隨著近年來醫(yī)療采集設(shè)備的普及與信息化技術(shù)的迅猛發(fā)展,生物醫(yī)學(xué)信號(hào)可由多傳感器同時(shí)采集并能持續(xù)反映人體不同部位的體征信息,如多模態(tài)睡眠圖和多通道腦電圖等。如何高效表征這類多元時(shí)序的波形信號(hào),是目前生物醫(yī)學(xué)信息學(xué)領(lǐng)域中亟待突破的關(guān)鍵技術(shù),對(duì)于臨床診療具有重要意義。對(duì)此新興領(lǐng)域的研究熱點(diǎn),國(guó)內(nèi)外學(xué)者嘗試使用深度學(xué)習(xí)技術(shù)提取生物醫(yī)學(xué)信號(hào)中的有效信息,但目前的研究還沒有充分地結(jié)合生物醫(yī)學(xué)信號(hào)多元時(shí)序的結(jié)構(gòu)特點(diǎn),仍處于研究初期階段。其研究難點(diǎn)主要包括如何結(jié)合生物醫(yī)學(xué)信號(hào)中的波形時(shí)序相關(guān)性、多元結(jié)構(gòu)先驗(yàn)性、特征模式相互依賴性、臨床表現(xiàn)異構(gòu)性等獨(dú)特屬性,構(gòu)建高效的端到端多元時(shí)序深度表征模型。本課題針對(duì)上述難點(diǎn),研究基于深度學(xué)習(xí)的生物醫(yī)學(xué)信號(hào)多元時(shí)序表征方法,旨在為建立端到端的生物醫(yī)學(xué)信號(hào)深度表征模型提供新方法,為醫(yī)生監(jiān)測(cè)診斷疾病提供實(shí)用技術(shù),引領(lǐng)推動(dòng)深度學(xué)習(xí)在健康醫(yī)療中的發(fā)展和應(yīng)用。論文主要研究?jī)?nèi)容與取得的創(chuàng)新成果如下:1.提出了一種基于多上下文學(xué)習(xí)的深度語義表征方法。針對(duì)目前生物醫(yī)學(xué)信號(hào)無監(jiān)督深度表征方法只能學(xué)習(xí)信號(hào)片段內(nèi)的波形表示,沒有考慮波形片段間的時(shí)序相關(guān)性的問題,該方法結(jié)合語義學(xué)習(xí)技術(shù),構(gòu)建...

【文章頁(yè)數(shù)】：134 頁(yè)

【學(xué)位級(jí)別】：博士

【部分圖文】：

圖2-4本章方法流程示意圖

生物醫(yī)學(xué)信號(hào)信號(hào)片段信號(hào)譜圖序列SDAE圖2-4本章方法流程示意圖Figure2-4Schematicillustrationoftheproposedapproachpipeline本章方法旨在通過深度學(xué)習(xí)和語義學(xué)習(xí)技術(shù)提取波形片段內(nèi)的靜

圖2-7波形嵌入算法結(jié)構(gòu)圖

信號(hào)譜圖序列圖2-7波形嵌入算法結(jié)構(gòu)圖Figure2-7Structureofthewaveformembeddingalgorithm由于上下文信息量過大，波形嵌入訓(xùn)練過程耗時(shí)。為了避免這種情況，模型用一個(gè)層次結(jié)構(gòu)來減少運(yùn)算復(fù)雜度。具體地說，本章使用基于二叉霍....

圖2-10EEG彼形片段分割方祛示例

Figure2-10ExampleofEEGsegmentation2.4.2對(duì)比方法由于所提出的方法屬于無監(jiān)督模型，本實(shí)驗(yàn)選取了六種目前在醫(yī)學(xué)領(lǐng)域內(nèi)主流的特征表示模型作為比較方法。各種算法的特點(diǎn)如下描述：

圖2-11不同特征表示模型在CHB-MIT數(shù)據(jù)庫(kù)上的ROC和PR曲線

(a)ROC曲線(b)PR曲線圖2-11不同特征表示模型在CHB-MIT數(shù)據(jù)庫(kù)上的ROC和PR曲線Figure2-11ROCandPRcurvesoftheproposedmethodandthebaselinesonthe....

本文編號(hào)：3962881