模式识别结课作业Word下载.docx
《模式识别结课作业Word下载.docx》由会员分享，可在线阅读，更多相关《模式识别结课作业Word下载.docx（19页珍藏版）》请在冰豆网上搜索。
（线性分类器）设w1为疲劳后的数据，w2为疲劳前的数据，设计fisher线性分类器并判断可行性。
Fisher线性判别的基本原理是，把d维空间样本投影到一条直线上，形成一维空间。
找到某个最好的、最易于分类的投影方向，使在这个方向的直线上，样本的投影能分开得最好。
程序如下：
clear
%%%%%%%%导入数据w1,w2
w1=load（'
E:
\上交张老师\处理结果及分析\分析\特征\特征明显\疲劳后T波.txt'
）;
w2=load（'
\上交张老师\处理结果及分析\分析\特征\特征明显\疲劳前T波.txt'
figure;
plot（w1（:
1）,'
g+'
holdon;
plot（w2（:
bo'
xlabel（'
x
（1）'
ylabel（'
x
（2）'
title（'
Fisher准则分类'
%调用fisher判别函数，返回最优投影方向w和分界阈值点y0
[w,y0]=fisher1（w1,w2）;
%作图：
两类样本在最优投影方向上点投影
o1=（w*（w'
*w1'
））'
;
%第一类点样本向量在最优方向上w上点投影
fori=1:
length（o1）
h=line（[o1（i,1）,w1（i,1）]）;
set（h,'
Color'
'
b'
LineStyle'
--'
）
end
o2=（w*（w'
*w2'
%第二类点样本向量在最优方向上w上点投影
length（o2）
h=line（[o2（i,1）,w2（i,1）]）;
th=（w*y0）'
plot（th
（1）,th
（2）,'
rx'
LineWidth'
2,'
MarkerSize'
8）
axistight
axisequal
h=gca;
XLim=get（h,'
XLim'
YLim=get（h,'
YLim'
l=（w*（w'
*[XLim
（1）,YLim
（1）]'
r=（w*（w'
*[XLim
（2）,YLim
（2）]'
h=line（[l
（1）,r
（1）]）;
set（h,'
color'
k'
仿真结果如图所示：
疲劳后的数据用‘+’表示，疲劳前的数据用‘o’表示。
因为w1,w2类间距离很小，而类内距离很大，混合在一起，找不到合适点分类线将其分开。
本次实验不成功。
方法二：
采集35组疲劳前后的心电信号，对原始信号进行去工频干扰和基线漂移后，提取清醒和疲劳时心电信号中T波幅值变化的平均值作为实验数据。
下面使用图形表示的方法。
我首先将提取的疲劳前、后各35组数据作为训练样本集在同一幅图上表示出来进行比较。
程序如下：
clc;
clear;
%close（1:
9）;
tic
x1=load（'
%x1=load（'
x1=x1'
%转为行向量
x1=x1（1:
35）;
d=x1;
sfreq=1;
%采样
s=length（d）;
%信号长度
s2=1./sfreq;
%采样周期
s3=round（s./s2）;
%有多少周期信号，取小数区里最近的整数
N=length（d）;
r=1:
1:
N-1;
C=[1,r+1];
%序列x对应的采样点数
fs=1;
%采样频率
figure
（1）
subplot（211）,plot（d,'
r--'
grid;
时间/ms'
幅值/mv'
T波变化曲线'
holdon
x2=load（'
x2=x2'
x2=x2（1:
d=x2;
%采样
%信号长度
%采样周期
%有多少周期信号，取小数区里最近的整数
%采样频率
subplot（211）,plot（d）;
holdoff;
axistight;
结果如下图所示，红色的虚线表示的是疲劳后T波的幅值变化，蓝色的实线表示的是疲劳前T波的幅值变化，可以发现疲劳后T波幅值显著升高，说明T波特征值可以用来区别疲劳。
接着，对此程序作了一下改进，将疲劳前后T波特征值相加求均值，作为分界线，在图中用绿色的线表示，当幅值低于此线时可以认为是清醒状态，当幅值高于此状态时可以认为是疲劳状态。
改进后的结果如下图所示：
（非线性分类器）后面又对函数进行了改进，程序如下：
w1=load（'
w2=load（'
figure
plot（w1,'
plot（w2,'
分类结果'
w1=w1'
w1=w1（1:
w2=w2'
w2=w2（1:
w3=（w1+w2）/2;
d=w3;
sfreq=1000;
%采样
plot（d,'
r'
由图中可以看出当红线以上是疲劳后，以下是疲劳前的。
当输入测试样本时若在红线以上就代表疲劳状态。
