检索结果-南通市图书馆

面向心电监测系统的信号质量评估与心律失常检测模型研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

面向心电监测系统的信号质量评估与心律失常检测模型研究

作者：焦颖中南大学

学位级别：硕士

由于医疗资源分布不均衡和人口老龄化加剧等问题,心血管疾病的发生率逐年升高。以可穿戴式设备为载体的心电监测系统为预防心血管疾病提供了有效解决方案。通过实时采集、传输和分析心电信号,能直接反馈心血管系统相关的生理和病理信息... 详细信息

由于医疗资源分布不均衡和人口老龄化加剧等问题,心血管疾病的发生率逐年升高。以可穿戴式设备为载体的心电监测系统为预防心血管疾病提供了有效解决方案。通过实时采集、传输和分析心电信号,能直接反馈心血管系统相关的生理和病理信息,节约时间和经济成本。但由此产生的噪声信号和海量数据给系统传输和医生诊断造成巨大压力。因此,本文以提高信号可靠可用性和异常心拍检测准确率为目标,对信号质量评估和心律失常检测展开研究。主要研究内容如下:(1)针对系统采集过程中,采集环境复杂导致信号质量参差不齐问题,提出多特征融合的信号质量评估模型。该模型融合导联脱落、QRS波特征、信号形态、噪声水平、功率谱和非线性六类特征评估信号的临床可用性。同时为避免特征冗余,将交叉验证递归特征消除算法与随机森林分类器结合获得最佳特征子集,作为最终评估的信号质量指标。在45000个有标签心电片段上验证模型性能。结果表明,该模型以平均23秒的训练时长获得90%以上的准确率与F分数,能够淘汰含有较多肌电干扰和局部运动伪影的含噪片段,为后续心律失常检测提供信号质量保证。(2)针对心电信号分析过程中,患者信号差异性和不均衡性导致异常信号识别困难问题,提出长短时间记忆网络与胶囊网络结合的心律失常检测模型。该模型从时间、空间、形态三个维度提取信号特征,有效避免信号形态相似造成的特征混淆。此外,针对胶囊网络动态路由算法无抗噪能力的缺陷,提出增强型动态路由算法。引入leaky-softmax函数和子胶囊的存在概率削弱噪声胶囊影响。在MIT-BIH心律失常数据库上与经典模型对比,该模型对于室性异位搏动心拍具有突出的检测能力,灵敏性提升5%-17%。结合质量评估模型,在节约计算资源的同时,能进一步提高2%-4%的检测准确率。综上所述,本文针对心电监测系统不同任务阶段设计了信号质量评估和心律失常检测两类模型。实验证明,两者相互协作能有效去除噪声信号,获得97%以上的检测准确率。图38幅,表18个,参考文献81篇

关键词：心电监测系统心律失常检测信号质量评估机器学习神经网络

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的心律失常检测算法的研究

基于深度学习的心律失常检测算法的研究

作者：李向宇山东大学

学位级别：硕士

心律失常检测对于早期发现心血管疾病、预防心源性猝死等方面有着非常重要的研究意义。随着大数据的发展以及计算机硬件的更新迭代,得益于算力的提升,机器学习和深度学习方法逐渐成为主流,本文基于深度神经网络进行研究,主要的工作如下... 详细信息

心律失常检测对于早期发现心血管疾病、预防心源性猝死等方面有着非常重要的研究意义。随着大数据的发展以及计算机硬件的更新迭代,得益于算力的提升,机器学习和深度学习方法逐渐成为主流,本文基于深度神经网络进行研究,主要的工作如下所示。(1)针对ECG心拍上一维卷积学习的信息量少、数据转二维矩阵方法繁琐和训练中存在特征冗余。本文设计了基于S形重构和注意力机制网络SE-ResNet的心律失常检测。该方法通过一种新的数据转换重构算法S形重构,先将一维ECG心拍快速转换为二维矩阵形式,然后,引入通道注意力机制网络SE-ResNet,在学习过程中对学习到的不同特征按照重要程度赋予不同的权重数值,从而提升学习效果,最后,使用十折交叉验证评估模型性能、选择最佳的超参数组合,避免模型过拟合。相较于其他传统机器学习算法和深度学习算法,本模型具有更高的精度和速度,能够快速实现ECG心拍的二维重构化以及将注意力机制应用到心律失常检测中。(2)针对海量无标签数据的学习问题,本文设计了基于自监督学习算法RMC的心律失常检测算法,以用于处理海量无标签数据的ECG心拍。该算法首先利用格拉姆角场将一维ECG心拍转换为二维图像,并使用ViT神经网络组成MAE算法模型。然后,引入本文设计的Repeat模块来改进算法,并实现自监督学习方式来调整网络参数。最后,还引入了高斯混合聚类算法,并将其整合到损失函数中,以进一步加强模型的学习能力。相比传统的有监督式深度学习算法,该模型虽然精度略有不足,但已经接近它们的检测效果。在实际应用中,往往需要处理海量无标签数据,而不是拥有大量有标签数据来训练人工智能模型。这种情况下,有监督式模型往往无法胜任,而本文设计的RMC自监督学习算法可以在此环境下产生令人满意的结果。

