩類問題Bayes最小誤判概率準(zhǔn)則為假如 ，則判，不然判，x為每個(gè)像素點(diǎn)灰度值，若該點(diǎn)屬于皮膚，置位1；若不是皮膚，置位0，得到下圖。 最小誤判概率準(zhǔn)則辨認(rèn)結(jié)果第7頁第7頁b)最小損失準(zhǔn)則 11= 0,12=10,21=1, 22=0 假如，則判，不然判。x為每個(gè)像素點(diǎn)灰度值，若該點(diǎn)屬于皮膚，置位1；若不是皮膚，置位0，得到下圖。 能夠看出最小損失準(zhǔn)則得到皮膚更完整，漏檢率下降，但是將更多非皮膚點(diǎn)

4、誤判為皮膚，虛警率增長(zhǎng)。最小損失準(zhǔn)則辨認(rèn)結(jié)果 第8頁第8頁8.2 車牌辨認(rèn) 第9頁第9頁8.2.1車牌相關(guān)知識(shí) 英文字母中I和O普通避而不用，以免和數(shù)字中1和0混淆。 車牌大小為440*140mm。中文字體為黑體，數(shù)字和字母字體為國(guó)家公安部門開發(fā)特殊字體。第10頁第10頁8.2.2 圖像采集 第11頁第11頁8.2.3車牌辨認(rèn)預(yù)處理(1)字符分割 第12頁第12頁(2)字符細(xì)化 第13頁第13頁1.特性選擇與提取（1）特性空間向量選擇 因?yàn)檐嚺浦凶帜负蛿?shù)字都有特定字體，且作為汽車“身份證”，車牌制作過程嚴(yán)謹(jǐn)，相同字符形態(tài)區(qū)分不大，他們差異性和共同點(diǎn)都很顯著?；谏瞎?jié)描述設(shè)計(jì)準(zhǔn)則，綜合考慮了提取

5、特性編程復(fù)雜度和特性對(duì)不同字符區(qū)分度，本系統(tǒng)分別從字符形態(tài)、結(jié)構(gòu)、筆畫特點(diǎn)出發(fā)，采取了4個(gè)類別共10個(gè)特性值作為判斷矢量依據(jù)（特性提取時(shí)均以細(xì)化后圖像為基礎(chǔ)）。字符重心判斷： 字符重心位于上方/下方，分別計(jì)算字符上下半?yún)^(qū)像素?cái)?shù)目，假如其差值在一個(gè)固定小范圍內(nèi)(試驗(yàn)得出此差值在0-20像素內(nèi)為最正確)，則該特性值記為2，上方偏多記為1，下方偏多記為3； 字符重心位于左方/右方，分別計(jì)算字符左右半?yún)^(qū)像素?cái)?shù)目，假如其差值在一個(gè)固定小范圍內(nèi)(試驗(yàn)得出此差值在0-20像素內(nèi)為最正確)，則該特性值記為2，左方偏多記為1，右方偏多記為3。 特定位置掃描線特性： 圖像垂直1/3處掃描線穿越線條數(shù)目； 圖像垂直

6、1/2處掃描線穿越線條數(shù)目； 圖像垂直2/3處掃描線穿越線條數(shù)目； 圖像水平1/3處掃描線穿越線條數(shù)目； 圖像水平2/3處掃描線穿越線條數(shù)目；第14頁第14頁 為了消除也許細(xì)化算法不完善影響，以上在計(jì)算穿越次數(shù)時(shí)均為0-1改變次數(shù)。 筆畫特性： 字符中“豎”數(shù)目，計(jì)算圖像在水平方向上投影，投影點(diǎn)像素?cái)?shù)目累加值超出1/3圖像高度且無超出5像素中斷，記為“豎”數(shù)目加1； 字符中“橫”數(shù)目，計(jì)算圖像在垂直方向上投影，投影點(diǎn)像素?cái)?shù)目累加值超出1/3圖像寬度且無超出5像素中斷，記為“橫”數(shù)目加1； 在實(shí)際情況中，由于車牌圖像并不總是原則，當(dāng)出現(xiàn)傾斜、幾何失真等情況時(shí)，字符中橫或豎不也許所有投影在一點(diǎn)上，

