【摘 要】
：
心血管疾病的检测和预防是当下研究的热门。由于便利、经济等特点,心电信号的检测成为了辅助医生诊断患者是否患有血管疾病的重要方法。传统的检测方法需要临床医生根据自己的经验对心电信号进行分类,但医生对大量的数据进行检测时容易产生疲劳,导致漏诊、误诊。针对以上问题,本文设计出了心电信号自动检测方法,可以成为辅助临床医生检测的工具。随着对心电信号研究的深入,科学人员发现,患者在发生睡眠呼吸暂停（Sleep
论文部分内容阅读
心血管疾病的检测和预防是当下研究的热门。由于便利、经济等特点,心电信号的检测成为了辅助医生诊断患者是否患有血管疾病的重要方法。传统的检测方法需要临床医生根据自己的经验对心电信号进行分类,但医生对大量的数据进行检测时容易产生疲劳,导致漏诊、误诊。针对以上问题,本文设计出了心电信号自动检测方法,可以成为辅助临床医生检测的工具。随着对心电信号研究的深入,科学人员发现,患者在发生睡眠呼吸暂停（Sleep apnea,SA）事件时,其心电信号会产生特定规律的变化,根据这个变化可以判断出患者是否患有睡眠呼吸暂停。因此,本文设计出一种基于心电信号的睡眠呼吸暂停检测方法。论文主要工作如下:（1）根据心电信号的采样频率及其噪声特点,本文采用小波变换的方法去除信号中掺杂的噪音。与采用中值滤波去噪的方法相比,小波变换在保证去除低频噪音的基础上,对高频噪音也有着很好的去噪效果。这一部分为后续的工作奠定了基础。（2）为了将心电信号分成正常心拍或异常心拍,本文设计出了心电信号二分类方法。现有深度学习方法在处理具有特异性的心电信号数据集时,所采用的交叉熵损失寻找到分界面不会进一步优化,导致在心电信号这种具有特异性的数据集上泛化能力较弱,针对这一不足,本文设计了一种基于结构风险最小化（Structural Risk Minimization,SRM）的卷积神经网络（Convolutional Neural Network,CNN）,提升了模型对病人间数据集的泛化能力。相比于传统方法,所设计的方法进一步提升了分类器的性能。（3）在对心电信号进行二分类基础上,本文设计出了心电信号多分类方法。首先,为了减轻传统网络进行多次卷积时导致的梯度消失问题,所设计的方法将每层卷积的结果和上一层卷积的结果进行融合。接下来,针对使用的数据集类别严重不平衡,引入了focal loss损失函数作为模型的优化目标。通过与其它方法对比,所设计的方法具有更好的性能。（4）本文设计了一种基于心电信号的睡眠呼吸暂停检测方法。首先,提取出心电信号的派生RR间期信号和R峰信号作为输入;然后,利用多尺度残差网络对派生信号进行特征提取,以获取不同视角的敏感特征;最后,引入focal loss损失函数代替传统的交叉熵损失函数,使模型在训练阶段更加侧重于困难样本的学习,以减轻数据不平衡的影响。实验结果表明,本文方法与其他方法相比具有更高的准确率。同时,还有效解决了类别不平衡导致的敏感性过低问题。
其他文献
隧道内行驶车辆的实时位置,无论对行驶的车辆自身还是对隧道车流量分析、隧道交通事故分析以及预警等都有重要的使用价值。但因为隧道环境容易遮挡GPS信号,故无法在隧道内获取到车辆的实时位置。解决这一问题的关键在于研制一套专用的隧道车辆定位系统。整个系统运行机制是,通过车载的Tag定位标签与隧道两旁部署的Anchor基站进行数据通信,进而通过相关的定位求解算法将数据汇总运算,最终求得车载Tag的实时位置信
视觉问答任务要求深入理解视觉和文本内容,从而获取关键信息以更好地回答问题。许多研究已经证实,改进多模态特征提取、对齐和融合以获得更准确和更丰富的全局特征,成为视觉问答任务的重要研究方向。该方向的核心是如何将提取到的图像特征及问题特征正确的对齐,从而提高视觉-文本语义对齐性。为了提升多模态特征的对齐性,本文对视觉问答的视觉-文本语义对齐算法展开研究。本文的主要工作如下:（1）目前大多数基于注意力机制
