共查询到19条相似文献,搜索用时 62 毫秒
1.
为更加准确地从动态心电中提取异常心拍,设计一种融合卷积神经网络(CNN)和多层双边长短时记忆网络(BiLSTM)的心律失常心拍分类模型。心电信号首先被分割成0.75 s和4 s两种不同尺度大小的心拍信号,然后利用11层CNN网络和3层BiLSTM网络分别对小/大尺度心拍信号进行特征提取与合并,并使用3层全连接网络对合并特征进行降维,最后利用softmax函数实现分类。针对MIT心律失常数据库异常心拍类型分布不均衡的问题,采用添加随机运动噪声和基线漂移噪声的样本扩展方法,降低模型的过拟合。采用基于患者的5折交叉检验进行模型验证。MIT心律失常数据库116 000个心拍的分类结果表明:所建立的模型针对4类心拍(正常、房性早搏、室性早搏、未分类)的识别准确率为90.42%,比单独使用CNN(76.45%)和BiLSTM(83.28%)的模型分别提高13.97%和7.14%。所提出的融合CNN和BiLSTM的心律失常心拍分类模型,相比单一基于CNN模型或者BiLSTM模型的机器学习算法,有更好的异常心拍分类准确率。 相似文献
2.
在计算心电的波形特征(如幅度、时限等)时,通常所有心拍都参与计算,但低信噪比的心拍实际上起了负面效应。本文提出了通过模板法筛选高信噪比的心拍来计算波形特征的一种方法。通过KL模板和均值模板的比较,发现无论是实时性还是准确性方面,均值模板都较KL模板更具优势。实验证明,本文方法提高了心电波形参数的统计精度。因此,该方法使得心电自动分析的结果更加准确可靠。 相似文献
3.
心律失常是因心脏疾病引起的心电活动中的异常症状,早期心室收缩(PVC)是由异位心跳引起的常见心律失常形式。通过心电图(ECG)信号检测PVC对于预测可能的心力衰竭具有重要意义。本文提出一种面向PVC心拍分类的心电信号分类算法,重点研究基于自适应学习的PVC异常心拍分类特征提取模型,通过计算心拍关联后验概率,结合领域专家标注信息训练分类器,提高整体分类效果。实验采用MIT-BIH心律失常数据库的ECG数据,研究结果表明所提方法针对非线性流形结构数据,能够有效提升小样本心拍自适应分类器的准确性。 相似文献
4.
目的传统多元多尺度熵在量化有限长数据时会造成部分数据丢失,同时传统算法对阈值的过分依赖也会造成整个系统产生不稳定的现象,二者皆会使最终结果产生较大的误差,因此本文提出一种多元多尺度模糊熵算法。方法对传统多元多尺度样本熵的粗粒化方式进行改进,采用滑动均值滤波使粗粒化后各尺度上的时间序列与原始时间序列长度一致,减小了所计算多元多尺度熵的离散性。此外,本文算法在保持多元样本熵中硬阈值优点的同时,通过定义模糊隶属度函数来统计两复合延迟向量距离略大于阈值的情况。结果本算法既降低了传统方法对阈值的依赖性,又很好地解决了传统阈值所导致的不稳定现象。最后用仿真数据对该算法进行验证,并将其应用于帕金森患者步态复杂度的评价和分类。结论实验结果表明多元多尺度模糊熵的识别效果明显优于传统多元多尺度熵。 相似文献
5.
针对心电信号自动分类技术中的特征提取,提出一种新的特征提取方法—总体局部均值分解(ELMD)方法。该方法首先对心电信号加入不同的高斯白噪声,然后进行局部均值分解得到若干乘积函数(PF)分量,求取多次分解后的PF分量均值。多次加入噪声及分量平均的过程可以克服基本局部均值分解方法存在的模态混叠问题。选取较优的前4个PF分量进行特征计算,将得到的特征向量矩阵送入支持向量机对正常心电信号和4种常见的心律失常信号进行分类。从MIT-BIH心律失常数据库的分类结果来看,ELMD总体分类准确率达到99.61%,高于一般方法,证明了ELMD方法的有效性。 相似文献
6.
传统的心电疲劳分类方法虽然能有效地识别疲劳状态,但需要采集较长时间的信号,不能达到疲劳状态的实时监测。本文设计一种深层卷积神经网络模型用于评估操作员疲劳状态,对操作员的短时心电信号进行疲劳状态的自动分类。首先,提出一种将心电信号转化为图像的方法,将采集到的心电信号转化成二维图像,即将心电信号直接映射到二维空间转换成时域图片信息。然后,将图片送入深层卷积神经网络模型中去训练,实现对操作员疲劳状态的分类。本文方法降低了模型的复杂性,减少了模型的参数,同时训练的数据不需要经过类似噪声滤波、特征提取等任何预处理步骤。结果表明该模型能自动从心电信号中提取有效特征,实现对操作员非疲劳和疲劳两种状态的正确分类,分类准确率达到97.36%。 相似文献
7.