7、而是在一個(gè)小范圍內(nèi)密集分布。通過多次嘗試，結(jié)合車牌字符本身特點(diǎn)，本文將鑒定存在豎/橫筆畫門限值設(shè)為圖像高度/寬度1/3左右。 為了消除也許圖像幾何失真帶來影響，計(jì)算筆畫數(shù)目時(shí)均不重復(fù)計(jì)算20像素點(diǎn)以內(nèi)筆畫，既若該點(diǎn)存在橫/豎，則在該投影方向上向下/后移動(dòng)20像素繼續(xù)判斷。 結(jié)構(gòu)特性： 字符中存在閉合回路數(shù)目。利用遞歸實(shí)現(xiàn)區(qū)域生長(zhǎng)算法，對(duì)所有獨(dú)立連通區(qū)域進(jìn)行標(biāo)號(hào)處理，最后將連通區(qū)域個(gè)數(shù)減一(外圍背景區(qū)域也作為一個(gè)連通區(qū)域被標(biāo)號(hào)，需要在特性值中減去)記為該特性值。第15頁第15頁（2）模板數(shù)據(jù)生成考慮到車牌字符特殊性，無法使用Windows系統(tǒng)自帶普通字體來作為標(biāo)準(zhǔn)模板。我們對(duì)拍攝到車牌圖像進(jìn)行以

8、下處理，形成了標(biāo)準(zhǔn)模版數(shù)據(jù)。為了杜絕可能系統(tǒng)圖像處理缺點(diǎn)，使用PhotoShop等商用軟件將其調(diào)整為二值化圖像；為了降低系統(tǒng)縮放函數(shù)可能存在不完善對(duì)畫面失真影響，將不同字符做成140*440標(biāo)準(zhǔn)圖像，供系統(tǒng)提取特性值；使用程序中細(xì)化模塊細(xì)化圖像，并以特性提取模塊計(jì)算標(biāo)準(zhǔn)圖像特性值，將得出數(shù)據(jù)結(jié)果作為模板數(shù)據(jù)，以矩陣形式保留在template.ini文件中。 第16頁第16頁2.字符辨認(rèn)采用最小距離準(zhǔn)則進(jìn)行模板匹配辨認(rèn)。判決原則采用歐式距離最小準(zhǔn)則，計(jì)算當(dāng)前圖形特性向量與34個(gè)特性向量(除字母I和O以外所有數(shù)字和字母，共34個(gè))歐式距離，取其中最小為判決結(jié)果。于是待辨認(rèn)樣品與模板k之間歐式距離d

9、k為： 其中距離最短者為：第17頁第17頁對(duì)每一個(gè)樣品判決過程為：遍歷所有模板，計(jì)算其模板與樣品間歐式距離，取最小值作為最后判決結(jié)果。假如最短距離小于某個(gè)要求閾值，則結(jié)果為這個(gè)最小值相相應(yīng)類別；不然鑒定為無法辨認(rèn)。辨認(rèn)結(jié)果如圖所表示 在本系統(tǒng)中，使用一個(gè)識(shí)別模塊來識(shí)別當(dāng)前樣品，其算法流程圖以下圖：第18頁第18頁8.3 紙幣辨認(rèn)器 、數(shù)據(jù)采集、特性提取、訓(xùn)練學(xué)習(xí)、分類辨認(rèn)第19頁第19頁8.3.1數(shù)據(jù)采集 紙幣面額：5元，10元，20元，50元，100元第20頁第20頁8.3.2特性提取與選擇 特性提?。洪L(zhǎng)度、寬度、磁性、磁性位置，光反射亮度、光透射亮度等第21頁第21頁8.3.3訓(xùn)練學(xué)習(xí)訓(xùn)練

