检索结果-南通市图书馆

基于深度学习的心律失常分类算法研究及其硬件化

维普期刊数据库评论

在线全文

维普期刊数据库

学校读者我要写书评

暂无评论

基于深度学习的心律失常分类算法研究及其硬件化

作者：秦默然武汉大学

学位级别：硕士

随着经济和生活水平的上升,人们开始更加关注自身的健康水平。在我国,心血管疾病是造成居民死亡的首要原因,因此对心血管疾病的预防、诊断以及治疗受到了广泛的关注。在心血管疾病的诊断方法中,最重要、使用最广泛的是依靠心电图对心电... 详细信息

随着经济和生活水平的上升,人们开始更加关注自身的健康水平。在我国,心血管疾病是造成居民死亡的首要原因,因此对心血管疾病的预防、诊断以及治疗受到了广泛的关注。在心血管疾病的诊断方法中,最重要、使用最广泛的是依靠心电图对心电信号进行分析。病人需要去医院利用专业的采集设备获取心电信号,再由医生进行心血管疾病的诊断。近年来智能穿戴设备的发展使获取心电信号更加容易和方便,但这些便携式设备产生的大量心电信号仍需要由医生进行诊断,因而加剧了医生的工作量。这一问题可以利用人工智能辅助诊断的技术加以解决。通过机器学习或深度学习技术,不需要专业医生的参与即可对心电信号做出诊断;通过对算法进行硬件化,可以将自动诊断系统便携化,提高心电信号诊断的实时性,方便患者使用。本文利用深度学习技术提出了对两种常见的心血管疾病——房颤与心律不齐的检测和分类算法,并对其中心律不齐的分类算法进行了硬件化。主要内容具体可分为以下几个方面。第一,在对心律不齐的分类任务中建立了基于一维卷积神经网络(Convolutional Neural Network,CNN)的监督学习算法。该算法在经典的残差卷积神经网络(Res Net)的基础上,使用不同尺度的空洞卷积(Atrous Convolution)建立了多个特征提取通道。相比于普通的多尺度卷积操作,空洞卷积的引入在不影响分类效果的同时显著降低了参数量,有利于模型的轻量化,使其更容易部署到硬件端。为验证其分类效果,本文在来自上海某医院的实测数据库上进行了模型的训练和验证。结果显示模型在心律不齐四分类任务中取得了0.8913的F1值,证明了模型在实测心电数据的心律不齐诊断任务中具备有效性。其中F1值是召回率(Recall)与准确率(Precision)的调和平均数,是综合考虑错检和漏检的指标。第二,本文针对未经处理的心电信号数据量大、拥有心血管疾病标签的心电信号数据量少的问题,提出基于心电压缩技术的非监督学习方法,并将其应用到房颤的检测任务中。目前,人工智能应用于心电信号分类领域存在一个重要问题:含有心血管疾病标签的开源数据库较少,其包含的病人数量也较少,基于这些数据库训练的神经网络模型难以避免产生过拟合现象,导致运用于实际分类任务时效果不好。解决该问题的方法之一是迁移学习,先使用大量的无标签心电信号数据进行模型的预训练,再迁移至有标签的经典开源数据库进行分类任务的学习。本文设计了利用卷积自动编码器(Convolutional Auto Encoder)在上海某医院的实测数据上进行心电压缩的预训练任务,通过卷积编码——反卷积解码的方式训练前层卷积神经网络的特征提取能力。来自大量不同被测者的训练数据能降低模型的过拟合程度。然后用该模型在PhysioNet CinC 2017房颤分类数据库上进行房颤检测任务的再训练。本文设计并进行了对比试验,以比较使用非监督学习预训练任务与不使用非监督学习预训练任务的同一神经网络模型在PhysioNet CinC2017数据库上的房颤检测效果。实验结果表明该心电压缩预训练任务能为一维卷积神经网络在测试集上带来4.83%的F1值提升。最后,针对本文提出的心律不齐分类算法的轻量级模型,进行了模型的便携式硬件实现,将训练好的模型部署于小型化硬件设备上,可以实现对输入心电信号的心律不齐四分类。若加入前端采集模块则可实现涵盖从心电信号采集到心律不齐分类全过程的便携式硬件设备。本文的工作包含了从心血管疾病的单类别检测到多类别分类的智能诊断算法研究,以实现算法的硬件化为目标针对性的设计了轻量级的、能用于实测数据心律不齐分类的神经网络;以增强心电智能诊断算法的实际适用范围为目的设计了以心电压缩任务为上游任务的非监督学习算法和网络;将设计出的用于心律不齐四分类任务的神经网络部署到硬件端。将本文工作与智能穿戴采集设备及远程传输技术相结合,有望在心血管疾病的智能医疗领域发挥一定作用。

