基于心拍的端到端心律失常分类

目的提出一种端到端的心律失常分类方法，以提高计算机对室上性异位心搏（SVEB）和室性异位心搏（VEB）的分类性 能。方法首先对心电信号进行心拍分割、校正等预处理；然后通过卷积神经网络构建心律失常分类网络，最后结合新的损失函 数训练分类器模型。结果利用MIT-BIH心律失常数据集验证本文分类方法的性能，其中在SVEB和VEB上的AUC分别达到 了0.77和0.98。在引入前5 min片段作为局部数据的情况下，SVEB和VEB的灵敏度分别达到了78.28%和98.88%；而在引入0、 50、100、150个样本作为局部数据时，SVEB和VEB的灵敏度最高分别达到82.25%和93.23%。结论本文提出的方法与现有的 方法相比，有效改善了样本类别不平衡带来的消极影响，SVEB和VEB灵敏度均有一定程度的提升，为心律失常的自动分类提 供了新的技术方案。     

基于模糊隶属度与支持向量机心律失常分类模型

目的:基于心电信号波形特点,运用模糊隶属度与支持向量机技术,探索实现心律失常自动分类的方法.方法:对MIT-BIH心律失常标准数据库的心电信号预处理,识别并定位QRS波;以QRS波为核心,利用心电信号波形相似性进行心电信号聚类;心电信号提取特征参数并模糊化,构建心律失常特征参数集;利用支持向量机技术建立心律失常分类器.结果:通过MIT-BIH心律失常标准数据库检验分类效果,总体准确率达到97.2%.结论:对MIT-BIH心律失常标准数据库的心电信号具有较高的分类准确率和较好的实用性.     

基于小波特征提取的多导联心电图神经网络分类

目的研究得到高效、快速、高准确率的心电图的分类方法。方法运用Mexicanhat小波检测多导联心电信号的特征点,然后运用径向基函数网络对特征进行分类。结果经过MITBIH心电数据库波形试验,并与别的实验比较证明,该方法具有较高准确率,对学习过的波形分类正确率达到100.0%,未学习过的86.6%。结论结合心电图的特点得到高准确率的分类方法。     

基于深度LSTM神经网络的在线消费评论情感分类研究

目的：探索深度神经网络在情感分类方面的应用。方法：采用长短型记忆神经网络构造在线消费评论情感的分类器,对收集的消费评论进行二分类的情感分析。结果：LSTM模型的准确率为89.29%,优于实验对照SVM模型的86.10%,深度神经网络模型在本文的情感分类中的准确率较高。结论：使用深度神经网络对消费评论的情感进行分类,可减少人工特征的干预,提高在线消费评论情感分类的效率。     

基于深度学习方法的精神分裂症听觉稳态诱发电位分析

目的文本旨在使用深度学习方法对精神分裂症建立自动分类模型,为临床上精神分裂症患者的鉴别诊断提供参考。方法通过提取受试听觉稳态诱发电位的能量、相位、信噪比和微分熵作为模型输入特征,使用准确率、灵敏度、特异度和受试工作者特性曲线对深度信念网络和支持向量机构建的模型进行分析和比较。结果深度信念网络模型的准确率、灵敏度、特异度、曲线下面积分别为85.6%、88.33%、75.50%和0.88。深度信念网络模型诊断能力明显高于基于线性核、径向基函数核、sigmoid核的三种支持向量机模型。结论基于深度信念网络算法的诊断模型可以有效协助临床医生对于精神分裂症患者的诊断,达到早期发现疾病的效果。     

