检索结果-南通市图书馆

作者：黄丹碧浙江大学

学位级别：硕士

目前,心脏病是世界范围内一种极具威胁的疾病。而利用动态心电监护仪对心血管疾病患者进行实时心电监测是降低心脏病患者发病率及死亡率的一种便捷且有效的方法,尤其是对心律失常的诊断和突发心脏事件的预报有重大意义。为了更准确、便... 详细信息

目前,心脏病是世界范围内一种极具威胁的疾病。而利用动态心电监护仪对心血管疾病患者进行实时心电监测是降低心脏病患者发病率及死亡率的一种便捷且有效的方法,尤其是对心律失常的诊断和突发心脏事件的预报有重大意义。为了更准确、便捷地进行心律失常的预警和诊断,本论文研究并实现了用于动态心电监测的关键心电信号处理算法,主要包含以下几点:1.心律失常检测的算法研究与实现:分别通过差分阈值算法与小波变换算法进行QRS波识别,在QRS波特征提取的基础上,针对不同心律失常的特征进行诊断。并利用Matlab与MIT-BIH数据库中的样本进行可行性与准确性验证,对两种算法的性能进行对比。2.三导联心电信号重构十二导联心电信号算法的研究与实现:将预处理后的导联心电信号和心电监督数据通过LM人工神经网络算法进行训练,得到关于十二导联心电信号的重构模型。最终利用重建波形与原始波形间的相关系数和均方根误差进行效果比较。3.心电信号压缩算法的研究与实现:分别通过AZTEC算法与小波变换算法进行心电信号的压缩,并从压缩比与速率的角度进行性能分析与比较。4.三导联心电电极接错判别算法的设计:通过前馈神经网络算法设计出三导联心电电极是否接错的判断方法,并指出接错的电极。

关键词：心律失常检测心电信号重构心电信号压缩电极接错判别

基于非线性分析的心电信号状态识别及应用研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于非线性分析的心电信号状态识别及应用研究

作者：赵瑞麒北华航天工业学院

学位级别：硕士

随着社会节奏加快、生活压力增加以及不良生活习惯的影响,各种心血管疾病也越来越普遍,发病率日益升高。心电图信号(Electrocardiogram,ECG)反应了心脏信息的变化曲线,可以为临床诊断提供有力的依据。目前对心电信号的特征提取方法一般... 详细信息

随着社会节奏加快、生活压力增加以及不良生活习惯的影响,各种心血管疾病也越来越普遍,发病率日益升高。心电图信号(Electrocardiogram,ECG)反应了心脏信息的变化曲线,可以为临床诊断提供有力的依据。目前对心电信号的特征提取方法一般是基于线性分析的方法,却忽略了心电信号的非线性特征。针对上述问题本文采用基于非线性拓扑分析方法对心电信号进行分析和应用研究,主要工作内容如下:(1)研究了非线性拓扑分析方法的处理流程,并阐述了其基本理论。本文涉及非线性拓扑方法主要有两个方面:原始心电信号的空间嵌入和点云数据的拓扑分析。对于空间嵌入,本文研究了心电信号延时嵌入的构建方法;对于拓扑动态分析,研究了单纯复形变换以及拓扑特征计算的过程。(2)基于Apnea-ECG数据集上的心电信号数据进行睡眠呼吸暂停分类检测任务研究,提出了一种从心电信号中提取心率变异性(Heart Rate Variability,HRV)序列的非线性动力学分析方法。通过使用相空间重构方法将时间序列嵌入到相空间中来研究非线性动力学。本工作研究了睡眠呼吸暂停检测中拓扑数据分析过程,并基于香农熵的拓扑动力学特征进行症状检测分类实验,对实验过程、结果进行了分析。(3)基于本文提出的非线性拓扑动态方法,应用到心动过缓检测的状态识别任务中,将其在Preterm Infant Cardio-Respiratory Signals(PICS)数据集中进行分类识别验证实验并分析结果,并与目前已有的一些方法进行对比。在睡眠呼吸暂停识别任务中,通过拓扑特征学习实现了最佳的识别性能,检测验证的分类识别准确率达到88.9%,效果优于目前常用的线性分析方法。心动过缓识别任务上验证结果准确率为94%,并且首次将非线性拓扑分析方法应用到该病症的检测中。结果表明非线性拓扑动态分析方法在心电信号的分类识别应用任务中均表现出了优秀的识别能力。显示出非线性拓扑分析对生理系统中状态变化的卓越识别能力,这反映了拓扑特征在描述心率变异性方面的有效性。

关键词：心电分析持续同调拓扑动态分析心律失常检测

基于新型混合网络的12导联心电信号心律失常多分类研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于新型混合网络的12导联心电信号心律失常多分类研究

作者：朱一荻陕西师范大学

学位级别：硕士

心血管疾病是当前人类死亡原因之首,己引发全球性健康隐患。心律失常检测在心血管疾病诊断和预防领域具有重大的医疗价值和社会价值。心电(ECG)信号作为检测心律失常疾病最敏感的一种信号,是现有心血管疾病检测手段中最便捷普及的检测... 详细信息

