隨著社會(huì)老齡化的發(fā)展,心血管疾病的發(fā)病率和死亡率一直處于遞增狀態(tài),現(xiàn)在已經(jīng)超過(guò)腫瘤性疾病成為排名第一的疾病。房顫作為臨床上最常見(jiàn)的心血管疾病,影響著50歲以上約5%的人口,也是腦卒中以及心律衰竭等重大心臟疾病的重要誘因。近年來(lái),因?yàn)榉款澬盘?hào)的數(shù)字特征在心律失常藥物效果判斷、房顫輔助診斷以及顫動(dòng)部位定位等方面展現(xiàn)了重要的臨床價(jià)值,所以在房顫發(fā)生時(shí),消除心室信號(hào)的干擾,提取房顫信號(hào)是幫助臨床醫(yī)生進(jìn)一步分析房顫的重要手段。為了滿足臨床上對(duì)房顫信號(hào)的準(zhǔn)確性提取要求以及動(dòng)態(tài)心電信號(hào)實(shí)時(shí)性提取要求,本文對(duì)房顫信號(hào)提取算法做了進(jìn)一步的深入研究,本文的主要研究?jī)?nèi)容如下:一、本文提出了基于遺傳回聲狀態(tài)網(wǎng)絡(luò)的房顫信號(hào)提取算法。為了降低基于回聲狀態(tài)網(wǎng)絡(luò)提取房顫信號(hào)過(guò)程中儲(chǔ)備池參數(shù)人工隨機(jī)選擇的盲目性,引入遺傳算法對(duì)儲(chǔ)備池參數(shù)進(jìn)行優(yōu)化,生成最優(yōu)的網(wǎng)絡(luò)儲(chǔ)備池用于提取房顫信號(hào)。同時(shí),為了加快進(jìn)化速度,設(shè)計(jì)了一種自適應(yīng)遺傳算子,在保證搜索范圍的情況下,滿足回聲狀態(tài)網(wǎng)絡(luò)在房顫信號(hào)提取中的實(shí)時(shí)性要求。實(shí)驗(yàn)證明,所提算法在仿真房顫信號(hào)提取實(shí)驗(yàn)中的相對(duì)均方根誤差達(dá)到了0.22,在真實(shí)房顫信號(hào)提取實(shí)驗(yàn)當(dāng)中頻譜集中度達(dá)到了42...

【文章頁(yè)數(shù)】：59 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 課題研究背景及研究意義
    1.2 房顫信號(hào)提取研究現(xiàn)狀
    1.3 論文內(nèi)容安排
第二章 回聲狀態(tài)網(wǎng)絡(luò)在房顫提取中的應(yīng)用
    2.1 引言
    2.2 回聲狀態(tài)網(wǎng)絡(luò)
        2.2.1 網(wǎng)絡(luò)結(jié)構(gòu)
        2.2.2 儲(chǔ)備池參數(shù)
        2.2.3 網(wǎng)絡(luò)應(yīng)用流程
    2.3 回聲狀態(tài)網(wǎng)絡(luò)在房顫信號(hào)提取中的應(yīng)用
        2.3.1 房顫的產(chǎn)生機(jī)理及特征表現(xiàn)
        2.3.2 回聲狀態(tài)網(wǎng)絡(luò)的房顫提取模型
        2.3.3 房顫信號(hào)提取評(píng)價(jià)標(biāo)準(zhǔn)
    2.4 本章小結(jié)
第三章 基于遺傳回聲狀態(tài)網(wǎng)絡(luò)的房顫信號(hào)提取算法
    3.1 引言
    3.2 基于回聲狀態(tài)網(wǎng)絡(luò)的房顫信號(hào)提取
    3.3 遺傳回聲狀態(tài)網(wǎng)絡(luò)
        3.3.1 個(gè)體編碼與適應(yīng)度函數(shù)的選擇
        3.3.2 自適應(yīng)遺傳算子的設(shè)計(jì)
        3.3.3 基于遺傳回聲狀態(tài)網(wǎng)絡(luò)的房顫提取模型
    3.4 算法驗(yàn)證和結(jié)果分析
        3.4.1 實(shí)驗(yàn)數(shù)據(jù)說(shuō)明
        3.4.2 數(shù)據(jù)預(yù)處理
        3.4.3 仿真房顫信號(hào)提取實(shí)驗(yàn)
        3.4.4 真實(shí)房顫信號(hào)提取實(shí)驗(yàn)
    3.5 本章小結(jié)
第四章 ICA與 ESN相結(jié)合的房顫信號(hào)提取算法
    4.1 引言
    4.2 房顫信號(hào)提取的整體框架
    4.3 基于ICA和 ESN的房顫信號(hào)提取
        4.3.1 基于負(fù)熵的獨(dú)立成分信號(hào)提取
        4.3.2 利用回聲狀態(tài)網(wǎng)絡(luò)完成房顫信號(hào)提取
    4.4 算法驗(yàn)證和結(jié)果分析
        4.4.1 仿真房顫信號(hào)提取實(shí)驗(yàn)
        4.4.2 真實(shí)房顫信號(hào)提取實(shí)驗(yàn)
    4.5 本章小結(jié)
第五章 總結(jié)與展望
    5.1 工作總結(jié)
    5.2 后期展望
參考文獻(xiàn)
致謝
個(gè)人簡(jiǎn)介
攻讀學(xué)位期間取得的研究成果



本文編號(hào)：3779525