基于集成神经网络的类风湿关节炎中医证候分类研究

目的 针对基于AI技术的类风湿关节炎（RA）中医证候多标签分类中存在标签关联性差、泛化性能低等问题,提出构建一种集成神经网络模型来实现RA中医证候分类,并探究其中的特征重要性和风险因素,为RA的诊断和治疗提供参考。方法 本文提出一种集成神经网络模型实现RA中医证候分类。该模型采用一种基于多层神经网络的基分类器提取临床RA多标签样本的深层特征,增强RA特征区分度,根据协方差理论衡量标签相关性,调节分类器链的输入空间,减少RA错误信息传播和冗余度,采用集成学习方法减小分类器链中不合理标签序列对RA特征分类的影响。结果 该模型在10折交叉验证性能参数中表现出优秀的性能,其中汉明损失、1-错误率、准确率和F1值分别为0.0036、0.0248、97.52%、99.18%。与其他常用多标签分类器相比,该模型的性能更为优秀具有更好的分类性能。此外,本文分析了RA中医证候特征重要性,并挖掘了潜在的风险因素。结论 基于集成神经网络模型的RA中医证候分类器具有较高的分类精度和效率,对于RA的临床诊断和治疗具有重要参考价值。     

基于改进的BP神经网络的糖尿病肾病中医证候非线性建模研究

目的建立基于人工神经网络的糖尿病肾病(DN)证候诊断模型。方法基于MATLAB 7.0环境,采用改进的共轭梯度(trainscg)学习算法,建立DN证候三层前向BP网络模型,并用3倍交叉法验证该模型的诊断价值。结果DN证候神经网络模型预测DN证候的平均单证特异性为81.32%,平均单证准确率为96.25%,平均诊断准确率为92.21%。结论DN证候BP神经网络模型具有很好的诊断、预测能力,人工神经网络技术是中医证候非线性建模的可行性方法。     

遗传算法优化BP神经网络的老年痴呆症智能诊断

为了提高BP神经网络对疾病诊断的效率和预测准确率,提出一种遗传算法优化BP神经网络的老年痴呆症智能诊断模型,并以医院电子病历数据挖掘为例,对老年痴呆症诊断建立预测模型。该方法首先利用遗传算法的搜索寻优技术进行特征约简,然后将约简后的特征作为BP神经网络的输入变量,训练和构建BP神经网络模型。仿真实验在Matlab软件平台上进行,结果表明：与单BP神经网络相比,遗传算法优化BP神经网络能够降低模型训练时间、提高预测精度,是一种切实可行的老年痴呆症辅助诊断方法。     

基于耦合的卷积-图卷积神经网络的阿尔茨海默病的磁共振诊断方法

目的 针对已有方法未利用大脑拓扑信息的问题,提出基于耦合的卷积-图卷积神经网络的疾病诊断模型,以实现对阿尔茨海默病及其前驱症状的精确诊断,为临床提供可靠的辅助诊断信息。方法 根据ADNI数据库提供的信息,将MMSE评分在20~26分、同时CDR评分为0.5或1的被试的疾病标签标记为AD组;将MMSE评分在24~30分且CDR评分为0、无抑郁症状、无认知障碍、无焦虑症状的被试疾病标签标记为NC组。本文提出一种耦合的卷积-图卷积神经网络（CCGCN）模型,以组间比较获取的疾病相关区域作为输入,利用卷积神经网络,从大脑磁共振图像的不同区域提取疾病相关的特征,再使用图卷积网络,结合提取到的特征,对区域间拓扑结构进行建模,并在图卷积网络中嵌入图池化操作,从而自适应地学习大脑拓扑结构与疾病诊断任务之间的内在联系。利用ADNI数据集,获得CCGCN模型对阿尔茨海默病及其前驱症状的疾病诊断准确率、灵敏度和特异度,并进行模型结构的消融实验。结果 该模型在阿尔茨海默病的诊断任务上取得了92.5%的准确率、88.1%的灵敏度和96.0%的特异度,诊断精度优于目前最先进的方法;同时在区分进行型轻度认知障碍患者和稳定型轻度认知障碍患者的任务上取得了79.8%的准确率、55.3%的灵敏度和83.7%的特异度;消融实验的结果显示了CCGCN模型各组成成分的有效性。结论 基于耦合的卷积-图卷积神经网络的疾病诊断模型利用了原始图像的结构和拓扑信息,相比现有方法可以提供更加精确的阿尔茨海默病诊断结果,有望将其应用于临床的辅助诊断中。     