关键词：心电信号神经网络非监督学习深度学习疾病分类

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

基于深度学习的图像深度估计算法研究

基于深度学习的图像深度估计算法研究

作者：王雷长安大学

学位级别：硕士

深度估计作为当前计算机视觉应用领域的重点研究课题,主要目的是从图片中还原出场景中的物体距离相机的实际距离。针对图像深度估计中出现的深度图局部细节缺失、边缘模糊以及结果准确度较低的问题,分别对单目和双目的深度估计算法展开... 详细信息

深度估计作为当前计算机视觉应用领域的重点研究课题,主要目的是从图片中还原出场景中的物体距离相机的实际距离。针对图像深度估计中出现的深度图局部细节缺失、边缘模糊以及结果准确度较低的问题,分别对单目和双目的深度估计算法展开了深入研究。在深度学习中,由于监督学习法的监督信号是基于图像的地面真实值,数据不易采集,适用性较低,因此使用无监督方法对模型进行训练。为获取更清晰的深度结果图,在单目图像深度估计方法中,通过编码-解码网络提取多尺度图像特征,为了对提取到的图像特征进行深入解析,在解码网络中加入多尺度注意力融合模块,以此获取更多的上下文信息以及各特征通道之间的联系,最后通过引用多尺度损失函数提升模型的估计结果。为提高网络模型的匹配速度与匹配精度,在双目深度估计方法中通过孪生网络结构提取图像特征,使用正则化的方法对匹配代价进行聚合,通过信息熵模块的应用使视差计算的效果更加准确,最后设计了包含像素级损失与特征损失的多度量损失函数来进一步提高模型的匹配精度。为了检验提出的改进模型的有效性,分别在KITTI数据集和Scene Flow数据集上进行训练和实验。从实验结果可以看出基于多尺度注意力机制的单目图像深度估计可以显著降低实验误差和提高在一定阈值范围内的准确率。基于多度量损失的双目深度估计算法相较于其他算法参数的数量更少,匹配过程中的端点误差以及像素级误差更低,图像匹配所需时间更少。通过实验的对比分析可以得出本文提出的算法在复杂场景中能够充分提取图像中的全局信息,对于图像中的远距离物体依然有良好的效果,输出的深度图具有更小的误差和更高的准确度,相较于其他算法更加的高效。

关键词：非监督学习注意力机制深度估计图像处理

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

演化数据的学习

计算机学报 2013年第2期36卷 310-316页

作者：张长水张见闻清华大学自动化系智能技术与系统国家重点实验室信息科学与技术国家实验室(筹) 北京100084

在一些实际问题中,数据的分布随时间的变化而逐渐变化,这类数据的学习问题被称之为演化数据的学习.文中综述了演化数据上的学习方面的研究进展.提出了今后需要关注的一些问题,如数据演化的机制、一般性的假设问题、演化数据分类等等.

关键词：机器学习演化数据非监督学习半监督学习

融合Doc2vec与GCN的多类型蛋白质相互作用预测方法

在线全文

学校读者我要写书评

暂无评论

智能系统学报 2023年第6期18卷 1165-1172页

作者：曹汉童陈璟江南大学人工智能与计算机学院江苏无锡214122 江南大学江苏省模式识别与计算智能工程实验室江苏无锡214122

多类型蛋白质−蛋白质相互作用(protein-protein interaction,PPI)的研究是从系统角度理解生物过程和揭示疾病机制的基础。现有的GNN-PPI、PIPR等针对多类型PPI预测方法在采用广度和深度优先搜索对数据集进行划分时,测试准确率会显著下降... 详细信息