关键词：心律失常检测深度神经网络 S形重构 SE-ResNet RMC自监督学习算法高斯混合聚类

动态心电图在心律失常检测中的临床应用和诊断分析

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

系统医学 2020年第1期5卷 127-129页

作者：朱凤梅单县海吉亚医院心电图室山东单县274300

目的探究动态心电图在心律失常检测中的临床应用与诊断价值。方法择选2018年5月—2019年4月该院收治的心律失常患者80例为研究对象,按照计算机随机方法,均分为研究组和对照组两组进行对比研究。对照组患者全部接受常规心电图监测方法,... 详细信息

目的探究动态心电图在心律失常检测中的临床应用与诊断价值。方法择选2018年5月—2019年4月该院收治的心律失常患者80例为研究对象,按照计算机随机方法,均分为研究组和对照组两组进行对比研究。对照组患者全部接受常规心电图监测方法,研究组患者全部接受该院的美国DMS300-4A型号的动态心电图机监测方法,对比两种监测方法的检出情况。结果对比两组患者房性过早搏动、室性过早搏动、房性心动过速、心房颤动、窦性传导阻滞窦缓、室内传导阻滞、以及房室传导阻滞等检出情况,研究组均要优于对照组,差异有统计学意义(χ^2=9.038、11.849、6.274、4.354、3.164、5.156、4.489,P<0.05)。其中研究组患者房性过早搏动、室性过早搏动、房性心动过速的检出率分别为92.5%、80.0%和25.0%,而对照组患者房性过早搏动、室性过早搏动、房性心动过速的检出率仅有65.0%、42.5%和5.0%。结论与常规心电图监测方法相比,动态心电图监测具有更高的诊断价值,更高的疑病检出率,可以为患者临床诊断提供更科学、详实的参考,具有较高的推广价值。

关键词：动态心电图心律失常检测临床应用诊断价值

基于双通道输入深度神经网络的心律失常检测方法研究

在线全文

学校读者我要写书评

暂无评论

景德镇学院学报 2021年第6期36卷 5-8页

作者：李其铿田园园王子超福建卫生职业技术学院福州350101 上海交通大学机械与动力工程学院上海200240

本文对心律失常的自动分类问题进行研究,提出一种基于双通道输入深度神经网络的心律失常检测方法。采用改进的基于小波变换的滤波算法对心电信号进行预处理后,将一个心跳片段和扩展心跳分段,输入卷积神经网络(CNN)与长短时记忆网络(LSTM... 详细信息

本文对心律失常的自动分类问题进行研究,提出一种基于双通道输入深度神经网络的心律失常检测方法。采用改进的基于小波变换的滤波算法对心电信号进行预处理后,将一个心跳片段和扩展心跳分段,输入卷积神经网络(CNN)与长短时记忆网络(LSTM)串行融合的神经网络,同时提取心跳的局部特征和前后依赖关系,对心跳进行分类;针对数据集不平衡问题,在训练集划分和损失函数中引入加权改进。应用MIT-BIH心律失常数据库,验证模型的有效性,最终准确率99.3%,在心血管疾病的临床辅助诊断应用中有很大的潜力。

关键词：心律失常检测双通道输入卷积神经网络长短时记忆网络

基于U-net-BiLSTM-CRF的心律失常多目标检测

在线全文

学校读者我要写书评

暂无评论

计算机应用与软件 2024年第4期41卷 142-150页

作者：王雨轩朱俊江黄浩濮玉中国计量大学机电工程学院浙江杭州310018

由于卷积滤波尺寸等限制,U-net无法学习到心电(Electrocardiographic,ECG)信号的长时序关联性以及标签间的相关性。对此提出一种基于U-net-BiLSTM-CRF的心律失常多目标检测方法,可同时输出目标心拍所属类型和位置信息。使用U-net学习融... 详细信息