1000例活动平板运动试验引起心律失常的分析

本文分析我院活动平板运动试验1 000例,心律失常发生率22.7%,性别间无明显差异,60岁以上随年龄增长其心律失常发生率随之增高。原有心律失常史,有高血压病、运动引起 ST 段下降≥0.2 mV 者异位搏动发生率明显增高,但运动引起异位搏动的严重程度和 ST 段下降的严重程度无明显相关关系。心律失常类型以室性异位搏动较房性异位搏动多见。运动引起交感神经张力增高,迷走神经机能降低和血循环中儿茶酚胺水平增高以及心率变化引起超速抑制是运动引起异位搏动的主要激发和调节因素。     

Fuzzy Clustered Probabilistic and Multi Layered Feed Forward Neural Networks for Electrocardiogram Arrhythmia Classification

The role of electrocardiogram (ECG) as a noninvasive technique for detecting and diagnosing cardiac problems cannot be overemphasized. This paper introduces a fuzzy C-mean (FCM) clustered probabilistic neural network (PNN) for the discrimination of eight types of ECG beats. The performance has been compared with FCM clustered multi layered feed forward network (MLFFN) trained with back propagation algorithm. Important parameters are extracted from each ECG beat and feature reduction has been carried out using FCM clustering. The cluster centers form the input of neural network classifiers. The extensive analysis using the MIT-BIH arrhythmia database has shown an average classification accuracy of 97.54% with FCM clustered MLFFN and 99.58% with FCM clustered PNN. Fuzzy clustering improves the classification speed as well. The result reveals the capability of the FCM clustered PNN in the computer-aided diagnosis of ECG abnormalities.     

A New Approach to Detection of ECG Arrhythmias: Complex Discrete Wavelet Transform Based Complex Valued Artificial Neural Network

This paper presents the new automated detection method for electrocardiogram (ECG) arrhythmias. The detection system is implemented with integration of complex valued feature extraction and classification parts. In feature extraction phase of proposed method, the feature values for each arrhythmia are extracted using complex discrete wavelet transform (CWT). The aim of using CWT is to compress data and to reduce training time of network without decreasing accuracy rate. Obtained complex valued features are used as input to the complex valued artificial neural network (CVANN) for classification of ECG arrhythmias. Ten types of the ECG arrhythmias used in this study were selected from MIT-BIH ECG Arrhythmias Database. Two different classification tasks were performed by the proposed method. In first classification task (CT-1), whether CWT-CVANN can distinguish ECG arrhythmia from normal sinus rhythm was examined one by one. For this purpose, nine classifiers were improved and executed in CT-1. Second classification task (CT-2) was to recognize ten different ECG arrhythmias by one complex valued classifier with ten outputs. Training and test sets were formed by mixing the arrhythmias in a certain order. Accuracy rates were obtained as 99.8% (averaged) and 99.2% for the first and second classification tasks, respectively. All arrhythmias in training and test phases were classified correctly for both of the classification tasks.     

Sparse Representation-Based Heartbeat Classification Using Independent Component Analysis

The classification of heartbeats is crucial to identify an arrhythmia. This paper proposes a new method that combines independent component analysis (ICA) with sparse representation-based classification (SRC) to distinguish eight types of heartbeats. We use ICA to extract useful features from heartbeats. A feature vector consists of 100 ICA features along with a RR interval. We use SRC to compute a sparse representation of a test feature vector with respect to all training feature vectors. The type of a test feature vector is determined using the concentration degree of sparse coefficients on each heartbeat type. For experimental purposes, 9800 heartbeats are extracted from the MIT-BIH electrocardiogram (ECG) database. The results show that our proposed method performs better than conventional methods, with 98.35% accuracy and 94.49%–100% sensitivities to several heartbeat types.     