基于微机的心电信号实时自动分析系统 总被引:6,自引:0,他引:6
作者介绍了在386微机上研制开发的心电信号实时自动分析系统,着重介绍了QRS复合波的帝时检测算法和心律失常自动分析软件。该系统能实时显示任一导联心电波形,同时显示心率(HR)和早搏(PVC)累积数;能自动识别十余种心律失常并报警;具有ST段分析功能,能实时检测ST段电平和斜率,经用美国MIT心电数据库的部分数据对该系统进行测试,准确率达95%以上。 相似文献
8.
目的:提升心电图心律失常分类算法的性能,为临床心电诊断提供辅助依据。方法:将一维心电图数据按照R点进行切分,将切分后的数据生成2D图像。利用数据增强技术将样本进行扩增,再利用二维卷积神经网络(2D-CNN)中的2D卷积层、2D最大池化层、Flatten层和全连接层,对图像特征进行提取,并通过Softmax分类器进行分类... 相似文献
9.
心电图(ECG)作为检测心肌缺血的一种方便、经济、无创的工具,其临床表现主要为ST-T段改变。由于心肌缺血很多情况下是瞬时发生,并且是无症状的,此时医务人员往往无法预料而不能及时采取干预措施,若能实现计算机的自动实时监控和及时预警,在心脏疾病诊断中具有重要的意义。本文融合目前比较公认的定量判断指标,主要包括:ST段偏移量、T波峰点幅值、ST/HR值,且在医务人员的协助指导下,应用模糊推理对心肌缺血进行了判别,经MIT-BIH数据库和公共数据库(LTST)中心电数据的验证,其敏感性和阳性预测值分别达到75%和78%,特异性和阴性预测值分别达到85%和87%。该方法更接近人的思维和认识,易于临床检测和工程实现。 相似文献
10.
心喘灵(xC-1]能明显对抗乌头碱,BaCl~2和结扎大鼠左冠状动脉前降支诱发的心律失常。XC-1能降低离体大鼠右心房的自发频率。对大鼠心电图实验,证明XC-1有负性频率作用,负性传导作用,负性自律性作用。这些可能是XC-1抗心律失常作用的药理学基础。其抗实验性心律失常作用较奎尼丁强1倍。对离体心脏奎尼丁高度抑制,而XC-1尚有明显的强心作用。 相似文献
11.
The classification of heart beats is important for automated arrhythmia monitoring devices. The study describes two different classifiers for the identification of premature ventricular complexes (PVCs) in surface ECGs. A decision-tree algorithm based on inductive learning from a training set and a fuzzy rule-based classifier are explained in detail. Traditional features for the classification task are extracted by analysing the heart rate and morphology of the heart beats from a single lead. In addition, a novel set of features based on the use of a filter bank is presented. Filter banks allow for time-frequency-dependent signal processing with low computational effort. The performance of the classifiers is evaluated on the MIT-BIH database following the AAMI recommendations. The decision-tree algorithm has a gross sensitivity of 85.3% and a positive predictivity of 85.2%, whereas the gross sensitivity of the fuzzy rule-based system is 81.3%, and the positive predictivity is 80.6%. 相似文献
12.
O. Wieben V. X. Afonso W. J. Tompkins 《Medical & biological engineering & computing》1999,37(1):560-565
The classification of heart beats is important for automated arrhythmia monitoring devices. The study describes two different
classifiers for the identification of premature ventricular complexes (PVCs) in surface ECGs. A decision-tree algorithm based
on inductive learning from a training set and a fuzzy rule-based classifier are explained in detail. Traditional features
for the classification task are extracted by analysing the heart rate and morphology of the heart beats from a single lead.
In addition, a novel set of features based on the use of a filter bank is presented. Filter banks allow for time-frequency-dependent
signal processing with low computational effort. The performance of the classifiers is evaluated on the MIT-BIH database following
the AAMI recommendations. The decision-tree algorithm has a gross sensitivity of 85.3% and a positive predictivity of 85.2%,
whereas the gross sensitivity of the fuzzy rule-bassed system is 81.3%, and the positive predictivity is 80.6%. 相似文献
13.
