本文選題：T波形態(tài)分類 + 卷積神經(jīng)網(wǎng)絡(luò)��； 參考：《河北大學(xué)》2017年碩士論文

【摘要】：隨著環(huán)境的日益惡化,心臟類疾病的發(fā)病率也在逐年提升,到如今已經(jīng)嚴(yán)重威脅人類的身體健康,尤其心臟性猝死,具有突發(fā)性、高發(fā)病率和高致死率的特點(diǎn),使得因心臟性猝死而死亡的人數(shù)呈逐年遞增的趨勢(shì)。所以,心血管疾病相關(guān)方面的研究已經(jīng)成為現(xiàn)在醫(yī)療領(lǐng)域的研究熱點(diǎn),這就對(duì)預(yù)防心血管疾病,特別是心臟性猝死,對(duì)研究心電信號(hào)分析、診斷技術(shù)提出了更高的要求。研究表明心血管疾病發(fā)生前,患者的心電圖必然會(huì)發(fā)生Q-T形態(tài)和間期的變化。因此,T波作為Q-T波段的核心特征波成為心血管類病預(yù)測(cè)的關(guān)鍵。由于T波信號(hào)微弱,易受噪聲干擾,而且形態(tài)多變,隨著心血管類病研究的深入,T波的形態(tài)學(xué)分類識(shí)別和關(guān)鍵特征點(diǎn)檢測(cè)也逐漸成為研究的重點(diǎn)和難點(diǎn)。心電信號(hào)中部分噪聲的時(shí)頻域特征復(fù)雜且分布未知,同時(shí),T波的位置和形態(tài)均有多種變化,導(dǎo)致現(xiàn)有方法的精度還有待提高。隨著計(jì)算機(jī)技術(shù)的高速發(fā)展,遠(yuǎn)程醫(yī)療技術(shù)尤其是遠(yuǎn)程心電監(jiān)護(hù)系統(tǒng)的形成,使得通過(guò)大數(shù)據(jù)加工,提高診斷的精準(zhǔn)性,成為了心血管類病早期預(yù)測(cè)重要的方向。本文在遠(yuǎn)程心電監(jiān)護(hù)系統(tǒng)中心電信號(hào)噪聲多、干擾大等因素的背景下,充分考慮不同個(gè)體之間的差異特征,結(jié)合深度學(xué)習(xí),利用心電信號(hào)具有大數(shù)據(jù)特征的優(yōu)勢(shì),研究心電信號(hào)形態(tài)學(xué)分類識(shí)別和T波關(guān)鍵特征點(diǎn)自動(dòng)檢測(cè)算法。主要工作如下:(1)心電數(shù)據(jù)預(yù)處理,構(gòu)建包含復(fù)雜冗余信息的T波候選段。本文針對(duì)傳統(tǒng)的T波的形態(tài)識(shí)別分類和特征點(diǎn)檢測(cè)的孰先孰后的矛盾關(guān)系,首次提出了包含復(fù)雜冗余信息的候選T波段這一概念。采用自適應(yīng)閾值的小波方法對(duì)心電數(shù)據(jù)進(jìn)行預(yù)處理,主要先進(jìn)行濾波,然后通過(guò)R波波峰定位,利用相關(guān)醫(yī)學(xué)研究成果,充分考慮不同個(gè)體之間的差異特征,提取了候選T波段,并且構(gòu)造訓(xùn)練集和測(cè)試集,完成了T波自動(dòng)檢測(cè)算法的前期準(zhǔn)備工作。(2)構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)(Convolutional neural network,CNN),進(jìn)行T波形狀分類。本文以現(xiàn)代醫(yī)學(xué)研究成果為依據(jù),結(jié)合心電具體信息,以此來(lái)進(jìn)行T波形態(tài)識(shí)別分類的研究。本文將心電數(shù)據(jù)預(yù)處理中提取的候選段T波輸入到針對(duì)一維心電信號(hào)搭建的CNN模型中,通過(guò)對(duì)CNN模型的網(wǎng)絡(luò)調(diào)優(yōu),實(shí)現(xiàn)T波的形狀識(shí)別。這是因?yàn)镃NN模型各隱含層之間鏈接稀疏、隱含層內(nèi)訓(xùn)練參數(shù)共享等優(yōu)勢(shì),這樣能夠提取更有效的T波抽象特征,且對(duì)于位置的微小偏移和噪聲具有比較好的魯棒性。最終,利用QT數(shù)據(jù)庫(kù)里的標(biāo)準(zhǔn)化數(shù)據(jù)進(jìn)行實(shí)驗(yàn)驗(yàn)證,最終表明,本文方法能夠在未確定T波關(guān)鍵特征點(diǎn)精確位置的前提下,高效的對(duì)五種不同形狀的T波進(jìn)行識(shí)別,T波正確識(shí)別率達(dá)到了99.2%。(3)提出了基于形態(tài)指導(dǎo)的T波關(guān)鍵特征點(diǎn)自動(dòng)檢測(cè)算法。本文利用T波形態(tài)學(xué)分類識(shí)別結(jié)果,根據(jù)每一類T波形態(tài)的特征,通過(guò)吉布斯采樣的方法構(gòu)建馬爾可夫蒙特卡洛鏈。充分利用相同T波之間的相關(guān)性,實(shí)現(xiàn)T波的關(guān)鍵特征點(diǎn)檢測(cè)。利用QT數(shù)據(jù)庫(kù)里的標(biāo)準(zhǔn)化數(shù)據(jù)進(jìn)行實(shí)驗(yàn)驗(yàn)證,最終表明,本文所提算法與傳統(tǒng)T波檢測(cè)算法相比,精度有較大提升。
[Abstract]:With the development of computer technology , it is important to study ECG data and to construct training set and test set , and to complete the preparation work of T wave automatic detection algorithm . ( 2 ) Convolutional neural network ( CNN ) is constructed to classify the shape of T wave .
【學(xué)位授予單位】：河北大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：R540.4;TN911.7