基于影像信息的人工神经网络的脑胶质瘤分级

目的：探讨利用人工神经网络对脑胶质瘤进行分级的可行性和有效性。方法：回顾性纳入2012至2017年经 病理证实的130例脑胶质瘤患者,基于磁共振增强T1加权相二维图像提取的共41个影像学特征。建立人工神经网络并 进行特征选择以得到最优化的神经网络模型,随机抽取一半病例的影像学特征数据对神经网络进行训练,并用另一 半特征数据对训练完成后的神经网络进行胶质瘤分级效果验证。对神经网络重复进行100次训练和验证,将结果进行 平均。结果：经过特征选择后的神经网络模型共选取5个特征作为输入特征,神经网络对脑胶质瘤分级的平均准确率 为90.32%,平均敏感度为87.86%,平均特异度为92.49%,受试者操作曲线的曲线下面积为0.9486。结论：人工神经网络作 为一种人工智能方法,对脑胶质瘤分级具有较高的准确性,为脑胶质瘤的无创性术前分级提供了可行的辅助手段。     

基于径向基函数神经网络的心脏早搏分类诊断研究

早搏是常见的心律失常，根据发生部位分为窦性早搏、房性早搏、交界性早搏和室性早搏。心肌细胞特有的电生理特性和心律失常中常有的一些心电现象，使一部分早搏的心电图失去其固有的特征，临床上通过心电图对其分类诊断存在一定的不确定性。基于Matlab平台，采用径向基神经网络方法，对所搜集的82个早搏分类确诊病例进行研究，建立了心脏早搏分类的辅助诊断模型，其准确率达到96％。为临床心脏早搏分类诊断提供了一种新的方法。     

A Neuro-Fuzzy Identification of ECG Beats

This paper presents a fuzzy rule based classifier and its application to discriminate premature ventricular contraction (PVC) beats from normals. An Adaptive Neuro-Fuzzy Inference System (ANFIS) is applied to discover the fuzzy rules in order to determine the correct class of a given input beat. The main goal of our approach is to create an interpretable classifier that also provides an acceptable accuracy. The performance of the classifier is tested on MIT-BIH (Massachusetts Institute of Technology-Beth Israel Hospital) arrhythmia database. On the test set, we achieved an overall sensitivity and specificity of 97.92% and of 94.52% respectively. Experimental results show that the proposed approach is simple and effective in improving the interpretability of the fuzzy classifier while preserving the model performances at a satisfactory level.     

彩色多普勒超声心动图在胎儿心律失常中临床应用探讨

目的探讨超声检测在胎儿心律失常方面的诊断价值及临床意义。方法对临床疑有胎儿心律失常或伴其他异常妊娠史的200例胎儿进行超声心动图检查。结果经超声检测显示25例（12．5％）胎儿出现心律失常现象,其中心动过速10例（包括5例窦性心动过速及5例室上性心动过速）,心动过缓5例,房性早搏5例。室性早搏2例,房扑1例,合并先天性心脏病2例（其中心内膜垫1例,室缺1例）。结论彩色多普勒超声心动图能够早期诊断胎儿心律失常的类型及胎儿心脏结构功能状况,能为是否需要终止妊娠提供参考临床依据：胎儿心律失常多为功能性及暂时性的,超声检测在胎儿心律失常的正确诊断及在临床合理的干预中具有重要的指导意义。     

基于迁移学习的全连接神经网络舌象分类方法

目的 针对深度学习在舌象分类中训练数据量大、训练设备要求高、训练时间长等问题,提出一种基于迁移学习的全连接神经网络小样本舌象分类方法。方法 应用经ImageNet海量数据集训练后的卷积Inception_v3网络提取舌象点、线等有效特征,再使用全连接神经网络对特征进行训练分类,将深度学习网络学习到的图像知识迁移到舌象识别任务中。利用舌象数据集进行训练、测试。结果 与典型舌象分类方法K最近邻（KNN）算法、支持向量机（SVM）算法和卷积神经网络（CNN）深度学习方法相比,本实验使用的两种方法（Inception_v3+2NN和Inception_v3+3NN）具有较高的舌象分类识别率,准确率分别达90.30%和93.98%,且样本训练时间明显缩短。结论 与KNN算法、SVM算法和CNN深度学习方法相比,基于迁移学习的全连接神经网络舌象分类方法可有效提高舌象分类的准确率、缩短网络的训练时间。