文献综述
心血管疾病是当今世界上导致死亡率最高的一种疾病。长期以来，对心血管疾病研究一直是学术界的一个非常重要的课题。心电信号作为心脏电活动在体表的综合体现，是诊断心血管疾病、评价心脏功能是否良好的重要依据之一。
因此，对病人的心电信号进行分析处理，是诊断心血管疾病的最主要的一种方法。心电信号的自动分析对于当今纷杂的心电监护仪来说,无疑是最为关键的技术之一。ECG自动分析的任务主要包括对ECG信号预处理,特征提取等,最终目的是根据心电波形特点对其进行自动分类诊断。然而由于心电信号波形复杂多变和个体差异性对心电信号精确分类是非常困难的。现有心电信号分类算法取得了很多成就,但无论理论还是应用上都需进一步研究。改进传统的处理方法及探索新的解决方案, 进一步提高诊断的准确性,仍然是当前心电图分析领域中迫切需要解决的一个问题。
通过阅读文献了解到现有的分类器一些利弊之处如下：
SVM是最具代表性的监督学习算法之一，广泛用于学术界和工业界。与其他传统的算法相比，SVM在处理复杂的非线性问题时提供了一种更为清晰和强大的方式。但当数据量比较大时，核计算的复杂度会上升很多，在计算速度和准确度上稍逊于神经网络。[6]
神经网络是机器学习领域的一个重要的研究分支，目前已经形成为多种类型的交叉学科。若学习率过大则容容易导致震荡，太小则导致参数收敛速度缓慢。[6]
KNN是最简单最常见的监督学习方法，但在决定最终类别上仅仅按照最邻近的一个或几个样本来确定类别，没有特定的训练步骤，类似于懒惰学习。当数据量大时，匪类运算性能较差。[6]
参考文献：
剩余内容已隐藏，您需要先支付 10元 才能查看该篇文章全部内容！立即支付
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