【相似文獻(xiàn)】

相關(guān)期刊論文 前2條

1 閆鑌;謝易辰;陳文民;陳健;管民;;體數(shù)據(jù)特征點(diǎn)檢測(cè)算法綜述[J];CT理論與應(yīng)用研究;2014年01期

2 賈靜平,趙榮椿,江澤濤;一種新的用于圖像穩(wěn)定的特征點(diǎn)檢測(cè)方法[J];中國(guó)體視學(xué)與圖像分析;2005年01期

相關(guān)會(huì)議論文 前2條

1 賈靜平;趙榮椿;;一種適于圖像穩(wěn)定的特征點(diǎn)檢測(cè)方法[A];信號(hào)與信息處理技術(shù)第三屆信號(hào)與信息處理全國(guó)聯(lián)合學(xué)術(shù)會(huì)議論文集[C];2004年

2 郭軍海;謝京穩(wěn);;一種高精度的飛行器動(dòng)力特征點(diǎn)檢測(cè)方法[A];中國(guó)空間科學(xué)學(xué)會(huì)空間探測(cè)專業(yè)委員會(huì)第十六次學(xué)術(shù)會(huì)議論文集（下）[C];2003年

相關(guān)博士學(xué)位論文 前1條

1 王立中;基于機(jī)器視覺(jué)的奶牛體型評(píng)定中的關(guān)鍵技術(shù)研究[D];內(nèi)蒙古農(nóng)業(yè)大學(xué);2009年

相關(guān)碩士學(xué)位論文 前10條

1 毛晨;基于透鏡陣列的數(shù)字三維集成成像重構(gòu)[D];南京理工大學(xué);2015年

2 朱超;多視圖三維重建中特征點(diǎn)檢測(cè)并行化研究[D];寧夏大學(xué);2015年

3 李夢(mèng)雯;一種基于特征點(diǎn)檢測(cè)的跨場(chǎng)景眼鏡檢索方法[D];浙江大學(xué);2015年

4 江偉;人臉面部特征點(diǎn)檢測(cè)及其在視頻監(jiān)控中的應(yīng)用[D];上海大學(xué);2015年

5 李璐;基于顯著性分割的圖像分類算法研究[D];山西大學(xué);2015年

6 朱少何;數(shù)字圖像特征點(diǎn)檢測(cè)算法的研究[D];合肥工業(yè)大學(xué);2014年

7 謝雨寧;融合形態(tài)學(xué)與特征點(diǎn)檢測(cè)的建筑物自動(dòng)三維重建關(guān)鍵技術(shù)研究[D];東南大學(xué);2016年

8 張金芳;多視圖人臉圖像特征點(diǎn)檢測(cè)與匹配方法研究[D];西北大學(xué);2016年

9 李國(guó)軍;基于形態(tài)指導(dǎo)的T波檢測(cè)算法研究[D];河北大學(xué);2017年

10 李冰;基于監(jiān)督學(xué)習(xí)的圖像局部特征點(diǎn)檢測(cè)子研究[D];上海交通大學(xué);2012年

，

本文編號(hào)：2060300