多类型蛋白质−蛋白质相互作用(protein-protein interaction,PPI)的研究是从系统角度理解生物过程和揭示疾病机制的基础。现有的GNN-PPI、PIPR等针对多类型PPI预测方法在采用广度和深度优先搜索对数据集进行划分时,测试准确率会显著下降,因此本文基于Doc2vec方法思想和图卷积神经网络(graph convolutional network,GCN)技术,提出了一种新的多类型PPI预测方法GDP(GCN Doc2vec PPI)。该方法无需依赖蛋白质的物理和生物学特性,仅用序列信息对蛋白质进行编码,并结合网络结构信息对蛋白质进行特征聚合形成PPI信息,从而对其进行多类型预测。实验结果表明,该方法在不同规模的真实数据中可以有效地提高多类型PPI预测准确率,尤其是在训练集中未曾见过的新蛋白质之间的PPI。

关键词： PPI网络图神经网络蛋白质功能预测深度学习生物学意义复杂网络图卷积神经网络非监督学习蛋白质序列

在线全文

学校读者我要写书评

暂无评论

人脸图像超分辨率的自适应流形学习方法

计算机辅助设计与图形学学报 2008年第7期20卷 856-863页

作者：张雪松江静彭思龙中国科学院自动化研究所国家专用集成电路设计工程技术研究中心北京100190 华北科技学院机械与电气工程系北京101601

样本规模与使用方法是基于学习的超分辨率中的一个重要问题.面向人脸图像超分辨率重建,提出一种基于局部保持投影(LPP)的自适应流形学习方法.由于能够揭示隐含在高维图像空间中的非线性结构,LPP是一种可以在局部人脸流形上分析其内在特... 详细信息

样本规模与使用方法是基于学习的超分辨率中的一个重要问题.面向人脸图像超分辨率重建,提出一种基于局部保持投影(LPP)的自适应流形学习方法.由于能够揭示隐含在高维图像空间中的非线性结构,LPP是一种可以在局部人脸流形上分析其内在特征的、有效的流形学习方法.通过在LPP特征子空间中动态搜索出与输入图像块最相似的像素块集合作为学习样本,实现了自适应样本选择,并且利用动态样本集合通过基于像素块的特征变换方法有效地恢复出低分辨率人脸图像中缺失的高频成分.实验结果证实:通过在局部人脸流形上自适应地选择学习样本,文中方法可以仅使用相对少量的样本来获得很好的超分辨率重建结果.

关键词：人脸图像超分辨率局部保持投影流形学习非监督学习

在线全文

学校读者我要写书评

暂无评论

基于非监督贝叶斯学习雷达性能指标动态评估

系统工程与电子技术 2021年第1期43卷 74-82页

作者：杨磊毛欣瑶杨晓炜张海杨菲孙麟中国民航大学天津市智能信号与图像处理重点实验室天津300300 中国工程物理研究院电子工程研究所四川绵阳621999

针对传统雷达性能指标评估方法相对“机械”、缺乏理论约束,需要多次重复实验,导致评估效率较低,评估成本较高等问题,提出基于非监督贝叶斯学习方法的雷达性能指标动态评估算法,在一定雷达探测目标先验假设下,结合典型回波观测数据模型... 详细信息

针对传统雷达性能指标评估方法相对“机械”、缺乏理论约束,需要多次重复实验,导致评估效率较低,评估成本较高等问题,提出基于非监督贝叶斯学习方法的雷达性能指标动态评估算法,在一定雷达探测目标先验假设下,结合典型回波观测数据模型,建立雷达性能指标后验概率模型。考虑到先验知识与观测数据可能存在的非共轭特性,针对先验概率模型建立分层贝叶斯模型,从而保证雷达性能指标后验概率密度函数的可解性。此外,为了保证后验概率密度函数的闭合解析解,应用变分贝叶斯期望最大化(variational Bayesian expectation maximization,VB-EM)方法,基于高斯赛德尔迭代策略分别计算性能指标及其超参数的后验概率密度函数。最终,利用后验概率密度函数计算结果,可获得相应性能指标解析估计值及其置信区间和置信度,从而实现对指标动态变化的解析指示。相比传统蒙特卡罗评估方法,所提方法仅需一次实验数据便可获得定量的、解析的指标评估结果,可以大大缩减评估成本,提升评估效率,同时可对指标动态变化给出定量指示。应用仿真数据对雷达定位、测高精度以及目标检测概率指标进行了验证,相比传统方法,评估处理增益获得了有效提升。

