【摘要】：背景及目的:隨著計(jì)算機(jī)芯片能力的日益發(fā)展及大數(shù)據(jù)時(shí)代的來臨,基于計(jì)算機(jī)深度學(xué)習(xí)技術(shù)的人工智能模型已能通過模擬人類大腦的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),對(duì)輸入的信息進(jìn)行處理,并通過各層復(fù)雜計(jì)算,最終根據(jù)對(duì)輸入數(shù)據(jù)的理解而實(shí)現(xiàn)預(yù)測(cè)。近年來,深度學(xué)習(xí)模型已逐漸被運(yùn)用到醫(yī)療領(lǐng)域,它在心電圖診斷中的應(yīng)用開始起步。本研究運(yùn)用計(jì)算機(jī)深度學(xué)習(xí)的方法,初步建立三個(gè)兒童室性早搏的卷積神經(jīng)網(wǎng)絡(luò)模型,比較并評(píng)價(jià)其對(duì)兒童室性早搏的診斷價(jià)值。方法:采集上海市兒童醫(yī)院就診的1200例兒童室性早搏的體表心電圖作為室性早博組,并以同期性別、年齡匹配的1200例正常兒童心電圖作為正常對(duì)照組,剔除個(gè)別不適于模型訓(xùn)練的心電圖,在兩組中隨機(jī)抽取800例樣本,運(yùn)用計(jì)算機(jī)深度學(xué)習(xí)的方法,訓(xùn)練建立三種自動(dòng)診斷兒童室性早搏的計(jì)算機(jī)卷積神經(jīng)網(wǎng)絡(luò)模型。另外在各組剩下的數(shù)據(jù)中各抽取200例樣本,用于驗(yàn)證各個(gè)模型的性能。利用統(tǒng)計(jì)學(xué)方法,以上海市兒童醫(yī)院心內(nèi)科心電圖專家小組的診斷作為“金標(biāo)準(zhǔn)”,計(jì)算模型診斷兒童室性早搏的靈敏度、特異性、漏診率、誤診率、陽性預(yù)測(cè)值、陰性預(yù)測(cè)值、準(zhǔn)確率、Kappa值等指標(biāo),評(píng)價(jià)模型的可靠性和真實(shí)性。結(jié)果:運(yùn)用計(jì)算機(jī)深度學(xué)習(xí)的方法,利用心電圖波形圖像建立了二維神經(jīng)網(wǎng)絡(luò)模型和Inception V3模型,利用心電圖時(shí)間序列數(shù)據(jù)建立的一維神經(jīng)網(wǎng)絡(luò)模型,其中二維神經(jīng)網(wǎng)絡(luò)模型的靈敏度65%、特異度71.5%、漏診率35%、誤診率28.5%、陽性預(yù)測(cè)值69.5%、陰性預(yù)測(cè)值67.1%、準(zhǔn)確率68.2%、Kappa值0.365;Inception V3模型的靈敏度82%、特異度85%、漏診率18%、誤診率15%、陽性預(yù)測(cè)值84.5%、陰性預(yù)測(cè)值82.5%、準(zhǔn)確率83.5%、Kappa值0.670;一維神經(jīng)網(wǎng)絡(luò)模型的靈敏度87.5%、特異度89.5%、漏診率12.5%、誤診率10.5%、陽性預(yù)測(cè)值89.3%、陰性預(yù)測(cè)值87.7%、準(zhǔn)確率88.5%、Kappa值0.770;Inception V3模型與一維神經(jīng)網(wǎng)絡(luò)模型性能良好,其中一維神經(jīng)網(wǎng)絡(luò)模型真實(shí)性和可靠性最佳,Kappa值0.77提示與上海市兒童醫(yī)院心內(nèi)科心電圖專家小組的診斷高度一致性。結(jié)論:運(yùn)用計(jì)算機(jī)深度學(xué)習(xí)的方法建立了用于自動(dòng)診斷兒童室性早搏的卷積神經(jīng)網(wǎng)絡(luò)模型,其中一維神經(jīng)網(wǎng)絡(luò)模型有望在將來進(jìn)一步完善后應(yīng)用于臨床,以提高兒童室性早搏的臨床診斷效率及診斷準(zhǔn)確率,并為后續(xù)建立24小時(shí)心電圖及運(yùn)動(dòng)平板實(shí)驗(yàn)心電圖的自動(dòng)檢測(cè)模型提供依據(jù)。
【圖文】：

