首页 > 文献资料
-
基于一维卷积神经网络的患者特异性心拍分类方法研究
目的 提出一种基于一维卷积神经网络的患者特异性心电分类方法,提升心拍自动分类性能,特别是室上性早搏(Superventricular Premature Beat,SVEB)分类性能,为临床心电诊断提供辅助依据.方法 将多层一维卷积神经网络自动学习的心电特征和心电的RR间期特征进行融合,送入多层感知器,再通过softmax分类器进行分类;选择少量公共心拍数据加上患者特定的心拍数据用于训练分类模型,实现患者特异性心拍识别.结果 采用麻省理工学院提供的标准心律失常数据库(MIT-BIH Arrhythmia Database)评估算法的分类性能,与已有研究结果相比,分类性能得到提升,其中SVEB识别的灵敏度达到88.7%.结论 该方法可为医护人员诊断心脏疾病提供可靠的辅助依据.
-
基于混合特征卷积神经网络的血压建模方法研究
传统使用脉搏波测量血压的方法存在准确率较低和特征点难以提取的问题.针对这些问题,本研究首先提出脉搏波分解算法,将脉搏波分解为三个钟型波复合的形式,由此获取到准确的脉搏波传播时间;之后提出混合特征卷积神经网络模型ABP-net,该模型将脉搏波传播时间特征和使用一维卷积自动提取的脉搏波波形特征相结合对动脉血压进行预测.后使用ABP-net对MIMIC III中15个患者的血压进行预测.实验结果表明,ABP-net能够有效地提取脉搏波波形特征而且对血压的预测精度更高.