但此方法必须保证训练样本完全正确。
（二）采用Q波特征
方法一：
用fisher分类器
%%%%%%%%%构造两类二维近似线性可分的样本数据集合w1和Í
w2
C:
\DocumentsandSettings\Administrator\桌面\模式识别\前21个人v5和maibo_zao-DD.txt'
\DocumentsandSettings\Administrator\桌面\模式识别\前21个人v5和maibo_wu-DD.txt'
3）,'
Q波分类'
%调用fisher判别函数，返回最优投影方向W和分界阈值点y0
两类样本在最优投影方向上的投影
%第一类的样本向量在最优方向W上的投影
%第二类的样本向量在最优方向W上的投影
结果如图所示：
方法二：
对21个人清醒和睡眠时的心电数据进行采集，去除原始信号的工频干扰和基线漂移后，提取出Q波特征值，求出Q波在1S内幅值变化的平均值，作为此次的数据。
其中蓝线表示的是早晨的实验数据（清醒），红线表示的是中午的实验数据（睡着），从图中可以看出睡眠时Q波的幅值变化平均值明显降低，但有时会升高。
然后对清醒和睡眠时的数据求均值，作出清醒和睡眠的分界线，如图中绿线所示。
当幅值低于绿线时可以认为是清醒状态，当幅值高于绿线时可认为是睡眠状态。
a1=load（'
%x1=load（'
x1=a1（:
3）;
转为行向量
Q波均值变化'
a2=load（'
x2=a2（:
3）
plot（d）;
x3=（x1+x2）/2;
d=x3;
N=length（d）;
fs=1;
g'
由图中可以看出，按此方法可以区分清醒与睡意状态，但不能完全区分。
非线性分类：
%%%%%%%%µ
¼
È
ë
Ê
ý
¾
Ý
w1,w2
a1=load（C:
a2=load（C:
w1=a1（:
w2=a2（:
21）;
由以上这个图可以很明显的看出图中有几个点是错分的。
方法三：
用LDA分类器
clc
a=load（'
b=load（'
a1=a（:
b1=（b（:
3））;
m=a1;
n=b1;
A=m;
B=n;
d=length（n'
n0=d;
n1=d;
i=1;
c1=zeros（2*d,1）;
forj=1:
d
c1（i）=1;
i=i+1;
c1（i）=n（j）/m（j）;
end
N=2*d;
x1=mean（c1）;
2*d
a1（i）=（c1（i）-x1）^2;
q1=sum（a1）/（2*d-1）;
w1=sqrt（q1）;
e1=（c1-x1）/w1;
T=zeros（2*d,1）;
T（j,1）=e1（j）;
%T（j,2）=e2（j）;
T
correctp=LDAclassz（T,n0,n1）
结果为T=
0.0471
2.0885
-0.9212
-0.0518
-0.5496
-0.5075
-1.2028
1.1291
-0.8162
-0.3377
-1.3231
2.5714
-0.2468
-1.1088
-0.3489
-2.6720
-0.5050
2.5885
2.3588
-0.5566
0.6524
-1.2289
correctp=83.3333
此程序通过对T波的检测来判断睡意状态和清醒状态，准确率高达83.3333。
本实验中发现为问题：
在本实验中T波幅值均值采用的是杨华师姐的数据，发现疲劳后T波幅值显著升高。
后来我又用柳倩师姐采集的清醒和睡眠时T波幅值变化的均值做了一下仿真，发现T波幅值是降低的，如下图所示。
其中红色虚线表示的是睡眠时T波幅值均值的变化范围，蓝色实线表示的是早晨清醒时采集的T波幅值均值变化范围，绿色实线表示的是二者平均值的变化范围。
这与前面的结果不相符合。
系统评估：
采用方法一、二两种方法对睡意状态和清醒状态的T波、Q波进行分类。
发现第二种方法可以将两者区分开，但是训练样本要完全正确，若训练样本出现错误则得到的分类线就会有错误。
第一种fisher分类器经过多次改进仍不能对样本进行区分，可能因为疲劳前Q波的幅值范围是-625.1754
10
mv—-173.0940
mv，疲劳后Q波的幅值范围是-671.0890
mv—-176.8657
mv。
R波幅值也如此。
可见，其中有很大一部分叠加在一起，而分类器一般适用于内间距离很大，而内类距离很小的两类样本，所以线性分类器是不可行的。
若将其中一个样本增大到与另一个样本无重叠数据，则可以通过Fisher或者其余的线性分类器进行区分。
第三种方法（LDA分类）是第二种方法的继续，第二种方法虽然可以区分清醒和睡意，但是并不知道分类正确率，从第三种方法可以知道正确率为83.3333。
本次仿真所采用的T波、Q波幅值均值变化因为类内距离大而类间距离小，用线性分类器不易区分，因此选用非线性分类器。
升级会员 