10、集：是一個(gè)已知樣本集，在監(jiān)督學(xué)習(xí)辦法中，用它來開發(fā)出模式分類器。圖中給出了對(duì)一個(gè)樣本進(jìn)行特性提取、分類學(xué)習(xí)過程第22頁第22頁8.3.4分類辨認(rèn)對(duì)測(cè)試集來進(jìn)行分類辨認(rèn)，擬定紙幣面額及真?zhèn)?。為了更加好地?duì)模式辨認(rèn)系統(tǒng)性能進(jìn)行評(píng)價(jià)，必須使用一組獨(dú)立于訓(xùn)練集測(cè)試集對(duì)系統(tǒng)進(jìn)行測(cè)試。圖中是對(duì)10元紙幣分類辨認(rèn)界面。第23頁第23頁8.4最近鄰辦法用于圖像拼接8.4.1圖像獲取獲取有重合區(qū)域兩幅圖像，以下圖所表示： （a） (b)第24頁第24頁8.4.2 特性提取分別在兩副圖中用SIFT算法提取特性點(diǎn)，(a)圖中特性點(diǎn)數(shù)為5793，(b)圖中特性點(diǎn)數(shù)為3199。Scale Invariant Featu

11、re Transform ，尺度不變量特性提取算法，簡(jiǎn)稱 SIFT 算法，是一個(gè)提取控制點(diǎn)特性典型算法（下列所說“要點(diǎn)”（Keypoint）是文獻(xiàn)1中提到說法， 能夠理解為控制點(diǎn)）。SIFT算法提取SIFT特性向量詳細(xì)含有下列特性：SIFT特性是圖像局部特性，其對(duì)旋轉(zhuǎn)、尺度縮放、亮度改變保持不變性，對(duì)視角改變、仿射變換、噪聲也保持一定程度穩(wěn)定；獨(dú)特性(Distinctiveness)好，信息量豐富，適合用于在海量特性數(shù)據(jù)庫中進(jìn)行快速、準(zhǔn)確匹配；多量性，即使少數(shù)幾種物體也能夠產(chǎn)生大量SIFT特性向量；高速性，經(jīng)優(yōu)化SIFT匹配算法甚至能夠達(dá)到實(shí)時(shí)要求；可擴(kuò)展性，能夠很以便與其它形式特性向量進(jìn)行聯(lián)

12、合。第25頁第25頁SIFT 算法首先在尺度空間進(jìn)行特性檢測(cè)，并擬定要點(diǎn)位置和要點(diǎn)所處尺度，然后使用要點(diǎn)鄰域梯度主方向作為該點(diǎn)方向特性，以實(shí)現(xiàn)算子對(duì)尺度和方向無關(guān)性。主要計(jì)算環(huán)節(jié)下列： 尺度空間極值檢測(cè)：搜索整個(gè)尺度和圖像位置。通過使用高斯差分函數(shù)（Difference of Gaussian）擬定對(duì)尺度和方向含有不變性興趣點(diǎn)。以初步擬定要點(diǎn)位置和所在尺度。要點(diǎn)定位：在每一個(gè)候選位置，詳細(xì)地模型擬合以擬定位置和尺度。依據(jù)穩(wěn)定性選擇要點(diǎn)。通過擬合三維二次函數(shù)以準(zhǔn)確擬定要點(diǎn)位置和尺度，同時(shí)消除低對(duì)比度要點(diǎn)和不穩(wěn)定邊沿響應(yīng)點(diǎn)(由于高斯差分算子會(huì)產(chǎn)生較強(qiáng)邊沿響應(yīng))，以增強(qiáng)匹配穩(wěn)定性、提升抗噪聲能力。第

13、26頁第26頁方向分派：每一個(gè)要點(diǎn)依據(jù)局部圖像梯度方向分派一個(gè)或多個(gè)方向。其后所有操作都依據(jù)分派方向、尺度、位置。利用要點(diǎn)鄰域像素梯度方向分布特性為每個(gè)要點(diǎn)指定方向參數(shù)，使算子具備旋轉(zhuǎn)不變性。要點(diǎn)描述符：在每個(gè)要點(diǎn)周圍在選定尺度下測(cè)量局部圖像梯度。為了增強(qiáng)匹配穩(wěn)健性，對(duì)每個(gè)要點(diǎn)使用44共16個(gè)種子點(diǎn)來描述，這樣對(duì)于一個(gè)要點(diǎn)就能夠產(chǎn)生128個(gè)數(shù)據(jù)，最后形成128維SIFT特性向量。其中第一環(huán)節(jié)里高斯差分函數(shù)是這樣定義：高斯卷積核是實(shí)現(xiàn)尺度變換唯一線性核，于是一副二維圖像尺度空間定義為： 其中 是尺度可變高斯函數(shù)， （x，y）是空間坐標(biāo)，是尺度坐標(biāo)。第27頁第27頁為了有效在尺度空間檢測(cè)到穩(wěn)定關(guān)鍵