多标签分类旨在求解每个实例同时与多个类标签相关联的问题。然而,已有多标签分类方法大多利用统一特征表示的实例进行分类任务。由于每个标签都具有其自身特点,应为每个标签找寻其最相关、最有辨别力的特征即标签特定特征,用于该标签的分类。此外,实际应用中的训练数据常存在特征缺失的情况。因此,如何在特征缺失的环境下为每个标签抽取标签特定特征成为多标签分类方法研究的重要任务之一。为此,本文主要针对标签特定特征与特
区块链技术独有的去中心化、公开透明、集体维护、不可伪造、不可篡改等特性为构建价值互联平台提供了可能,区块链技术的研究与应用也逐渐被很多学者和科研人员重视,并呈现出爆发式增长态势,其中智能合约的产生是区块链历史上的一个里程碑式的事件。智能合约是部署在区块链网络上的代码,并以透明和去中心化的方式自动执行事务,一旦部署,智能合约不可更改,在合同执行过程中几乎没有任何补救措施可以用来处理代码错误。为了提高
遥感图像分类旨在为遥感图像贴上基于其内容的语义类别标签,其是遥感图像解译的重要手段,遥感图像在地质灾害监测与预警、土地利用及城市规划等方面具有重要的应用前景。随着遥感成像技术的进步,遥感图像的空间分辨率越来越高,所覆盖的类别也越来越多,且类别之间互相影响,因此准确地对遥感图像分类难度加大且导致分类性能下降,如何选择更加可靠有效的分类算法提升分类性能是当前热门研究问题。近几年来相对于传统的遥感图像分
视网膜血管,特别是微小血管的形态学变化在年龄相关性黄斑变性、糖尿病性视网膜病变和视网膜静脉阻塞等严重威胁人类视力的疾病早期诊断和临床预后中起着至关重要的作用。青光眼是一种常见的,致盲率高的眼科疾病,且造成的视力损伤通常不可逆,及早诊断和预防非常重要。杯盘比是用于早期诊断青光眼的的重要生物标志物之一。从眼底图像中准确分割出血管及视杯视盘,是对眼底视网膜结构进行监测、形态学分析,进而辅助诊断的关键步骤
基于深度卷积神经网络的可见光行人检测研究已经取得显著成果,并且给各行各业带来革命性的转变,其中无人驾驶、视频监控是其重要的使用场景之一。但可见光行人检测不能满足全天应用的要求,而利用可见光与红外两个模态图像的互补性,可以弥补可见光行人检测难以应对光照变化、恶劣天气的缺陷。基于深度卷积神经网络的多源行人检测性能受制于小尺寸行人目标的识别技术以及两模态融合技术,且可见光与红外图像在融合特征中占比应适应
共形阵列具有良好的空气动力学特性,能够有效的节省空间,还具有减少雷达散射截面（Radar Cross Section,RCS）等优点,被广泛应用于飞机、导弹、无人机等领域。波达方向（Direction of Arrival,DOA）估计是共形阵列研究的关键技术之一,在军事对抗、信息反侦探中发挥着极其重要的作用。而研究复杂环境下的共形阵列DOA高分辨率估计是当今共形阵列研究的前沿课题。本文主要研究存
近年来,随着人们社会安防意识的提高,智能监控系统在世界各地被广泛的部署和应用。行人再识别作为该系统中基础且核心的技术之一,其目的是从非重叠相机视域中捕获的一组图像中检索出感兴趣的行人。行人再识别技术在智慧安防、智能零售和刑侦调查等领域中较高的应用价值,已经引起了学术研究界和工业界的高度重视。然而,面对复杂的实际监控环境,现有的行人再识别技术仍面临着诸多挑战。一方面随着昼夜光线的变化,摄像机在白天捕
水资源是当今社会最重要的资源之一,其主要由地表水体组成,因此对地表水体进行快速准确地提取在水资源配置、城市规划、洪灾防控等方面具有重要意义。随着遥感卫星数量与能力的提升,利用便捷高效、时效性高的遥感卫星对水体进行识别与动态监测成为了当今主流方法。目前用于遥感图像水体提取的方法主要分为两类,即以水体指数法、光谱监督分类法等为代表的传统遥感图像水体提取方法和基于深度学习的遥感水体提取方法。传统方法由于