心電圖是當前心臟疾病診斷的主要手段之一,然而心電圖無法提供直觀的心臟圖像,心臟電功能成像技術就是解決這一弊端的有效方式。心臟電功能成像問題研究可以根據(jù)心臟模型的幾何結構信息和體表電位分布實現(xiàn)對心臟電活動信息的實時成像,其本質(zhì)是一個基于橫跨膜電位的心電逆問題,即根據(jù)身體表面電位（BSP）無創(chuàng)地重建心臟跨膜電位（TMP）,從而更好地反映出心臟電活動信息的細節(jié)。心電逆問題可視為一種多輸入多輸出的非線性回歸問題（即根據(jù)多個體表電位分布輸入通過回歸模型重構多個心臟跨膜電位分布輸出）,而基于數(shù)據(jù)驅(qū)動的機器學習算法是解決非線性回歸問題的一種有效手段。深度學習作為一類強大的機器學習算法是當前人工智能領域研究的前沿和熱門方向,使用深度學習解決非線性回歸任務可以實現(xiàn)更準確的預測精度和更良好的泛化能力。本文通過卷積神經(jīng)網(wǎng)絡（CNN）構建深度學習模型,使用Caffe框架對模型進行GPU并行訓練。本文使用CNN構建深度學習模型。CNN具有強大的特征學習和表達能力,可以對心臟跨膜電位實現(xiàn)良好的逼近。實驗結果表明,與極限學習機（ELM）和核極限學習機（ELM-kernel）方法相比,CNN方法具有更高的預測精度和泛... 

【文章來源】：浙江理工大學浙江省

【文章頁數(shù)】：56 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景和意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 本文研究內(nèi)容及論文結構
第二章 逆問題研究的基礎理論和方法
    2.1 心電逆問題研究總體框架
    2.2 建立心電逆問題模型
    2.3 心電仿真數(shù)據(jù)
        2.3.1 基于肯特束綜合征的心電仿真數(shù)據(jù)
        2.3.2 基于正常心臟的心電仿真數(shù)據(jù)
        2.3.3 模型評價準則
    2.4 HDF5文件簡介
    2.5 本章小結
第三章 基于卷積神經(jīng)網(wǎng)絡的心電逆問題研究
    3.1 引言
    3.2 卷積神經(jīng)網(wǎng)絡的理論及方法
        3.2.1 CNN前向傳播算法
        3.2.2 CNN反向傳播算法
        3.2.3 建立CNN模型
    3.3 卷積神經(jīng)網(wǎng)絡模型優(yōu)化算法
        3.3.1 隨機梯度下降算法
        3.3.2 小批量梯度下降算法
        3.3.3 涅斯捷羅夫梯度加速算法
        3.3.4 自適應梯度算法
    3.4 使用Caffe框架訓練模型
        3.4.1 Caffe框架簡介
        3.4.2 GPU并行訓練
    3.5 基于CNN算法與極限學習機算法比較分析
        3.5.1 對心臟跨膜電位進行重構
        3.5.2 誤差比較和分析
        3.5.3 結論
    3.6 本章小結
第四章 KPCA-CNN深度神經(jīng)網(wǎng)絡的理論及方法研究
    4.1 引言
    4.2 數(shù)據(jù)降維方法
        4.2.1 主成分分析方法
        4.2.2 核主成分分析方法
    4.3 稀疏的網(wǎng)絡連接
        4.3.1 Dropout策略
        4.3.2 Maxout激活函數(shù)
    4.4 建立KPCA-CNN模型
    4.5 本章小結
第五章 基于KPCA-CNN深度神經(jīng)網(wǎng)絡的心電逆問題研究
    5.1 引言
    5.2 KPCA降維處理
    5.3 基于KPCA-CNN模型與常規(guī)CNN模型的比較分析
        5.3.1 對心臟跨膜電位進行重構
        5.3.2 算法性能對比分析
        5.3.3 結論
    5.4 本章小結
第六章 總結與展望
    6.1 論文工作總結
    6.2 未來工作展望
參考文獻
攻讀學位期間的研究成果
致謝


【參考文獻】：
期刊論文
[1]深度卷積神經(jīng)網(wǎng)絡在計算機視覺中的應用研究綜述[J]. 王琳,趙耀,余靜華,陳曦.  農(nóng)村經(jīng)濟與科技. 2017(14)
[2]基于深度學習和醫(yī)學圖像的癌癥計算機輔助診斷研究進展[J]. 陳詩慧,劉維湘,秦璟,陳亮亮,賓果,周煜翔,汪天富,黃炳升.  生物醫(yī)學工程學雜志. 2017(02)
[3]惡性腫瘤動態(tài)對比增強磁共振成像計算機輔助診斷研究進展[J]. 周煜翔,秦璟,賓果,陳漢威,馮仕庭,汪天富,黃炳升.  生物醫(yī)學工程學雜志. 2016(04)
[4]常規(guī)12導聯(lián)心電圖與24h動態(tài)心電圖診斷起搏器植入患者心律失常檢出率的對比觀察[J]. 鄭光卓.  臨床和實驗醫(yī)學雜志. 2016(09)
[5]DropConnect Regularization Method with Sparsity Constraint for Neural Networks[J]. LIAN Zifeng,JING Xiaojun,WANG Xiaohan,HUANG Hai,TAN Youheng,CUI Yuanhao.  Chinese Journal of Electronics. 2016(01)
[6]向量相似度測度方法[J]. 張宇,劉雨東,計釗.  聲學技術. 2009(04)
[7]基于最大似然算法的心電逆問題研究[J]. 高飛,劉華鋒.  生物醫(yī)學工程學雜志. 2008(04)
[8]EEG動力學模型中混沌現(xiàn)象的研究[J]. 王興元,駱超,譚貴霖.  生物物理學報. 2005(04)
[9]心臟模型中興奮傳播算法的改進[J]. 周荷琴,郭永剛,馮煥清,王恒良.  生物醫(yī)學工程學雜志. 2002(03)

博士論文
[1]正則化技術與動態(tài)心電逆問題研究[D]. 蔣明峰.浙江大學 2008

碩士論文
[1]基于差分進化優(yōu)化算法和極限學習機的心電逆問題研究[D]. 張恒.浙江理工大學 2015
[2]基于智能優(yōu)化算法和支持向量機的心電逆問題研究[D]. 蔣姍姍.浙江理工大學 2014
[3]智能降維技術的研究與應用[D]. 安亞靜.江南大學 2012



本文編號：3581399