心電圖是臨床上心肌缺血早期檢測最常用的方法,因為心電圖檢測價格低廉、操作簡單、對人體沒有創(chuàng)傷。但是基于心電圖的心肌缺血早期檢測準確率相比于其它一些有創(chuàng)傷性的方法還是較低,為此,許多學者也對心電圖進行了研究,但這些學者大都只是把心電圖當成是一種靜態(tài)模式進行研究。確定學習理論可以實現(xiàn)動態(tài)環(huán)境下知識的學習、表達、存儲以及再利用,是智能控制領域的一項新理論�；诖_定學習理論的心肌缺血早期檢測將心電圖看成是一種動態(tài)模式,提取出心電信號中ST-T段的動力學特征,根據(jù)心電動力學特征在三維坐標空間的投影(心電動力學圖)形狀對心肌缺血的存在與否做出診斷,取得了令人滿意的診斷效果。根據(jù)心電動力學圖的形狀進行分類,只是一種定性分析方法。為了更科學、高效地對心電動力學特征進行分類,本文采用多泛函回聲狀態(tài)網(wǎng)絡集成模型作為分類器�；芈暊顟B(tài)網(wǎng)絡是一種特殊的循環(huán)神經(jīng)網(wǎng)絡,它用儲備池替代了隱含層,訓練時只需要訓練儲備池到輸出層的連接權值,因而訓練過程十分簡單。泛函回聲狀態(tài)網(wǎng)絡是一種特殊的回聲狀態(tài)網(wǎng)絡,保留了回聲狀態(tài)網(wǎng)絡訓練速度快的優(yōu)勢,還解決了回聲狀態(tài)網(wǎng)絡無法直接對時間序列進行分類的問題。對于同一個待分類任務,本文用多個泛函回聲狀態(tài)網(wǎng)絡生成一種集成分類器,降低單一泛函回聲狀態(tài)網(wǎng)絡進行分類時隨機值參數(shù)帶來的影響。實驗結果表明,多泛函回聲狀態(tài)網(wǎng)絡集成分類器對心電動力學特征具有優(yōu)秀的分類能力,是一種高性能的分類器。為了更廣泛地將本文提出的算法投入到實際醫(yī)療環(huán)境中進行實驗,本文最后開發(fā)了一套基于WPF的心肌缺血早期檢測系統(tǒng),通過C#和C++混合編程,借助Armadillo線性代數(shù)庫解決算法中涉及的大量矩陣運算問題。系統(tǒng)的主要功能包括數(shù)據(jù)采集、數(shù)據(jù)預處理和診斷分析。該系統(tǒng)的實現(xiàn),也為算法的進一步檢驗打下了堅實的基礎。
【學位單位】：華南理工大學
【學位級別】：碩士
【學位年份】：2019
【中圖分類】：R540.41;TN911.7;TP183
【部分圖文】：

心電圖是心臟在每一個心臟電激動周期產(chǎn)生的記錄。標準心電圖有 12 ，分別是 3 個標準肢體導聯(lián)：I、II、III導聯(lián)；3 個加壓單極肢體導聯(lián)：aF 、 aVL 導聯(lián)；6 個胸導聯(lián)：1V 、2V 、3V 、4V 、5V 、6V 導聯(lián)。通過在人放置電極并用導線與心電圖機正負極相連，心電圖機就能記錄下每個導聯(lián)活動變化曲線。心電圖記錄下的是心肌細胞電激動產(chǎn)生的電位變化。心肌細胞未受刺激胞膜外側帶正電荷，細胞膜內(nèi)側帶負電荷，膜外任意兩點沒有電位差，沒產(chǎn)生，這種狀態(tài)被稱為極化狀態(tài)。當心肌細胞受到刺激時，膜外正電荷進內(nèi)，細胞膜外帶負電荷，細胞膜內(nèi)帶正電荷，產(chǎn)生動作電位，極化狀態(tài)消過程也被稱為除極。除極完畢后，心肌細胞又會復極，逐漸恢復到到細胞正電荷，細胞膜內(nèi)帶負電荷，膜外任意兩點沒有電位差的極化狀態(tài)。心肌的一個周期由一次除極和復極組成。

房除極開始到心室除極開始的時間差。PR 間期與般為 60-100 次/分鐘，對應的 PR 間期在 0.12s 到室除極波，記錄心室除極的電位、時間和方向變的 Q 波、高尖的 R 波和方向向下的 S 波。除極剛結束時緩慢復極的一段時間。正常 ST 段是或抬高。復極時的電位變化記錄。正常 T 波一般呈圓鈍低于同導聯(lián) R 波的 10%。心室復極的時間，與心率快慢有關。正常成年人間。之后很短時間內(nèi)出現(xiàn)的幅度很小的波，方向與 T較明顯。

圖 2-3 倒置 T 波案例圖 2-4 心肌缺血時 ST 段偏移異常案例缺血時，心室復極活動會出現(xiàn)異常，在心電圖上。正常情況下，心室復極是從心肌細胞的膜外向

【參考文獻】

相關期刊論文 前4條

1 王懷亮;;交叉驗證在數(shù)據(jù)建模模型選擇中的應用[J];商業(yè)經(jīng)濟;2011年10期

2 王俊;馬千里;;基于多尺度熵的心電圖ST段研究[J];南京郵電大學學報(自然科學版);2008年03期

3 許少華,肖紅,廖太平;基于離散Walsh變換的過程神經(jīng)元網(wǎng)絡學習算法[J];大慶石油學院學報;2003年04期

4 何新貴,梁久禎;過程神經(jīng)元網(wǎng)絡的若干理論問題[J];中國工程科學;2000年12期

相關博士學位論文 前1條

1 陳填銳;確定學習理論與智能振動故障診斷[D];華南理工大學;2010年

相關碩士學位論文 前6條

1 謝艷輝;不同程度冠狀動脈狹窄對血管血流動力學的影響及其血流動力學風險評估[D];鄭州大學;2018年

2 劉洋;基于確定學習理論的心肌缺血早期輔助診斷與管理系統(tǒng)及實現(xiàn)[D];華南理工大學;2017年

3 陳威彪;儲蓄池計算模型及其在時序信息的預測和分類研究[D];華南理工大學;2012年

4 周龍沙;基于確定學習的航空發(fā)動機旋轉(zhuǎn)失速快速檢測的并行計算實現(xiàn)[D];華南理工大學;2011年

5 陳長亮;心電圖的計算機智能分析系統(tǒng)[D];山東大學;2006年

6 張一芝;心源性猝死的相關危險因素分析[D];天津醫(yī)科大學;2004年

本文編號：2819687