14、點(diǎn)，提出了高斯差分尺度空間（DOG scale-space）。利用不同尺度高斯差分核與圖像卷積生成。以上就是高斯差分函數(shù)計(jì)算式。高斯差分函數(shù)（Difference of Gaussian）計(jì)算比較簡(jiǎn)樸，是尺度歸一化拉普拉斯-高斯算子近似。圖像經(jīng)過高斯差分算子計(jì)算，能夠像用Sobel 算子計(jì)算時(shí)一樣，提取局部極值點(diǎn)作為控制點(diǎn)。下面用下圖形象地描述SIFT 算法中第三步和第四步過程。第28頁第28頁SIFT算法形象表示圖 如圖所表示，在控制點(diǎn)（左圖中心點(diǎn)）周圍88鄰域內(nèi)，每個(gè)點(diǎn)梯度大小和方向均為已知，中央點(diǎn)為當(dāng)前控制點(diǎn)位置，每個(gè)小方格代表控制點(diǎn)鄰域所在尺度空間一個(gè)像素，箭頭方向代表該像素梯度方向，

15、箭頭長(zhǎng)度代表梯度模值（注：實(shí)際應(yīng)用中，中心點(diǎn)也是像素點(diǎn)，因此可將左圖中靠近中心四個(gè)像素點(diǎn)選出一個(gè)作為中心點(diǎn)）。然后依據(jù)像素點(diǎn)和中心點(diǎn)遠(yuǎn)近距離來進(jìn)行高斯函數(shù)加權(quán)，左圖圓圈表示高斯函數(shù)加權(quán)范圍。第29頁第29頁 加權(quán)辦法下列：對(duì)圓圈內(nèi)每個(gè)像素點(diǎn)相應(yīng)梯度，令其方向不變，使其梯度模值乘以加權(quán)系數(shù)。其中用來擬定高斯函數(shù)加權(quán)范圍，是由于 因此在上圖中，能夠近似，即。其中和是所考察像素點(diǎn)與中心點(diǎn)X方向和Y方向坐標(biāo)差值。加權(quán)完畢后，將88鄰域分塊進(jìn)行梯度直方圖統(tǒng)計(jì)。梯度直方圖統(tǒng)計(jì)辦法下列：如左圖所表示粗線將鄰域分成4塊，每一塊里都含有16個(gè)像素點(diǎn)。接下來給定梯度8個(gè)方向，如右圖所表示，將左圖每一塊里各個(gè)像素點(diǎn)

16、所相應(yīng)梯度，歸類到8個(gè)給定方向。再將歸為一類梯度模值求和，就得到如右圖所表示8個(gè)方向長(zhǎng)短不一梯度直方圖了。如此進(jìn)行得到控制點(diǎn)周圍4個(gè)梯度直方圖，將這4個(gè)直方圖化為向量，再將其首尾相連，就成為控制點(diǎn)32位SIFT特性向量。以上就是SIFT 算法大體思緒。這種鄰域方向性信息聯(lián)合思想增強(qiáng)了算法抗噪聲能力，同時(shí)對(duì)于含有定位誤差特性匹配也提供了較好容錯(cuò)性。第30頁第30頁8.4.3 特性匹配 對(duì)圖(a)中5793個(gè)點(diǎn)，依次用最近鄰方法K-NN算法，在圖(b)中3199個(gè)點(diǎn)中尋找與(a)每個(gè)點(diǎn)最正確配對(duì)點(diǎn)，即屬于同一類點(diǎn)，沒有匹配上點(diǎn)刪除。試驗(yàn)結(jié)果為找到了56對(duì)匹配點(diǎn)，以下圖所表示。第31頁第31頁8.4

