使用基于熵的自适应降维和聚类功能自动识别ECG信号

为了自动识别不同对象的ECG信号模式,本文开发了一种新的基于熵的主成分分析(EPCA)来降低ECGsignals的维数。 利用EPCA,通过降维后重构的ECG信号的能量熵比自动确定特定主题的最佳主成分数Pb,然后提出了一种基于模糊熵的新颖c均值聚类(FECM)用于ECGfeature数据的集群分区。 通过基于模糊熵的聚类测度(ECM),可以找到具有特定ECG特征的数据集的最佳聚类数,即kb,其中将成员子集对的平均对称模糊交叉熵与聚类的平均模糊熵相结合。 然后,将MIT-BIH心律失常数据库中的ECG信号用于EPCA和FECM的性能评估。采用五个信号重建指标来评估降维结果,这表明EPCA的性能优于基于累积百分比的方案搜索Pb时的andscree图。 此外,通过将ECM与其他八个模糊聚类指标(即PC,PE,MPC,XB,FS,Kwon,FHV和PBMF)进行比较,ECM证明了搜索kb的优越性。 通过使用ECM,增强了FECM对各种ECG数据集的适应性,其聚类精度优于光谱聚类(NJW),分层聚类(HCA)和K-means聚类三种常用算法。