念機(jī)器學(xué)習(xí)領(lǐng)域一個(gè)前沿的研究方向，最早由多倫2006 年提出,指基于樣本數(shù)據(jù)通過一定的訓(xùn)練方法構(gòu)的機(jī)器學(xué)習(xí)（machine learning）過程[21]。它利到高級(jí)特征，擬合一個(gè)復(fù)雜函數(shù)的算法［8］建立,在處理圖像、聲音和文本這些信號(hào)時(shí),通過多個(gè),進(jìn)而給出數(shù)據(jù)的解釋［22］。深度學(xué)習(xí)在最近十多者的關(guān)注。在過去，人工智能學(xué)科中存在著一些克服了這些問題，在特征提取和模型建立這兩方g）模型都有相當(dāng)大的優(yōu)勢(shì)、其善于從輸入的原始并有很好的泛化能力。隨著訓(xùn)練數(shù)據(jù)量的增長(zhǎng)以機(jī)視覺、語言識(shí)別和處理、目標(biāo)檢測(cè)等領(lǐng)域成效的深度網(wǎng)絡(luò)結(jié)構(gòu)包含大量的單一元素(神經(jīng)元), 神是人工神經(jīng)網(wǎng)絡(luò)最基本的單元，其結(jié)構(gòu)模型如圖

經(jīng)網(wǎng)絡(luò)具有分類的能力，被廣泛應(yīng)用于圖像識(shí)別、信號(hào)處理、見的前饋神經(jīng)網(wǎng)絡(luò)包括了多層感知機(jī)和本文所研究的卷積神經(jīng)網(wǎng)較早出現(xiàn)的多層感知機(jī)是由輸入層（input layer）、隱含層（h（output layer）構(gòu)成的模型，如圖 2-2（圖 2-2 MLP 結(jié)構(gòu)含層神經(jīng)元負(fù)責(zé)接收數(shù)據(jù)信號(hào)，隱含層及輸出層每個(gè)神經(jīng)元和其元都互相連接，即全連接，，而在同一層的神經(jīng)元互不相連。圖神經(jīng)元間的連接，其方向?yàn)樾盘?hào)傳輸方向，每個(gè)連接都有自己神經(jīng)元輸出值的加權(quán)和作為下一層隱含層和輸出層中每個(gè)神經(jīng)知器存在的最大的問題是它作為一個(gè)全連接的網(wǎng)絡(luò)，每個(gè)連接，因此在輸入大數(shù)據(jù)的時(shí)候，權(quán)值特別多。這個(gè)問題一方面限夠容納的最大神經(jīng)元數(shù)目，另一方面也限制了多層感知器的層器的另一個(gè)問題是梯度發(fā)散，即在深度增加的情況下，從后傳來越小，甚至對(duì)更新權(quán)值起不到幫助，從而失去訓(xùn)練效果。因經(jīng)網(wǎng)絡(luò)在很長(zhǎng)時(shí)間內(nèi)都被研究者們冷落了。
【學(xué)位授予單位】：上海交通大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類號(hào)】：R725.4;TP183

【參考文獻(xiàn)】

相關(guān)期刊論文 前6條

1 劉士遠(yuǎn);蕭毅;;基于深度學(xué)習(xí)的人工智能對(duì)醫(yī)學(xué)影像學(xué)的挑戰(zhàn)和機(jī)遇[J];中華放射學(xué)雜志;2017年12期

2 李?yuàn)^;吳近近;;室性期前收縮性心肌病[J];中華實(shí)用兒科臨床雜志;2017年01期

3 李麗;龐保東;李樹華;劉愛東;李青;馬俊利;;兒童室性早搏心率變異性特點(diǎn)[J];臨床兒科雜志;2013年06期

4 曹玉珍;范增飛;;基于最大散度的特征搜索算法用于心搏分類的研究[J];生物醫(yī)學(xué)工程學(xué)雜志;2008年01期

5 駱德漢;許廣桂;鄒宇華;H.Gholam Hosseini;;基于多階人工神經(jīng)網(wǎng)絡(luò)的ECG信號(hào)診斷模型研究[J];儀器儀表學(xué)報(bào);2008年01期

6 安金斗;陳曉光;;兒童室性期前收縮的病因及診斷與治療進(jìn)展[J];中華實(shí)用兒科臨床雜志;2013年13期

相關(guān)碩士學(xué)位論文 前3條

1 白洋;基于深度置信網(wǎng)絡(luò)的心律失常分類算法研究[D];河北大學(xué);2016年

2 樊承柱;基于深度神經(jīng)網(wǎng)絡(luò)的心電圖自動(dòng)分類方法研究與實(shí)現(xiàn)[D];山東大學(xué);2016年

3 劉世雄;基于模糊聚類算法對(duì)心電數(shù)據(jù)典型特征分類研究[D];浙江大學(xué);2006年

本文編號(hào)：2662120