17、.4 圖像拼接通過56對(duì)匹配點(diǎn)，將兩幅圖像拼接成下圖。第32頁第32頁8.5從紅外圖像序列中辨認(rèn)目的、跑步人辨認(rèn)、船只辨認(rèn)、車輛辨認(rèn)第33頁第33頁8.5.1 跑步人辨認(rèn)紅外圖像序列是由ECCO ENGNEERING CO.生產(chǎn)FLIR攝像機(jī)采集。監(jiān)視狀態(tài)下視場(chǎng)角為2013.3度，分辨率800線 450線，幀頻30 Hz。檢測(cè)算法中運(yùn)動(dòng)強(qiáng)度系數(shù)取4，位移系數(shù)取10。在視場(chǎng)中能否檢測(cè)出運(yùn)動(dòng)目的，與目的距離、運(yùn)動(dòng)速度和目的面積密切相關(guān)。在一定距離上能檢測(cè)目的運(yùn)動(dòng)速度和大小也有一個(gè)擬定范圍。測(cè)試結(jié)果下列：第34頁第34頁8.5.2 船只辨認(rèn) 船只在海面上行駛時(shí)，海水、船只和天空在紅外圖像中特性各不同

18、，海水溫度較低，灰度值較低，天空次之，灰度較高，船只溫度最高，灰度最亮，因此在理想情況下，只要從紅外圖像中檢測(cè)出最亮部分即可識(shí)別船只。然而，在實(shí)際圖像中，海水、天空和船只在紅外圖像中灰度并不是均一，而是受強(qiáng)烈噪聲干擾，噪聲方差已達(dá)到幾十個(gè)灰度級(jí)，因此簡(jiǎn)樸門限分割是不可能處理問題，整個(gè)問題關(guān)鍵是怎樣從強(qiáng)噪聲環(huán)境中檢測(cè)出分割門限。第35頁第35頁下面我們來分析問題數(shù)學(xué)模型：我們把噪聲視為高斯分布，設(shè)海水、天空和船只平均灰度分別為，相應(yīng)方差為它們?cè)谡麄€(gè)圖像所占面積百分比為則圖像灰度分布概率密度函數(shù) 若依據(jù)輸入圖像灰度直方圖得到灰度分布概率密度函數(shù)，能夠依據(jù)貝葉斯準(zhǔn)則得到海水、船只和天空之間分割門限。

19、紅外圖像船只識(shí)別系統(tǒng)界面以下圖所表示：第36頁第36頁8.5.3 車輛辨認(rèn)由紅外傳感器所獲取運(yùn)動(dòng)車輛圖像序列，具有強(qiáng)噪聲、目的邊沿模糊以及同一目的由于溫度分布不均勻造成目的內(nèi)部灰度變化劇烈等特點(diǎn)，這些特點(diǎn)使得許多常規(guī)圖像分析和處理辦法失效或效果不佳。另一方面，由于傳感器與目的之間距離較近，運(yùn)動(dòng)目的在序列各幅圖像中姿態(tài)變化比較劇烈，這也對(duì)目的檢測(cè)辨認(rèn)和跟蹤工作提出了挑戰(zhàn)。我們從運(yùn)動(dòng)目的檢測(cè)和跟蹤兩方面著手，解決了在紅外圖像序列中車輛捕獲及其姿態(tài)鑒定問題。第37頁第37頁上面4幅圖像是我們從序列中抽取出來反應(yīng)車輛在行駛過程中不同姿態(tài)： 本系統(tǒng)能夠從序列任意時(shí)刻開始進(jìn)行運(yùn)動(dòng)目標(biāo)檢測(cè)和跟蹤，準(zhǔn)確地匯報(bào)