由于卷积滤波尺寸等限制,U-net无法学习到心电(Electrocardiographic,ECG)信号的长时序关联性以及标签间的相关性。对此提出一种基于U-net-BiLSTM-CRF的心律失常多目标检测方法,可同时输出目标心拍所属类型和位置信息。使用U-net学习融合特征,再将其输入到双向长短时记忆网络(Bi-directional Long Short-Term Memory,BiLSTM)中学习长时序依赖特征,最后使用条件随机场(Conditional Random Field,CRF)对标签间的关系建模,优化分类结果。依据ANSI/AAMI EC57:2012的心搏分类标准,对MIT-BIH心律失常数据库中共85609个心拍记录进行划分,在划分后数据集上的实验结果表明,该方法对心拍分类的准确率达99.11%,特异性为99.76%,灵敏度为97.21%,优于传统U-net在MIT-BIH心律失常数据库上的分类性能。

关键词：心律失常检测 U-net 双向长短时记忆网络条件随机场

在线全文

学校读者我要写书评

暂无评论

深度学习在心脏疾病早期筛查中的应用

信息与电脑 2024年第16期36卷 51-54页

作者：石毓飞梁宇詹兴安张督峰郭政天津大学电气自动化与信息工程学院通信工程系天津300100

文章提出了一种个性化的零样本心电图(Electrocardiogram,ECG)心律失常监测模型,其可通过可穿戴移动传感器实现心脏疾病早期检测。本研究采用稀疏表示法和领域自适应技术,通过零空间分析和正则化最小二乘分类,显著降低了计算复杂度,保... 详细信息

文章提出了一种个性化的零样本心电图(Electrocardiogram,ECG)心律失常监测模型,其可通过可穿戴移动传感器实现心脏疾病早期检测。本研究采用稀疏表示法和领域自适应技术,通过零空间分析和正则化最小二乘分类,显著降低了计算复杂度,保持了高检测准确性,并经实验表明,该模型在心脏疾病早期筛查中表现出色。

关键词：深度学习心律失常检测稀疏表示法领域自适应

基于三域特征提取和GS-SVM的ECG信号智能分类技术研究

在线全文

学校读者我要写书评

暂无评论

四川大学学报（自然科学版） 2020年第2期57卷 297-303页

作者：方红帏赵涛佃松宜四川大学电气工程学院

近年来,基于单域的特征提取方法已经得到广泛的研究,并被用于心律失常的检测分类.事实上,多域特征提取在其分类中往往表现得更好.本文利用MIT/BIH心律失常数据库中的48组ECG信号进行预处理,从时域、频域和小波域提取了信号的三域特征,... 详细信息

近年来,基于单域的特征提取方法已经得到广泛的研究,并被用于心律失常的检测分类.事实上,多域特征提取在其分类中往往表现得更好.本文利用MIT/BIH心律失常数据库中的48组ECG信号进行预处理,从时域、频域和小波域提取了信号的三域特征,这些特征从各个方面充分表征了ECG信号的性质.再利用基于网格搜索的SVM结合归一化特征可将ECG信号划分为常见的4类.该方法的总体精度达到98.01%,f 1分值为0.9800,对ECG信号的检测性能良好,相对目前绝大多数ECG信号分类器具有更强的泛化能力.

关键词：心律失常检测 ECG信号分类三域特征提取信号预处理基于网格搜索的SVM

在线全文

学校读者我要写书评

暂无评论

心脏健康评估系统的设计与实现

心脏健康评估系统的设计与实现

作者：刘啟阳北京邮电大学

学位级别：硕士

随着科学技术的飞速发展,国民生活方式发生了翻天覆地的变化,我国网民规模更是与日俱增,科技带来的便利使得人们越来越依赖互联网产品,随之而来的是,人们对于健康的关注度也日益提升。心脏病是威胁人体健康的危险疾病之一,近年来心脏病... 详细信息

