發(fā)布時(shí)間：2017-04-03 00:06

  本文關(guān)鍵詞：一種基于多卷積核特征提取的房顫?rùn)z測(cè)，由筆耕文化傳播整理發(fā)布。

【摘要】：房顫是臨床最常見(jiàn)的一種心率失常疾病,嚴(yán)重危害著人類(lèi)的健康。因此房顫?rùn)z測(cè)方法的研究,對(duì)及早地發(fā)現(xiàn)房顫,減少病人的發(fā)病率和死亡率,以及減少經(jīng)濟(jì)負(fù)擔(dān)等有重要的臨床和社會(huì)意義。房顫?rùn)z測(cè)方法的任務(wù)主要包括對(duì)心電信號(hào)預(yù)處理、特征提取和房顫?rùn)z測(cè)。而特征提取的精度很大程度上決定了診斷效果,目前已有的房顫?rùn)z測(cè)算法尚未妥善解決特征提取問(wèn)題,所以房顫?rùn)z測(cè)錯(cuò)誤率仍然很高。卷積運(yùn)算是圖像處理領(lǐng)域應(yīng)用很廣泛的一種運(yùn)算,通過(guò)卷積運(yùn)算,可以使原信號(hào)特征增強(qiáng)。在模式識(shí)別中,也是一種很重要的特征提取方法。卷積核的取值決定了特征提取效果的好壞,所以本文基于卷積運(yùn)算,就好的卷積核的取值如何確定這個(gè)問(wèn)題展開(kāi)研究,提出了一種通過(guò)從大量卷積核中,選擇特征提取效果好的卷積核來(lái)提取信號(hào)特征的方法。同時(shí),因?yàn)閿?shù)據(jù)量大,卷積運(yùn)算時(shí)間比較長(zhǎng),所以本文中還利用MATLAB的GPU并行計(jì)算工具箱實(shí)現(xiàn)了卷積運(yùn)算的加速。論文主要研究?jī)?nèi)容如下:1.針對(duì)心房活動(dòng)特征提取問(wèn)題提出一種卷積核選擇算法。在基于單心拍心房活動(dòng)特征的房顫?rùn)z測(cè)基礎(chǔ)上,本文中將十萬(wàn)個(gè)原心電信號(hào)的特征片段作為備選卷積核,用來(lái)提取信號(hào)特征,這樣能夠保留更多的特征。接著對(duì)特征矩陣進(jìn)行每列求和的池化處理,那么一個(gè)卷積核則對(duì)應(yīng)一個(gè)特征。然后通過(guò)特征值數(shù)據(jù)的直方圖分布從提取到的大量特征中,選擇出特征提取效果好的一千個(gè)特征,完成卷積核的初次篩選。最后基于Ada Boost算法,從這一千個(gè)特征中選擇50個(gè)特征,從而完成卷積核的選擇,并且構(gòu)造強(qiáng)分類(lèi)器,實(shí)現(xiàn)高精度房顫?rùn)z測(cè)。這50個(gè)卷積核作為提取測(cè)試集信號(hào)特征的卷積核,不僅特征提取效果好,而且節(jié)省時(shí)間。2.MATLAB的并行計(jì)算工具箱實(shí)現(xiàn)卷積運(yùn)算的加速。本文研究了GPU加速M(fèi)ATLAB程序的方法,對(duì)GPU性能進(jìn)行了測(cè)試,最終運(yùn)用MATLAB工具箱所支持的指令把運(yùn)算中核心模塊轉(zhuǎn)移到GPU上運(yùn)行,從而達(dá)到加速的目的。經(jīng)MIT-BIH房顫數(shù)據(jù)庫(kù)驗(yàn)證,本文房顫?rùn)z測(cè)算法的準(zhǔn)確率達(dá)到了97.68%。實(shí)驗(yàn)結(jié)果表明,本文算法具有房顫?rùn)z測(cè)的能力。
【關(guān)鍵詞】：心房活動(dòng)特征 卷積核 Adaboost GPU并行計(jì)算工具箱
【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】：2016
【分類(lèi)號(hào)】：R541.75;TP391.41
【目錄】：