心血管疾病是当前人类死亡原因之首,己引发全球性健康隐患。心律失常检测在心血管疾病诊断和预防领域具有重大的医疗价值和社会价值。心电(ECG)信号作为检测心律失常疾病最敏感的一种信号,是现有心血管疾病检测手段中最便捷普及的检测指标。然而,医疗资源匮乏、医患人数的不均衡都会导致实际工作中大量患者难以被及时发现。因此,利用计算机开发一种能够自动检测多种心律失常疾病的算法能够辅助医护人员进一步快速了解患者的身体状况,这具有重要的现实意义。本文的研究隶属于医工交互这一新兴领域,以实现多导联心电图的自动化检测分析为出发点,希望能够优化多类心电健康监测仪器的技术性能,提供一个高效精准的算法方案,为我国的心血管类疾病防治工作发挥积极作用。因此,本文以发布于生物医学信号挑战赛的CPSC2018数据库为基础,为实现多导联心电信号心律失常疾病自动分类检测,提供了一种基于深度学习网络和传统形态学特征选择网络的新型混合网络模型。主要进行了以下研究:(1)本文在使用12导联数据集的前提下,设计出了一种能完全由原始ECG信号驱动的预处理算法,提升了该研究的普适性和临床应用能力。考虑到每种导联信号长度不等且易受干扰的特性,本文对采集到原始信号进行各种心电噪音的去除,以提供高质量的心电信号用于后续训练。同时,能够对不同长度的原始信号进行切片,保证了对信号时序长度的兼容性和突发心律检测的稳健性。(2)在心律失常多分类任务中,本文提出了一个新型混合网络模型作为该分类研究的主体,该混合网络模型融合了深度学习网络和传统形态学特征选择网络。首先,以提出的ATI-CDBi LSTM深度学习网络来学习不同尺度的高维深度特征。其中,通过CDBi LSTM模块学习ECG上的空间和时间融合信息,结合Attention模块来调整不同特征之间的权重分配,得以解决当前LSTMs模型对ECG信息利用不充分和特征难以解释的问题。其次,受传统形态学特征能够反映实际诊断信息的启发,本文提出了一种基于随机森林的特征选择网络。依据Ⅱ导联和其他导联在检测中的不同重要性,本文使用了两种特征选择策略得到表现优秀的传统形态学特征集,能在本实验中以较少的特征量得到最好的分类性能。最后,在此基础上结合以上两种模型提取出来的特征,通过XGBoost分类器进行训练达到更精确的分类。同时对以上几种模型进行分析,通过定性对比,验证了该新型混合网络的优越性。本文所提出的ATI-CDBi LSTM深度学习网络对分类任务的均值F1评分为0.802,使用传统形态学特征选择网络得到的均值F1评分为0.793,新型混合网络模型得到的均值F1评分为0.824。该结果表明,CNNs与LSTMs的组合在处理时序信号时具有很强的优越性,Attention机制的加入能大幅度提升以往分类结果较差的ST段异常的F1分数。引入的传统形态学特征也能提高网络在部分类别上的分类能力,补充了分类的全面性。本文提供的新型混合网络算法方案优点在于能处理不同长度的时序信号并实现优秀的自动检测分类能力,它具有重大的临床意义,为可穿戴、家用式心电图检测仪的构建提供了一个可移植的方案。

关键词： 12导联心电图心律失常检测双向长短期记忆(BiLSTM) 注意力机制模型融合

基于可持续无监督学习的医疗数据流的异常检测

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于可持续无监督学习的医疗数据流的异常检测

作者：仲昭奕南京信息工程大学

学位级别：硕士

基于医疗数据流的异常检测的研究旨在检测出医疗数据流中的异常信号。通过使用智能算法对医疗数据流进行异常检测,可以有效提高临床诊断的效率。本文针对两个问题检测心电图数据流中的异常:(1)在身份识别问题中,相对于某个用户来说,其... 详细信息

基于医疗数据流的异常检测的研究旨在检测出医疗数据流中的异常信号。通过使用智能算法对医疗数据流进行异常检测,可以有效提高临床诊断的效率。本文针对两个问题检测心电图数据流中的异常:(1)在身份识别问题中,相对于某个用户来说,其他用户的心电图数据是异常数据。(2)在心律失常检测问题中,相对于正常的心电图数据来说,包含心律失常的心电图数据是异常数据。现阶段,旨在解决这两个问题的主流方法都倾向于为所有用户训练一个综合分类模型,没有考虑到隐私风险、类别不平衡问题、个性化模型和实时异常检测应用场景。为了解决以上的问题,本文开展了以下研究:(1)针对基于心电图数据流的身份识别问题:本文提出了一种基于自动编码器的身份识别方法PerAE。PerAE为每一个用户训练一个自动编码器Attention-MemAE用于身份识别。Attention-MemAE具有较高的隐私性,且训练数据不存在类别不平衡问题。Attention-MemAE包括注意力机制模块和内存模块,可以有效地提取个性化特征。本文还设置了一个动态更新机制,使得Attention-MemAE可以被部署到实时运行的场景下。(2)针对基于心电图数据流的心律失常检测问题:本文提出了一种基于自动编码器的心律失常检测方法PerAD。PerAD为每一个用户训练一个轻量级的自动编码器ShaAE。ShaAE具有较少的参数量和较快的推理速度,且避免了高隐私风险和类别不平衡问题。本文同样设置了一个动态更新机制使得ShaAE可以有效地实时运行。本文还使用了一个快速推理的变分自动编码器生成辅助ShaAE训练的模拟数据。

关键词：医疗数据流异常检测身份识别心律失常检测无监督学习