20、目標(biāo)位置和姿態(tài)，而且在傳感器指向發(fā)生切換時(shí)，系統(tǒng)能夠及時(shí)停止跟蹤，自動(dòng)完成目標(biāo)重新檢測(cè)識(shí)別，然后繼續(xù)進(jìn)行跟蹤，對(duì)應(yīng)測(cè)試結(jié)果以下： 第38頁第38頁8.6心電圖自動(dòng)診斷、心電自動(dòng)診斷簡(jiǎn)介、預(yù)處理、特性提取與選擇、心臟病診斷第39頁第39頁8.6.1 心電自動(dòng)診斷簡(jiǎn)介 心臟病是威脅人類生命主要疾病之一，長(zhǎng)期以來，對(duì)心臟病研究始終是醫(yī)學(xué)界主要課題。人體心電圖(Electrocardiograph，ECG，如圖1所表示) 作為心臟電活動(dòng)在體表綜合表現(xiàn)，蘊(yùn)涵著豐富反應(yīng)心臟節(jié)律及其電傳導(dǎo)生理和病理信息，在一定程度上能夠客觀反應(yīng)心臟各部位生理情況，是診斷心臟疾病、評(píng)價(jià)心臟功效主要依據(jù)之一，尤其對(duì)于各種心律失

21、常和傳導(dǎo)障礙診斷分析含有重大診斷價(jià)值，是當(dāng)前分析與判別各種心律失常最準(zhǔn)確辦法。第40頁第40頁圖1 正常典型心電波形圖第41頁第41頁因?yàn)椴B(tài)心電圖種類繁多、變異極大，同種病理不同患者心電圖、甚至同一患者不同時(shí)刻心電圖都存在著較大差異；若醫(yī)師長(zhǎng)久從事大量圖形識(shí)別工作，極易疲勞，容易漏檢、犯錯(cuò)。而且，人工進(jìn)行心電信號(hào)分析都是事后分析，分析速度達(dá)不到準(zhǔn)實(shí)時(shí)性要求。為了把醫(yī)師從繁瑣圖形識(shí)別工作中解脫出來，將精力集中在異常心電波形識(shí)別和判斷上，從而提升醫(yī)療診療效率、縮短診療時(shí)間，研究心電圖計(jì)算機(jī)輔助分析算法，開發(fā)出一個(gè)功效強(qiáng)大心電信號(hào)自動(dòng)分析系統(tǒng)，尤其是能夠準(zhǔn)確、快速地對(duì)心律失常病類進(jìn)行判別系統(tǒng)，近年

22、來越來越受到醫(yī)務(wù)人員和科技人員重視。心電信號(hào)自動(dòng)分析是指在采集到ECG信號(hào)基礎(chǔ)上，經(jīng)過對(duì)其處理提取表征心臟狀態(tài)波形信息和特性參數(shù)，獲取心臟工作狀態(tài)相關(guān)信息，然后利用這些特性信息分析、判別心電信號(hào)類型及所對(duì)應(yīng)疾病類型或健康水平，進(jìn)而對(duì)心臟狀態(tài)和健康情況進(jìn)行預(yù)測(cè)。整個(gè)心電信號(hào)自動(dòng)分析流程如圖2所表示。ECG預(yù)處理特性提取與選擇波形分類疾病診斷結(jié)果圖2 心電信號(hào)自動(dòng)分析流程圖由圖2可知，心電信號(hào)自動(dòng)分析研究?jī)?nèi)容包括下列四個(gè)主要方面：一是心電 信號(hào)預(yù)處理技術(shù)研究；二是波形檢測(cè)與特性點(diǎn)定位算法研究；三是心電 特性提取與選擇辦法研究；四是心電波形自動(dòng)分類與疾病診斷辦法研究。 第42頁第42頁8.6.2 預(yù)