随着科学技术的飞速发展,国民生活方式发生了翻天覆地的变化,我国网民规模更是与日俱增,科技带来的便利使得人们越来越依赖互联网产品,随之而来的是,人们对于健康的关注度也日益提升。心脏病是威胁人体健康的危险疾病之一,近年来心脏病的发病率逐渐升高。其中,心律失常在致使心脏病发病的诸多病因中占了很大的比例,这使得诊断心律失常成为了行业内研究的热点课题。心电信号可以反映出人体心脏活动的相关信息,便于进行心律失常检测,因此对心电信号进行分析处理有助于心脏病的预防、诊断和治疗。在互联网高度发达的今天,如何通过低成本了解自己的心脏健康状况成为了市场上迫切需要解决的问题。本文主要通过处理人体心电信号在各波段的特征来检测用户的心率失常状况,采用小波变换阈值降噪的方法对原始ECG信号进行降噪处理,消除原始信号中的基线漂移、工频干扰和肌电干扰噪声。选择了一种基于小波变换的模极大值法来检测R波,使信号经小波变换分解后,再选择合适的阈值,找出各尺度中的正负极大值对,通过比较模极大值与阈值的关系,找到正负极大值对的零交叉点即为R峰值点。本文将心律失常分为窦性心律失常、期间收缩、阵发性心动过速、扑动与颤动和心脏传导阻滞5大类,通过对QRS波的识别计算RR间期与瞬时心率等特征,以此来判断心律失常。最后,结合对ECG信号处理分析的相关研究,根据软件开发规范的相关流程,开发实现了心脏健康评估系统,具有用户自主上传心电信号,心电图可视化展示以及心律失常分析和心脏健康评估等主要功能。并详细阐述了需求分析、概要设计、详细设计、系统实现和系统测试等过程。

关键词： ECG 小波变换信号预处理心律失常检测

融合深度学习和决策机制的心电节律和形态异常识别

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

融合深度学习和决策机制的心电节律和形态异常识别

作者：沈腾飞东南大学

学位级别：硕士

我国的心血管疾病死亡率居各病因之首,占居民疾病死亡构成的40%以上,心律失常是心血管疾病中重要的一组疾病,标准的12导联心电信号是诊断心律失常的重要工具,基于心电信号的心律失常自动检测对预防和治疗心血管疾病有重要意义。虽然12... 详细信息

我国的心血管疾病死亡率居各病因之首,占居民疾病死亡构成的40%以上,心律失常是心血管疾病中重要的一组疾病,标准的12导联心电信号是诊断心律失常的重要工具,基于心电信号的心律失常自动检测对预防和治疗心血管疾病有重要意义。虽然12导联心电图信号比单导联心电图提供了更全面的心律失常信息,然而不同导联之间的信息很难有效融合,因此,基于12导联心电开发一种具有较高准确性和较强泛化能力的的心律失常自动检测算法仍是一项具有挑战性的工作。一段包含心律失常的12导联心电信号中并非所有心跳节拍都是异常的,有关心律失常的特征仅存在于包含心律失常的心跳节拍中,12导联心电信号同时从多个空间角度记录心脏的电活动,各导联之间具有互相关性。基于12导联心电信号的以上特点,本研究首次提出将Squeeze-and-Excitation(SE)模块用于12导联心电信号的心律失常检测,提出了基于SE模块和一维卷积残差网络的端到端的12导联心电分类算法。算法中的SE模块通过对通道特征响应显示地建模以自适应地校准各通道间的相互依赖关系,增强具有判别性的特征并抑制噪音,自适应地融合不同导联之间的特征信息。沿着时间维度的一维卷积操作能够提取心电信号中的时序特征,残差模块使得模型更容易优化。因卷积神经网络不能处理变长的信号,本研究将所有心电信号补0至等长信号,然后作为模型的输入,这可能会给模型带来干扰。为此,本研究提出了基于SE模块和U-Net的算法,采用U-Net中的编码-解码思想,先将输入信号编码至一个特征空间,然后再进行解码以获得用于分类的特征。本研究采用2018年中国生理信号挑战赛(CPSC2018)的12导联心电数据集作为验证,该数据集是从11家医院采集的真实12导联心电信号。本研究所提出的两个模型在测试集上的均值F分数分别为0.828与0.824,超过了现有算法的性能。实验结果表明我们的算法有良好的性能表现且有巨大的实际应用潜力。

关键词：心律失常检测 12导联心电信号 SE模块残差网络 U-Net