关键词：非监督学习贝叶斯学习动态评估雷达性能指标

在线全文

学校读者我要写书评

暂无评论

基于多例学习的Web图像聚类

计算机研究与发展 2009年第9期46卷 1462-1470页

作者：路晶马少平智能技术与系统国家重点实验室北京100084 清华大学计算机科学与技术系北京100084 清华信息科学与技术国家实验室北京100084

在图像分类和自动标注系统中,多例学习(MIL)是研究的热点.目前MIL中的算法多为监督学习方法.针对非监督学习,在基于EM算法和启发式迭代优化算法的框架下,提出了6种多例聚类算法,并通过它们对来自于真实Web环境下的图像进行聚类以分析用... 详细信息

在图像分类和自动标注系统中,多例学习(MIL)是研究的热点.目前MIL中的算法多为监督学习方法.针对非监督学习,在基于EM算法和启发式迭代优化算法的框架下,提出了6种多例聚类算法,并通过它们对来自于真实Web环境下的图像进行聚类以分析用户的搜索兴趣.由于一幅图像含有若干个区域,每个区域可被看为一个样例,属于同一个图像的区域则组成一个包.因此如何理解图像语义内容的问题即转化为多例学习.在多例学习的经典数据集MUSK数据和来自于Web图像集上的比较实验表明,提出的多例聚类算法具有优良的聚类性能.

关键词：非监督学习多例学习聚类算法 EM算法启发式迭代优化算法

在线全文

学校读者我要写书评

暂无评论

一种硬盘故障预测的非监督对抗学习方法

西安电子科技大学学报 2020年第2期47卷 118-125页

作者：姜少彬杜春陈浩李军伍江江国防科技大学电子科学学院湖南长沙410073

为解决传统监督学习方法在不均衡数据集异常检测上易出现过拟合的问题,提出一种非监督对抗学习方法用于硬盘故障预测。该方法使用长短期记忆神经网络和全连接层设计了一种可进行二次编码的自编码器,只需使用正常样本进行训练,通过减小... 详细信息

为解决传统监督学习方法在不均衡数据集异常检测上易出现过拟合的问题,提出一种非监督对抗学习方法用于硬盘故障预测。该方法使用长短期记忆神经网络和全连接层设计了一种可进行二次编码的自编码器,只需使用正常样本进行训练,通过减小样本重构误差和潜在向量之间的距离,使模型学习正常样本的数据分布,从而提高了模型的泛化能力。模型中还引入生成式对抗网络增强非监督学习的效果。在多个数据集上的对比实验显示,该方法对异常样本的召回率和精确度都高于传统的监督学习和半监督学习分类器,泛化能力更强。所以,该非监督对抗学习方法在硬盘故障预测上是有效的。

关键词：异常检测硬盘故障预测生成式对抗网络非监督学习

在线全文

学校读者我要写书评

暂无评论

基于深度学习理论的轴承状态识别研究

振动与冲击 2016年第12期35卷 167-171,195页

作者：郭亮高宏力张一文黄海凤西南交通大学机械工程学院成都610031

针对滚动轴承振动数据耦合程度高,信号特征提取和识别模型建立困难的问题,提出了一种基于深度学习理论的状态监测方法。提取振动信号的时域、频域和时频域特征构成特征向量;通过稀疏自编码非监督学习网络对输入向量进行特征学习,并将单... 详细信息

针对滚动轴承振动数据耦合程度高,信号特征提取和识别模型建立困难的问题,提出了一种基于深度学习理论的状态监测方法。提取振动信号的时域、频域和时频域特征构成特征向量;通过稀疏自编码非监督学习网络对输入向量进行特征学习,并将单层网络叠加构成深度神经网络;最后采用少量有标签数据对整个深度神经网络进行微调训练,建立轴承状态监测模型。试验结果表明,提出的方法对于轴承状态识别准确率达到90.86%,且性能退化阶段识别率最高,能满足视情维修的工程需求。

关键词：深度学习非监督学习滚动轴承视情维修