首页 > 文献资料
-
基于卷积递归神经网络的血压测量模型
目的 提出一种新型卷积递归神经网络血压模型(convolutional recurrent neural network-blood pressure,CRNN-BP),解决使用脉搏波波形进行血压测量模型中存在的特征点难以提取和鲁棒性较低的问题,提高血压模型普适性和精度.方法 该模型首先使用卷积网络层自动提取脉搏波的波形特征;其次使用递归网络层依据连续心动周期血压变化关系对波形特征进行校正;后使用全连接网络层预测出当前的血压值.结果 使用MIMIC数据集中人体真实生理信息对模型进行验证,收缩压和舒张压的平均绝对误差分别为2.71 mmHg和1.41 mmHg.模型精度相比于未使用递归网络层的模型CNN-BP和使用全部脉搏波波形点的传统血压回归模型更有优势,且符合AAMI和BHS标准.结论 CRNN-BP有效地提取了脉搏波的波形特征,并提升了模型的精度和鲁棒性.
-
基于小波变换并结合神经网络的癫痫发作预报
采用信号处理的方法分析脑电图以实现自动预报癫痫发作是该领域一个难题,至今进展不够显著.本研究将小波变换用于脑电信号的预处理,并与递归神经网络RNN相结合预测癫痫发作.通过比较三种不同的预处理方法,发现在小波变换域利用脑电信号α节律的能量谱可以实现发作预报,而进一步提取包络并作非线性变换可以有效地提高RNN的预报性能.
-
医学信息学中的深度学习相关应用研究
梳理深度学习在医学信息学中的一些应用案例,对深度神经网络、卷积神经网络、递归神经网络、改进神经网络原理、应用分别进行分析,介绍深度机器学习的发展方向.