血白细胞分类计数嗜碱性粒细胞、嗜酸性粒细胞、中性粒细胞、淋巴细胞、及单核细胞是临床诊断的重要依据。作者在细胞图像分割、白细胞特征提取、白细胞特征选择后,提出了用Sugeno型模糊神经网络的方法实现外周血白细胞的自动形态学分类。用构建的网络分别进行白细胞的3分类和5分类试验,结果表明,用模糊神经网络分类器对血白细胞形态学分类可行。 相似文献
14.
以氨基酸组成为特征对膜蛋白的分类,忽略了序列残基之间的相关性信息,而采用传统支持向量机算法作为分类算法,在解决多类问题时会出现分类盲区问题。针对这两种情况,计算蛋白质序列的氨基酸组成、二肽组成以及6种氨基酸相关系数,将三类特征结合,作为膜蛋白序列的特征向量;同时采用模糊支持向量机作为分类器,解决了传统支持向量机在多类数据识别中的盲区问题。测试结果表明,在相同特征输入下,模糊支持向量机分类性能优于传统支持向量机;在相同分类器的情况下,氨基酸组成、二肽组成和相关系数组合的特征选择方法的分类性能优于只使用其中一类或两类特征的方法;而采取组合特征和模糊支持向量机相结合的分类策略,在独立性数据集测试中的整体预测精度达到97%,优于现有的多种分类策略,是目前最有效的膜蛋白分类方法之一。 相似文献
15.
Ludmila I. Kuncheva 《Computers in biology and medicine》1990,20(6):421-431
In this paper a fuzzy pattern recognition model is described, which is a tool to handle problems with noncrisp and multi-class membership of the objects. It is oriented to medical diagnostics, where the patients suffer from more than one disease in different degrees. Fuzzy pattern recognition is supposed to fit medical diagnostic problems better than conventional pattern recognition. The design of a multi-level fuzzy decision scheme is considered in order to derive high performance, taking into account expert logic and human experience. Two main topics are discussed—the criterion for evaluation of classification accuracy and the training rule. The implementation of fuzzy multi-level classifier is illustrated with real clinical data. 相似文献
16.
本研究提出应用基于多输入,多输出模糊集变换的改善型广义模糊熵模式分类器(General Fuzzy Entropy Pattern classifier GFEPC)系统,来识别排序相邻与不相邻情况的心率变异性(Itearl Rate Variability,HRV)信号,实验表明的有效性,既与类别排序无关,同时对两种不同排序类别具有较好正确的分类率。 相似文献
17.
基于模糊识别理论的针电极肌电信号的辨识 总被引:2,自引:0,他引:2
针对针电极肌电信号的不确定性,提出了一种利用模糊识别理论辨识针电极肌电信号的方法,对前臂异常募集时的针电极肌电信号进行辨识,给出了模糊识别所需的特征量,隶属度函数和特征关系矩阵。与选取相同特征值和样本数量的贝叶斯分类器的对比实验表明,这种方法所需样本少,识别准确率高。 相似文献
18.
提出一种基于模糊数学的方法来融合多模医学图像。采用改进的FCM算法分割图像,用自动模糊重分布的算法确定隶属度。在融合步骤中考虑到了16种不同图像组织的交混情况和16种上下文关系,总共256种模糊关系。实验结果表明:该方法有很强的抗配准偏差能力和抗分割干扰能力,并具有稳健、快速、精确等特点。 相似文献
19.
Automatic tools for detection and identification of lung and lesion from high-resolution CT (HRCT) are becoming increasingly important both for diagnosis and for delivering high-precision radiation therapy. However, development of robust and interpretable classifiers still presents a challenge especially in case of non-small cell lung carcinoma (NSCLC) patients. In this paper, we have attempted to devise such a classifier by extracting fuzzy rules from texture segmented regions from HRCT images of NSCLC patients. A fuzzy inference system (FIS) has been constructed starting from a feature extraction procedure applied on overlapping regions from the same organs and deriving simple if–then rules so that more linguistically interpretable decisions can be implemented. The proposed method has been tested on 138 regions extracted from CT scan images acquired from patients with lung cancer. Assuming two classes of tissues C1 (healthy tissues) and C2 (lesion) as negative and positive, respectively; preliminary results report an AUC = 0.98 for lesions and AUC = 0.93 for healthy tissue, with an optimal operating condition related to sensitivity = 0.96, and specificity = 0.98 for lesions and sensitivity 0.99, and specificity = 0.94 for healthy tissue. Finally, the following results have been obtained: false-negative rate (FNR) = 6 % (C1), FNR = 2 % (C2), false-positive rate (FPR) = 4 % (C1), FPR = 3 % (C2), true-positive rate (TPR) = 94 %, (C1) and TPR = 98 % (C2). 相似文献