23、處理 臨床采集心電信號(hào)，尤其是動(dòng)態(tài)心電信號(hào)，因?yàn)槭茉囌咚诃h(huán)境、運(yùn)動(dòng)量和活動(dòng)猛烈程度不同，系統(tǒng)所采集ECG質(zhì)量也不同。心電信號(hào)是mV級(jí)微弱信號(hào)，在采集過程中，受人體運(yùn)動(dòng)、采集儀器、電磁環(huán)境等影響，不可避免地會(huì)引入許多噪聲干擾，這些噪聲主要有以下幾個(gè)表現(xiàn)形式：工頻干擾，基線漂移，肌電干擾，電極接觸噪聲，運(yùn)動(dòng)偽跡等。起源于心臟以外這些噪聲信號(hào)以加性或乘性方式與心電信號(hào)相混雜，會(huì)引發(fā)ECG信號(hào)各種畸變，給準(zhǔn)確檢測(cè)和判斷ECG信號(hào)帶來極大困難。在以上各種噪聲干擾中，工頻干擾和基線漂移是最為普遍，也是心電信號(hào)預(yù)處理中必須首要考慮對(duì)其消除或有效克制主要噪聲成份。第43頁第43頁小波濾波結(jié)果：圖3 ECG信

24、號(hào)小波閾值濾波結(jié)果(a)含高頻噪聲心電信號(hào)及其小波濾波結(jié)果(b)含基線漂移心電信號(hào)及其小波濾波結(jié)果第44頁第44頁形態(tài)學(xué)濾波結(jié)果： 圖4 數(shù)學(xué)形態(tài)學(xué)濾波器對(duì)ECG信號(hào)濾波結(jié)果(a)含高頻噪聲ECG信號(hào)及其濾波結(jié)果 (b)含基線漂移干擾ECG信號(hào)及其濾波結(jié)果第45頁第45頁8.6.3 特性提取與選擇 圖5 特性檢測(cè)界面第46頁第46頁均值方差均值方差均值方差均值方差均值方差N-類型0.75590.05350.75910.06020.04050.00991.24850.15941.40260.1690R-類型0.70520.03790.70450.04280.03920.00771.26380.1

25、1032.27150.1719A-類型0.58720.22070.53570.17820.03500.00740.92700.72401.66370.4228E-類型1.00250.14570.99180.15080.02970.00940.80580.15611.14890.1655表1 時(shí)域特性參數(shù)均值和方差統(tǒng)計(jì)結(jié)果第47頁第47頁圖6 不同類型心電信號(hào)在小波系數(shù)分布上差異第48頁第48頁 媽媽新開了個(gè)淘寶店，歡迎前來捧場(chǎng) 媽媽淘寶點(diǎn)開了快六個(gè)月了，主要賣是毛絨玩具、坐墊、抱枕之類，但生意始終不是較好，感覺媽媽還是很專心，花了不少功夫，但是就是沒有些人氣，因此我也來出自己一份力，幫忙宣傳一

26、下。 并且媽媽總是去五亭龍?zhí)糇詈猛婢哒怼l(fā)貨，質(zhì)量絕對(duì)有確保。 另外我家就在揚(yáng)州五亭龍玩具城旁邊，貨源豐富，質(zhì)量可靠，價(jià)格廉價(jià)。 歡迎大家來逛逛【揚(yáng)州五亭龍玩具總動(dòng)員】99個(gè)人小廣告：第49頁第49頁原始QRS波形二階累積量三階累積量四階累積量最大幅度方差最大幅度方差最大幅度方差最大幅度方差N-類型14270.0126225000.00425.32641060.00521.17431090.0063V-類型15240.0194783810.00381.13911070.02965.13881090.0095A-類型13110.0151233010.01172.94131060.02611.02061090.0157表2 三類ECG信號(hào)QRS波形及其高階累積量特性信息統(tǒng)計(jì)表第50頁第50頁圖7 特性提取結(jié)果顯示界面第51頁第51頁8.6.4 心臟病診斷 圖8 心臟病智能診斷專家系統(tǒng)界面圖9 診斷結(jié)果解釋闡明第52頁第52頁類型訓(xùn)練樣本集1測(cè)試樣本集1全體樣本集樣本數(shù)錯(cuò)檢數(shù)錯(cuò)檢率(%)樣本數(shù)錯(cuò)檢數(shù)錯(cuò)檢率(%)樣本數(shù)錯(cuò)檢數(shù)錯(cuò)檢率(%)誤判漏判誤判漏判誤判漏判N6242000.0062422230.407489834570.12L807000.00807220.5080645350.