检索结果-南通市图书馆

生物医学工程学杂志 2020年第1期37卷 61-70,79页

作者：丑永新张爱华刘继承林家骏黄旭峰常熟理工学院电气与自动化工程学院江苏苏州215500 兰州理工大学电气工程与信息工程学院兰州730050 华东理工大学信息科学与工程学院上海200237 华东理工常熟研究院有限公司江苏苏州215500

为实现脉搏信号形态和周期的量化分析,本研究提出一种脉搏信号时空解析建模及量化分析方法。首先,根据脉搏信号的形成机理,将脉搏周期和基线引入脉搏解析模型,得到时空解析模型表达式及12个参数,用于脉搏波的量化描述。然后,提出了基于... 详细信息

为实现脉搏信号形态和周期的量化分析,本研究提出一种脉搏信号时空解析建模及量化分析方法。首先,根据脉搏信号的形成机理,将脉搏周期和基线引入脉搏解析模型,得到时空解析模型表达式及12个参数,用于脉搏波的量化描述。然后,提出了基于实际脉搏信号的模型参数估计流程,给出参数估计的优化方法、约束条件和边界条件。将所提出的时空解析建模方法用于国际标准生理信号开源数据库(PhysioNet)幻想曲(Fantasia)子库中的健康人脉搏波,从解析模型中可以得到一些年龄和性别因素引起的人体心脏搏动节律和血流动力学变化。以提取的模型参数为输入,采用随机森林、概率神经网络等机器学习方法对脉搏波按照年龄和性别进行分类,结果表明随机森林法分类效果最好,Kappa系数达到98%以上。本研究提出的时空解析建模方法可有效地对脉搏信号进行量化分析,为脉搏信号相关的应用研究提供了理论基础和技术框架。

关键词：脉搏信号时空解析建模脉搏周期脉搏波形量化分析

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于脉搏信号时空解析建模的恶性心律失常识别研究

基于脉搏信号时空解析建模的恶性心律失常识别研究

引用

作者：杨苗兰州理工大学

学位级别：硕士

恶性心律失常是一种严重的心血管疾病,利用信息技术对恶性心律失常进行快速、准确地检测,对患者的治疗至关重要。基于脉搏信号量化分析进行恶性心律失常识别是疾病智能诊断领域的重点研究内容,由于脉搏信号形态和周期多变,要实现其波形... 详细信息

恶性心律失常是一种严重的心血管疾病,利用信息技术对恶性心律失常进行快速、准确地检测,对患者的治疗至关重要。基于脉搏信号量化分析进行恶性心律失常识别是疾病智能诊断领域的重点研究内容,由于脉搏信号形态和周期多变,要实现其波形变化的量化描述及用于恶性心律失常识别仍然存在一些难题。基于此,本课题针对脉搏信号建模、量化描述及其在恶性心律失常识别方面的应用进行了研究。主要开展工作如下:1.针对脉搏信号存在的噪声,使用了改进的自适应噪声集合经验模态分解方法进行滤波,对原始脉搏信号进行多层分解后,选取了含有脉搏信号主要成分的分量重构信号,实现信号滤波。仿真结果表明:相比常用的滤波方法,改进的自适应噪声集合经验模态分解方法较好地保留了原始信号的波形特点,并有效抑制了信号中的噪声。同时,对于脉搏多周期间存在差异的问题,提出动态变异系数法用于脉搏波的周期分割。实验结果表明,周期分割的准确率在99%以上,所提出方法可有效实现脉搏信号的周期分割。2.针对脉搏信号形态和周期动态变化范围大的问题,提出一种脉搏信号时空解析建模技术。根据脉搏信号的形成机理与时域波形特征的关联,构建量化分析模型,并采用有条件约束的非线性规划法对模型参数进行求解,制定模型参数求解流程,实现脉搏信号的量化分析,并比较了不同结构模型建模结果,以国际标准生理信号数据库中脉搏信号为实验数据,分别对健康、极度心动过缓、极度心动过速、室性心动过速、心室扑动/颤动人群的脉搏数据进行不同数量的Gaussian和Lognormal基函数进行建模,结果表明基于3个Lognormal基函数的脉搏波建模效果最好。3.针对在实际采集中干扰段使脉率及波形特征缺失的问题,提出基于时空解析建模和神经网络结合的干扰段脉率及波形预测方法。结合脉搏波的搏动特点,利用数据库中无干扰的脉搏信号基于脉搏时空解析建模特征参数,构造干扰脉率序列及干扰段波形,结合Elman神经网络对干扰段脉率及波形进行预测,然而Elman神经网络全局搜索具有盲目性的缺陷,使用麻雀搜索算法(Sparrow Search Algorithm,SSA)实现单一神经网络权值的自适应优化搜索,仿真结果表明,基于SSA优化的时空解析建模-Elman神经网络模型可有效提高对干扰段脉率及波形预测的准确率。4.针对恶性心律失常准确识别问题,依据恶性心律失常引起人体脉搏搏动节律及血流动力学信息变化的机理,提出一种基于脉搏时空解析建模的恶性心律失常识别技术。首先,对不同类型的恶性心律失常患者脉搏信号建模得到模型参数。其次,依据脉搏信号解析模型中显著性变化参数,最后采用概率神经网络、随机森林机器学习算法实现恶性心律失常的智能识别。实验结果表明随机森林分类器的性能在心律失常识别方面最优,平均准确率达到了97.083%。同时,与直接使用心拍分割后的深度学习智能识别方法进行对比,采用卷积神经网络与双向长短时记忆网络结合识别,总体准确率仅为83.20%。因此,脉搏时空解析建模技术更有效地用于恶性心律失常识别。

关键词：脉搏信号时空解析建模神经网络随机森林恶性心律失常识别

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：