發(fā)布時(shí)間：2018-09-10 18:59

【摘要】：本文提出了一種集成學(xué)習(xí)方法以提升室性早搏的識(shí)別性能.MIT-BIH兩個(gè)通道的數(shù)據(jù)分別經(jīng)過(guò)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行室性早搏心拍分類,然后按照融合規(guī)則對(duì)分類結(jié)果進(jìn)行融合決策,其準(zhǔn)確率、靈敏度和特異性分別為99.91%、98.76%、99.97%,優(yōu)于已有算法的室性早搏心拍分類結(jié)果.此外,面向臨床應(yīng)用,本文還利用卷積神經(jīng)網(wǎng)絡(luò)和診斷規(guī)則相結(jié)合的方法實(shí)現(xiàn)了病人間室性早搏識(shí)別實(shí)驗(yàn),在有14萬(wàn)多條記錄的數(shù)據(jù)集上,取得的準(zhǔn)確率、靈敏度及特異性分別為97.87%、87.94%、98.02%,驗(yàn)證了該算法的有效性.
[Abstract]:In this paper, an ensemble learning method is proposed to improve the recognition performance of premature ventricular beats (VPB). The data of MIT-BIH channels are classified by convolution neural network, and then the classification results are fused according to the fusion rules. The accuracy, sensitivity and specificity are 99.91%, 98.76%, 99.97% respectively, which are better than those of the existing ones. In addition, for clinical application, the convolution neural network and diagnostic rules are combined to realize the recognition experiment of premature ventricular beats. The accuracy, sensitivity and specificity are 97.87%, 87.94% and 98.02% respectively on more than 140,000 recorded data sets. Validity of law.
【作者單位】： 中國(guó)科學(xué)院蘇州納米技術(shù)與納米仿生研究所;中國(guó)科學(xué)院大學(xué);
【分類號(hào)】：R541.7;TP18

【相似文獻(xiàn)】

相關(guān)會(huì)議論文 前4條

1 關(guān)菁華;劉大有;賈海洋;;自適應(yīng)多分類器集成學(xué)習(xí)算法[A];第二十五屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（二）[C];2008年

2 劉伍穎;王挺;;一種多過(guò)濾器集成學(xué)習(xí)垃圾郵件過(guò)濾方法[A];第三屆全國(guó)信息檢索與內(nèi)容安全學(xué)術(shù)會(huì)議論文集[C];2007年

3 葉紅云;倪志偉;陳恩紅;;一種混合型集成學(xué)習(xí)演化決策樹(shù)算法[A];2005年“數(shù)字安徽”博士科技論壇論文集[C];2005年

4 李燁;蔡云澤;許曉鳴;;基于支持向量機(jī)集成的故障診斷[A];第16屆中國(guó)過(guò)程控制學(xué)術(shù)年會(huì)暨第4屆全國(guó)故障診斷與安全性學(xué)術(shù)會(huì)議論文集[C];2005年

相關(guān)博士學(xué)位論文 前10條

1 阿里木·賽買(mǎi)提(Alim.Samat);基于集成學(xué)習(xí)的全極化SAR圖像分類研究[D];南京大學(xué);2015年

2 王永明;集成回歸問(wèn)題若干關(guān)鍵技術(shù)研究[D];華東師范大學(xué);2015年

3 常征;基于混合集成學(xué)習(xí)的眼部與四肢交互動(dòng)作建模與識(shí)別[D];北京科技大學(xué);2016年

4 張春霞;集成學(xué)習(xí)中有關(guān)算法的研究[D];西安交通大學(xué);2010年

5 劉天羽;基于特征選擇技術(shù)的集成學(xué)習(xí)方法及其應(yīng)用研究[D];上海大學(xué);2007年

6 尹華;面向高維和不平衡數(shù)據(jù)分類的集成學(xué)習(xí)研究[D];武漢大學(xué);2012年

7 王清;集成學(xué)習(xí)中若干關(guān)鍵問(wèn)題的研究[D];復(fù)旦大學(xué);2011年

8 方育柯;集成學(xué)習(xí)理論研究及其在個(gè)性化推薦中的應(yīng)用[D];電子科技大學(xué);2011年

9 侯勇;特征提取與集成學(xué)習(xí)算法的研究及應(yīng)用[D];北京科技大學(xué);2015年

10 李燁;基于支持向量機(jī)的集成學(xué)習(xí)研究[D];上海交通大學(xué);2007年

相關(guān)碩士學(xué)位論文 前10條

1 高偉;基于半監(jiān)督集成學(xué)習(xí)的情感分類方法研究[D];蘇州大學(xué);2015年

2 宋文展;基于抽樣的集成進(jìn)化算法研究[D];廣西大學(xué);2015年

3 湯瑩;遷移與集成學(xué)習(xí)在文本分類中的應(yīng)用研究[D];江蘇科技大學(xué);2015年

4 劉政;基于知識(shí)元和集成學(xué)習(xí)的中文微博情感分析[D];大連理工大學(xué);2015年

5 丘橋云;結(jié)合文本傾向性分析的股評(píng)可信度計(jì)算研究[D];哈爾濱工業(yè)大學(xué);2014年

6 秦海;融合非標(biāo)記樣本選擇的集成學(xué)習(xí)研究[D];湘潭大學(xué);2015年

7 李想;基于多示例的集成學(xué)習(xí)理論與應(yīng)用研究[D];合肥工業(yè)大學(xué);2014年

8 李震宇;基于集成學(xué)習(xí)的數(shù)字圖像隱寫(xiě)定量分析[D];解放軍信息工程大學(xué);2014年

9 王希玲;基于選擇性集成學(xué)習(xí)的網(wǎng)絡(luò)入侵檢測(cè)方法研究[D];青島科技大學(xué);2016年

10 陳范曙;基于信息整合的藥物相關(guān)信息挖掘方法研究[D];華東師范大學(xué);2016年

，

本文編號(hào)：2235328