近些年,深度學習在圖像處理以及語音識別領(lǐng)域已日漸成熟。借助于深度學習,心電圖(Electrocardiogram,ECG)的檢測和分類是目前醫(yī)療健康領(lǐng)域研究的熱點問題。其中,基于卷積神經(jīng)網(wǎng)絡(Convolutional Neural Network,CNN)的ECG分類方法在準確率上已達到很好的標準[1]。雖然ECG分類的研究已初見成效,但對于臨床應用,依然有許多復雜的心電病理性疾病其識別效果并不理想。本項目依據(jù)大量心電臨床數(shù)據(jù),從中篩選出包括21種常見心電疾病的數(shù)據(jù)樣本,進行分類訓練。另外,本文致力于應用深度神經(jīng)網(wǎng)絡解決心電圖R波識別,心電圖缺失修復等問題,并構(gòu)建一個心電圖實時診斷平臺。本文主要研究工作分以下幾個部分:1.設計了基于循環(huán)神經(jīng)網(wǎng)絡(Recurrent Neural Network,RNN)的心電圖R波識別算法模型。RNN在時間序列方面有著廣泛的應用,包括語音識別,機器翻譯,觸發(fā)詞檢測等等。本文采用該網(wǎng)絡,邏輯單元使用長短期記憶模型(Long Short-Term Memory,LSTM),并在LSTM單元之前先全局使用一個卷積層,充分考慮到R點周圍的心電信息,提高準確率。通過在測試集依據(jù)相關(guān)性能指標進行測試,結(jié)果表明,相比傳統(tǒng)基于小波分析[2]的R波檢測算法,LSTM單元兼顧信號全局特征及局部特征,對于特征提取更具有穩(wěn)定性和可靠性。2.設計了基于生成對抗網(wǎng)絡(Generative Adversarial Network,GAN)的心電圖缺失修復算法模型。該算法近年來在圖像生成,圖像轉(zhuǎn)換領(lǐng)域發(fā)展迅速,得益于GPU的發(fā)展與應用使得深度學習計算效率大幅提升。由于在實際檢測中,患者與心電設備接觸不良以及其他電信號擾動,導致心電圖信號不完整。由于R點的缺失,在心率(Heart Rate,HR)及心率變異性(Heart Rate Variability,HRV)的計算上,具有較大誤差。該算法主要基于生成對抗網(wǎng)絡對缺失的ECG片段進行修復,使其能正確識別出R點,并更加準確地計算出HR及HRV。3.構(gòu)建了Restful風格的應用編程接口(Application Programming Interface,API),對接醫(yī)療級心電儀,智能手環(huán),便攜心電貼片等多種設備。結(jié)合心電圖R波識別、心電圖濾波、心電圖診斷等算法模塊,提供實時的心電診斷服務。該系統(tǒng)采用Dj ango Rest Frame work框架,MySQL數(shù)據(jù)庫,通過反向代理部署在Nginx服務器。同時該服務可通過Vue框架構(gòu)建的前端系統(tǒng)進行查詢、管理、展示和統(tǒng)計等操作。
【學位單位】：北京郵電大學
【學位級別】：碩士
【學位年份】：2019
【中圖分類】：TH776;TP391.41;TP181
【部分圖文】：