• 摘要5-6
• abstract6-10
• 第1章 緒論10-16
• 1.1 課題研究背景和意義10-11
• 1.2 房顫?rùn)z測(cè)技術(shù)國(guó)內(nèi)外研究現(xiàn)狀及存在問(wèn)題11-13
• 1.2.1 房顫?rùn)z測(cè)技術(shù)國(guó)內(nèi)外研究現(xiàn)狀11-12
• 1.2.2 當(dāng)前房顫?rùn)z測(cè)算法存在問(wèn)題12-13
• 1.3 GPU在通用計(jì)算領(lǐng)域中的應(yīng)用13-14
• 1.4 本文的主要內(nèi)容及章節(jié)安排14-16
• 第2章 心電信號(hào)的基本知識(shí)16-21
• 2.1 心電信號(hào)的基本知識(shí)16-18
• 2.1.1 正常心電圖的特點(diǎn)及意義16-17
• 2.1.2 常用標(biāo)準(zhǔn)心電數(shù)據(jù)庫(kù)17-18
• 2.2 房顫的產(chǎn)生機(jī)理及分類(lèi)18-19
• 2.2.1 房顫的產(chǎn)生機(jī)理18-19
• 2.2.2 房顫的分類(lèi)19
• 2.3 房顫在心電圖中的特征19-20
• 2.4 本章小結(jié)20-21
• 第3章 一種多卷積核特征提取的房顫?rùn)z測(cè)算法21-39
• 3.1 多卷積核特征提取的房顫?rùn)z測(cè)算法描述21-24
• 3.2 心電信號(hào)數(shù)據(jù)預(yù)處理24-30
• 3.2.1 心電信號(hào)去噪25-27
• 3.2.2 QRS波消除27-29
• 3.2.3 白化29-30
• 3.3 卷積核提取信號(hào)特征及卷積核的初次選擇30-32
• 3.3.1 卷積運(yùn)算30
• 3.3.2 卷積核提取特征及卷積核的初次選擇30-32
• 3.4 基于Ada Boost算法卷積核選擇的房顫?rùn)z測(cè)32-36
• 3.4.1 AdaBoost學(xué)習(xí)算法的基本思想32-33
• 3.4.2 AdaBoost算法流程33-35
• 3.4.3 AdaBoost算法分析35-36
• 3.5 實(shí)驗(yàn)結(jié)果與分析36-37
• 3.5.1 實(shí)驗(yàn)數(shù)據(jù)說(shuō)明36
• 3.5.2 本文方法有效性的驗(yàn)證36
• 3.5.3 本文方法與其他方法的比較36-37
• 3.6 本章小結(jié)37-39
• 第4章 GPU加速在卷積運(yùn)算中的應(yīng)用39-48
• 4.1 GPU加速原理39-40
• 4.2 GPU加速matlab程序的方法40-41
• 4.3 MATLAB并行計(jì)算工具箱41-42
• 4.4 基于MATLAB并行計(jì)算工具箱的卷積運(yùn)算的加速42-47
• 4.4.1 GPU性能測(cè)試42-45
• 4.4.2 GPU加速卷積運(yùn)算45-47
• 4.5 本章小結(jié)47-48
• 第5章 本文算法在健康平臺(tái)上的應(yīng)用48-53
• 5.1 健康平臺(tái)介紹48-49
• 5.2 心電信號(hào)采集系統(tǒng)49-50
• 5.3 本文算法在健康平臺(tái)上的應(yīng)用50-52
• 5.4 本章小結(jié)52-53
• 第6章 總結(jié)與展望53-55
• 6.1 工作總結(jié)53
• 6.2 工作展望53-55
• 參考文獻(xiàn)55-59
• 致謝59

【相似文獻(xiàn)】

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前3條

1 李倩玉;基于改進(jìn)深層網(wǎng)絡(luò)的視頻人臉識(shí)別研究[D];合肥工業(yè)大學(xué);2016年

2 劉玲;一種基于多卷積核特征提取的房顫?rùn)z測(cè)[D];河北大學(xué);2016年

3 李大霞;cuda-convnet深層卷積神經(jīng)網(wǎng)絡(luò)算法的一種速度優(yōu)化[D];北京工業(yè)大學(xué);2015年

  本文關(guān)鍵詞：一種基于多卷積核特征提取的房顫?rùn)z測(cè)，，由筆耕文化傳播整理發(fā)布。

本文編號(hào)：283369