基于深度学习的心率失常诊断算法研究

来源 :大连理工大学 | 被引量 : 0次 | 上传用户:goodluckxsb1223
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
由于心血管疾病的高致病率和高死亡率特性,它已成为危害人类健康和生命的“头号杀手”。对心血管疾病进行有效诊断和预防尤为重要。近些年,随着深度学习理论和技术的快速发展,借助深度学习对心电图进行特征分析以及病症分类已成为智能医疗健康领域研究的热点问题。但是针对于临床应用,依然存在很多实际问题需要解决:如心电图采集和传输过程中出现各种噪音干扰、缺失;大多数研究都是针对于单导联或是双导联心电图信号进行分类,很少存在针对更多导联的心电图信号的分类算法。本文工作主要针对多导联复杂心电疾病的数据样本的分类问题展开研究。主要研究工作分为:(1)针对于完整多导联心电图,首先进行多导联心电图小波变换去噪预处理。之后,提出了基于残差网络的心率失常多模态信号分类模型。该模型利用卷积神经网络分别对单导联ECG信号进行特征分析,随后将各个导联拼接在一起,通过类比于图像处理的方法,将信号中的多导联当作通道进行特征分析,最终对多个病症进行有效分类。(2)针对于不完整多导联心电图,提出了基于生成对抗网络的时序插补模型。该模型采用插补门控循环单元以及卷积神经网络用以学习数据集样本的特征分布,使得该网络模型可以有效地对不完整导联数据进行插补。通过在实际心电数据集进行测试,证明了本文算法的有效性和可行性。
其他文献
自2007年发布以来,Android操作系统逐渐在智能终端的操作系统领域占据领先地位。官方平台和许多第三方市场都允许用户轻易地查找,下载以及使用大量的第三方应用程序,具有较好的用户体验。但与此同时,Android平台逐渐变成了恶意软件的主要攻击目标,恶意软件广泛存在各大应用市场,对用户的使用安全造成威胁。因此,高效地提高恶意软件的检测效率,提升模型鲁棒性,对其在现实背景下的实用性和维护Androi
作为水下计算机视觉的基础任务,精准的深度估计能够提升水下机器人的测距、定位以及目标抓取等任务的水平;高质量的颜色校正对于水下目标检测、识别等图像处理技术的发展具有重要意义。水下深度估计是对水下RGB图像中每一个像素相对拍摄源的距离进行估计;颜色校正解决图像中由水体环境导致的光衰减和后向散射等问题。但是,相较于陆上环境所具备的数据量大、技术研发成熟等优势,光照不均和能见度低等恶劣环境导致水下成像存在
近些年来,基于深度学习的显著性目标检测算法被广泛提出,并且相较于传统算法获得了极为可观的性能提升。但是,基于深度学习的像素级图像分割任务往往需要精细的人工标注数据。为了减少对人工标注数据的依赖,当前的研究者们推动了一系列基于无监督学习和弱监督学习的显著性目标检测算法的产生。然而这些方法与目前基于全监督学习的方法在性能上依然存在较大的差距。在现实场景应用下,除了绝大多数的弱标签数据之外,还存在少部分
最优传输的理论和方法日益渗透进深度学习等许多工程领域,其Figalli正则性定理揭示了生成模型存在模式崩溃和模式混合的本质原因是传输映射在奇异集处不连续。此外根据对抗样本生成机理的流形假说,奇异集中存在对抗样本,因此计算和研究最优传输映射奇异集变得更加重要。本文主要研究两个问题:一是计算最优传输映射的奇异集,二是利用奇异集生成对抗样本。为了解决上述问题,本文首先基于几何变分方法设计并实现最优传输映
深度学习技术的快速发展使得DNN驱动的自动驾驶技术的研究和部署有了质的突破。然而,虽然自动驾驶汽车已在无人操作的情况下路测行驶数百亿公里,其自动驾驶行为的安全性并不能得到保证——转向角度、安全距离、加速度及制动等因素的微小偏差都可能对安全操纵造成难以预计的结果。因此,自动驾驶汽车的安全性验证技术逐渐成为当前的研究热点和难点。本文以摄像头传感器采集的图像数据作为输入,以正确的转向角度作为输出,研究D
时间序列是大数据的一种重要存在形式,对其利用的方式之一就是通过聚类或分类来挖掘其中的类别信息。时间序列分类(Time series classification,TSC)任务是一项普遍且具有重要意义的课题,常见于工业、金融和医学等领域。然而,时间序列数据存在维度过高和在时间上不对齐的缺点,难以从中获取到对分类任务有益的特征信息。深度学习模型对输入数据具有一定的容错性并能够自动提取特征,在TSC问题
三维重建是包括机器人导航、目标识别、场景理解、动画制作、工业控制、医疗诊断和自动驾驶在内诸多领域所需的核心技术,而深度和光流信息是重建真实三维场景的必备条件。早期方法针对深度或光流进行单独估计,近年陆续出现联合估计深度与光流的不同方法。但联合估计方法依然在泛化性、准确性、完整性等方面存在不足,严重制约该领域进一步发展。因此,为了得到更高精度的深度信息与光流信息,本文提出了一种新的双目深度与光流联合
交通事故是全世界最严重的危害之一,其造成了巨大的财产损失和人员伤亡,其中约95%的事故是由驾驶员不当行为造成的。检测公交车驾驶员异常行为能够对驾驶员的不当行为进行预警,从而保障交通安全。在2019年末爆发的COVID-19中,驾驶员作为公交车上与流动性人员接触最频繁的人,对其佩戴口罩行为进行检测,能够有效降低感染风险,保障其自身和广大乘客的健康安全。实时监测公交车驾驶员,对其不当行为进行及时提醒,
我国制造业正处于向“智造业”转型关键时期,这其中缺陷检测环节必不可少,因此应用现代化机器视觉技术替代耗时耗力的人力工作,是一个重要研究内容。而今在机器视觉领域,深度学习逐渐在一些应用中取代传统视觉算法。但是,根据目前深度学习的发展现状,大量的有效数据是具体应用的必要前提,也是由于这个原因,少样本学习问题是很多场景中面临的最现实的问题。本文的研究课题来源于江西一家生产轴承滚子的企业,针对该企业生产产
近年来元学习问题及其相关应用逐渐成为国内外关注的研究课题,它通过训练模型“学会学习”来提高数据效率、迁移先验知识、节约计算资源等,在少样本学习、强化学习等问题上都有良好的应用前景。当前有诸多不同类型、设计思路的面向元学习的计算策略不断提出,因而如何对元学习问题进行系统的建模以及方法的归纳显得尤为重要。本论文通过引入动态系统以及最佳响应理论,帮助重新建模元学习问题的数学模型,提出一个通用的双层优化统