圖２－１邋ＲＮＮ結(jié)構(gòu)圖逡逑

邐ｘ丨邐ｘ＜－丨；逡逑圖２－１邋ＲＮＮ結(jié)構(gòu)圖逡逑ＲＮＮ包含輸入單元（ｉｎｐｕｔ邋ｕｎｉｔｓ），輸入數(shù)據(jù)集標記為逡逑而輸出單元（ｏｕｔｐｕｔｕｎｉｔｓ）的輸出數(shù)據(jù)集標記為｛ｙ。，｝＾，邋．．．，ｙｔ，ｙｔ＋１，．．．｝。ＲＮＮ還包逡逑＇含一些隱藏單元（ｈｉｄｄｅｎ邋ｕｎｉｔｓ），我們將其狀態(tài)集標記為逡逑其運算公式為：逡逑ｈｔ邋＝邋ｃｒｈ（Ｗｈｘｔ邋＋邋Ｕｈｈｔ＾邋＋邋ｂｈ）邐（２－１）逡逑ｙｔ邋＝邋0ｙ｛Ｗｙｈｔ邋＋邋ｂｙ）邐（２－２）逡逑式中，ｘｔ：輸入向量逡逑ｈｔ：隱藏層矢量逡逑ｙｔ：輸出向量逡逑Ｗ，Ｕ，邋ｂ：參數(shù)矩陣和向量逡逑％，（７ｙ：激活函數(shù)逡逑在應對深度學習中的梯度消失問題，長短期記憶網(wǎng)絡（ＬＳＴＭ）是一種常用逡逑的處理方法。ＬＳＴＭ單元主要包含三個邏輯門：輸入門

邐ｘ丨邐ｘ＜－丨；逡逑圖２－１邋ＲＮＮ結(jié)構(gòu)圖逡逑ＲＮＮ包含輸入單元（ｉｎｐｕｔ邋ｕｎｉｔｓ），輸入數(shù)據(jù)集標記為逡逑而輸出單元（ｏｕｔｐｕｔｕｎｉｔｓ）的輸出數(shù)據(jù)集標記為｛ｙ。，｝＾，邋．．．，ｙｔ，ｙｔ＋１，．．．｝。ＲＮＮ還包逡逑＇含一些隱藏單元（ｈｉｄｄｅｎ邋ｕｎｉｔｓ），我們將其狀態(tài)集標記為逡逑其運算公式為：逡逑ｈｔ邋＝邋ｃｒｈ（Ｗｈｘｔ邋＋邋Ｕｈｈｔ＾邋＋邋ｂｈ）邐（２－１）逡逑ｙｔ邋＝邋0ｙ｛Ｗｙｈｔ邋＋邋ｂｙ）邐（２－２）逡逑式中，ｘｔ：輸入向量逡逑ｈｔ：隱藏層矢量逡逑ｙｔ：輸出向量逡逑Ｗ，Ｕ，邋ｂ：參數(shù)矩陣和向量逡逑％，（７ｙ：激活函數(shù)逡逑在應對深度學習中的梯度消失問題，長短期記憶網(wǎng)絡（ＬＳＴＭ）是一種常用逡逑的處理方法。ＬＳＴＭ單元主要包含三個邏輯門：輸入門

【相似文獻】

相關(guān)期刊論文 前10條

1 胡悅;;金融市場中的神經(jīng)網(wǎng)絡拐點預測法[J];金融經(jīng)濟;2017年18期

2 鮑偉強;陳娟;熊濤;;基于進化神經(jīng)網(wǎng)絡的短期電力負荷預測研究[J];電工技術(shù);2019年11期

3 陳曉燕;;淺析簡單神經(jīng)網(wǎng)絡的發(fā)展及簡單模型[J];數(shù)字技術(shù)與應用;2019年05期

4 遲惠生;陳珂;;1995年世界神經(jīng)網(wǎng)絡大會述評[J];國際學術(shù)動態(tài);1996年01期

5 吳立可;;脈沖神經(jīng)網(wǎng)絡和行為識別[J];通訊世界;2018年12期

6 林嘉應;鄭柏倫;劉捷;;基于卷積神經(jīng)網(wǎng)絡的船舶分類模型[J];信息技術(shù)與信息化;2019年02期

7 俞頌華;;卷積神經(jīng)網(wǎng)絡的發(fā)展與應用綜述[J];信息通信;2019年02期

8 韓真;凱文·哈特尼特;;為神經(jīng)網(wǎng)絡的通用理論建造基石[J];世界科學;2019年04期

9 王麗華;楊秀萍;王皓;高崢翔;;智能雙輪平衡車的設計研究[J];數(shù)字技術(shù)與應用;2018年04期

10 張庭略;;基于硬件的神經(jīng)網(wǎng)絡加速[J];通訊世界;2018年08期

相關(guān)會議論文 前10條

1 孫軍田;張U

本文編號：2829796