基于多核的超限学习方法在实时心电信号监测与分析中的应用研究
超限学习机是一种快速学习方法,目前在各个研究领域获得了广泛的研究热潮.相比传统的学习方法,超限学习机采用单隐藏层前馈神经网络(Single-hidden Layer Feedforward Neural Network,SLFNs),随机初始化隐藏层权值,直接求解输出层权值,而不需要复杂的迭代过程.在很多的研究中,超限学习方法比其他学习方法的准确率更高,速度更快.核方法在极限学习中更加多样,通过不同的核函数将特征映射到希尔伯特空间,使数据在高维空间中线性可分.心电分类是一种复杂的模式识别问题,基于各种学习模型的心电分类方法被广泛的研究,大部分都取得了很高的精确度,但学习效率不高.本文将研究多种核函数在心电数据分类中的应用,以及不同的核方法的分类效率和精度的比较.
超限学习方法 核函数 心电信号监测 数据分类
秦兴彬 颜延 樊建平 王磊
中国科学院计算技术研究所计算机应用研究中心,北京100190 中国科学院深圳先进技术研究院深圳市低成本健康重点实验室,深圳518071 中国科学院深圳先进技术研究院,深圳518071
国内会议
第五届全国可穿戴计算学术会议暨2015可穿戴与医学变革研讨会
深圳
中文
1-9
2015-04-25(万方平台首次上网日期,不代表论文的发表时间)