心血管疾病是威脅人類生命健康的重要疾病之一,其患病率和死亡率呈逐年上升趨勢。80%以上心血管病人伴隨并發(fā)性心律失�，F(xiàn)象,而心律失常是誘發(fā)心臟病和心臟猝死的一個(gè)高危風(fēng)險(xiǎn)因素。因此,對心律失常進(jìn)行及時(shí)準(zhǔn)確的檢測,對于心臟病和心臟猝死早期預(yù)防及干預(yù)均具有重要的研究意義。心電圖作為心律失常診斷的重要手段,目前常見的心律失常自動(dòng)檢測方法大多基于心電信號的特征檢測及提取,在處理分析信號質(zhì)量欠佳的心電數(shù)據(jù)上心律失常診斷的準(zhǔn)確性仍存在不足和難點(diǎn)。在處理長時(shí)心電數(shù)據(jù)時(shí),計(jì)算效率是其最大的掣肘,無法滿足移動(dòng)醫(yī)療的實(shí)際需求。針對上述問題,本文研究了心律失常自動(dòng)檢測方法及高性能實(shí)現(xiàn),主要工作內(nèi)容和創(chuàng)新成果包括:（1）基于偽跡消除的心律失常自動(dòng)檢測方法。分析常見心律失常方法分析處理高噪聲的動(dòng)態(tài)心電數(shù)據(jù)過程中的不足,本文通過引入偽差識別機(jī)制,提出了基于偽差識別的心律失常自動(dòng)檢測方法,降低心律失常的誤判風(fēng)險(xiǎn)。實(shí)驗(yàn)結(jié)果顯示本文提出的基于偽跡消除的心律失常方法在房性早搏識別上優(yōu)于其他同類競爭方法,能有效的檢測出房性早搏。在室性早搏識別問題上,其室性早搏識別率與同類算法不相上下。但是,在可穿戴動(dòng)態(tài)心電數(shù)據(jù)上,由于引入了偽... 

【文章來源】：中國科學(xué)院大學(xué)(中國科學(xué)院深圳先進(jìn)技術(shù)研究院)廣東省

【文章頁數(shù)】：116 頁

【學(xué)位級別】：博士

【文章目錄】：
摘要
abstract
符號列表
第1章 緒論
    1.1 研究背景與意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 心律失常自動(dòng)檢測方法研究現(xiàn)狀
        1.2.2 心律失常并行檢測方法研究現(xiàn)狀
    1.3 主要研究內(nèi)容及創(chuàng)新點(diǎn)
        1.3.1 本文主要研究內(nèi)容
        1.3.2 本文創(chuàng)新點(diǎn)
    1.4 課題來源及論文結(jié)構(gòu)
第2章 研究基礎(chǔ)及相關(guān)技術(shù)背景
    2.1 心電圖基礎(chǔ)
        2.1.1 心電信號產(chǎn)生機(jī)理
        2.1.2 心電信號波形特征
        2.1.3 心律失常分類
    2.2 深度學(xué)習(xí)相關(guān)技術(shù)
        2.2.1 深度學(xué)習(xí)概述
        2.2.2 深度學(xué)習(xí)經(jīng)典模型
        2.2.3 深度信念網(wǎng)絡(luò)
        2.2.4 深層自編碼網(wǎng)絡(luò)
        2.2.5 深層卷積神經(jīng)網(wǎng)絡(luò)
        2.2.6 深度循環(huán)神經(jīng)網(wǎng)絡(luò)
    2.3 并行計(jì)算相關(guān)技術(shù)
        2.3.1 OpenMP并行庫
        2.3.2 CUDA計(jì)算平臺
        2.3.3 OpenCL并行框架
    2.4 本章小結(jié)
第3章 基于偽跡消除的心律失常自動(dòng)檢測方法
    3.1 引言
    3.2 健康云平臺
    3.3 心律失常自動(dòng)檢測方法
        3.3.1 數(shù)據(jù)預(yù)處理
        3.3.2 心電數(shù)據(jù)特征檢測
        3.3.3 心律失常分類
    3.4 實(shí)驗(yàn)結(jié)果與分析
        3.4.1 實(shí)驗(yàn)環(huán)境
        3.4.2 實(shí)驗(yàn)數(shù)據(jù)
        3.4.3 檢測分類結(jié)果
        3.4.4 結(jié)果討論
    3.5 本章小結(jié)
第4章 基于深層卷積網(wǎng)絡(luò)的嚴(yán)重心律失常自動(dòng)檢測方法
    4.1 引言
    4.2 多尺度融合深層卷積網(wǎng)絡(luò)模型
        4.2.1 問題定義
        4.2.2 多尺度融合的深層卷積網(wǎng)絡(luò)模型架構(gòu)
        4.2.3 深度卷積網(wǎng)絡(luò)并行優(yōu)化
    4.3 實(shí)驗(yàn)過程
        4.3.1 數(shù)據(jù)預(yù)處理
        4.3.2 交叉驗(yàn)證
        4.3.3 模型參數(shù)選擇
    4.4 實(shí)驗(yàn)結(jié)果與分析
        4.4.1 實(shí)驗(yàn)環(huán)境
        4.4.2 實(shí)驗(yàn)數(shù)據(jù)
        4.4.3 房顫識別結(jié)果
        4.4.4 特征可視化
        4.4.5 分類性能比較
    4.5 本章小結(jié)
第5章 基于GPU的心律失常自動(dòng)檢測并行處理方法
    5.1 引言
    5.2 CPU-AECG算法計(jì)算時(shí)間分析
    5.3 GPU-AECG算法
        5.3.1 GPU-AECG算法架構(gòu)及算法描述
        5.3.2 并行算法參數(shù)優(yōu)化
    5.4 cGPU-AECG算法
    5.5 mGPU-AECG算法
        5.5.1 mGPU-AECG算法架構(gòu)及算法描述
        5.5.2 實(shí)驗(yàn)步驟
    5.6 實(shí)驗(yàn)結(jié)果與分析
        5.6.1 實(shí)驗(yàn)環(huán)境
        5.6.2 數(shù)據(jù)集
        5.6.3 心律失常分類結(jié)果
        5.6.4 并行算法并行效率分析
    5.7 本章小結(jié)
第6章 總結(jié)與展望
    6.1 本文工作總結(jié)
    6.2 未來工作展望
參考文獻(xiàn)
作者簡歷及攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文與研究成果
致謝


【參考文獻(xiàn)】：
期刊論文
[1]一種實(shí)時(shí)魯棒的QRS波群檢測算法[J]. 王利琴,顧軍華,梁志剛.  計(jì)算機(jī)應(yīng)用與軟件. 2013(12)
[2]基于模板匹配和特征識別相結(jié)合的心室期前收縮波形分類算法[J]. 段會龍,馮靖祎,洪瑋.  航天醫(yī)學(xué)與醫(yī)學(xué)工程. 2002(02)



本文編號：3461829