脉象特性分析和识别方法的研究

针对几种常见的脉象运用统计学习理论和方法进行了识别分类的研究。在特征提取方面本文采用了多种不同的信号分析方法，研究了脉象的特征提取。主要分析途径是，时域波形特征提取，频域与倒频域分析，小波域分析，基于AR模型的脉象信号建模以及波形的模板匹配研究。另一方面，研究了几种分类器，作为脉象识别的分类器。通过实验对不同特征的有效性和不同分类器的性能进行了对比。实验结果表明，模板匹配方法和时域特征提取方法较好。     

基于焦点损失函数的嵌套长短时记忆网络心电信号分类研究EI北大核心CSCD

心电图(ECG)可直观地反映人体心脏生理电活动,在心律失常检测与分类领域中具有重要意义。针对ECG数据中类别不平衡对心律失常分类带来的消极作用,本文提出一种用于不平衡ECG信号分类的嵌套长短时记忆网络(NLSTM)模型。搭建NLSTM学习并记忆复杂信号中的时序特征,利用焦点损失函数(focal loss)降低易识别样本的权重;然后采用残差注意力机制(residual attention mechanism),根据各类别特征重要性修改已分配权值,解决样本不平衡问题;再采用合成过采样技术算法(SMOTE)对麻省理工学院与贝斯以色列医院心律失常(MIT-BIH-AR)数据库进行简单的人工过采样处理,进一步增加模型的分类准确率,最终应用MIT-BIHAR数据库对上述算法进行实验验证。实验结果表明,所提方法能有效地解决ECG信号中样本不平衡、特征不突出的问题,模型的总体准确率达到98.34%,较大地提升对少数类样本的识别和分类效果,为心律失常辅助诊断提供可行的新方法。     

基于矩阵实验室的无线传输脉象处理系统

背景：脉搏波的采集一般都是基于有线的方式,这给测量带来不易移动、不易扩展等不便,同时传统的脉象识别也受到人为经验的限制。 目的：为了弥补有线方式采集脉搏波带来的不便以及传统脉象识别受医生知识及经验的限制,文章提出一种应用无线采集脉搏信号,再应用正态二叉树支持向量机算法对脉象进行分类,以达到脉象无线传输、智能识别的目的。 方法：首先通过HK2000B+集成脉搏传感器采集到脉搏波,经过信号调理电路的处理,采用无线收发模块,将其传输到计算机中,然后应用矩阵实验室软件对采集到脉搏波进行处理后提取脉搏波的时域和频域特征,最后对采集到的160例脉搏信号应用正态二叉树支持向量机算法对平、滑、弦、细4种脉象进行分类识别。 结果与结论：该方法在目前的脉象分类方法中具有较高的分类速率、较低的计算复杂度以及较高的分类正确率,有利于推进脉诊的远程和客观化的实现。      

基于模糊识别理论的针电极肌电信号的辨识

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。     

基于极限学习机的室性早搏判别算法的实现

室性早搏是常见的心律异常疾病,给人的生命带来威胁,准确的心律异常诊断对于帮助人们预防心血管疾病起到重要的作用。以MIT-BIH心律异常数据库中的数据作为分析对象,提出一种基于极限学习机算法的诊断方法,主要包括信号预处理、特征提取和分类,实现心电信号室性早搏异常的判别。采用小波变换结合形态学算法,对信号进行预处理,去除干扰,得到纯净的心电信号。通过K-means聚类算法提取QRS波群等特征参数,根据这些参数建立正常窦性心律和室性早搏的正样本和预测样本,再结合极限学习机分类器进行样本训练匹配和分类识别。选取1 260个周期信号进行实验,结果表明,该算法能准确诊断出室性早搏异常,最终阳性平均检测率达到95%,平均灵敏度达到96%。该算法相比其他算法,在识别精度相当的情况下,可极大提高算法的实时性,具有很高的研究价值,同时在移动医疗和临床医疗方面也具有一定的实用价值。     

基于小波变换和BP神经网络的室性早搏(PVC)识别

目的:室性早搏(PVC)是最常见的心律失常,能够实时、准确检测出它具有重要的临床意义。为了能够及早地发现室性早搏(PVC)、提高医生对室性早搏(PVC)诊断的准确性,本文研究了基于小波变换和BP神经网络的室性早搏(PVC)识别方法。方法:首先选取ECG信号的特征参数,用小波变换检测其特征点,提取特征参数,构造特征向量,然后再用训练好的BP神经网络对室性早搏(PVC)进行识别,从而实现ECG信号的正常心律和室性早搏的自动检测识别。结果:本文构造了一个7-10-1结构的三层BP神经网络,用MIT-BIH标准心电数据库中的心电信号数据对构造的神经网络进行训练、检测识别,识别率达到预期的效果。结论:分析MIT-BIH心电数据库六组试验数据的实验结果,证明了基于小波变换和BP神经网络的室性早搏(PVC)识别的方法具有较高的PVC自动检测识别率,对医生的诊断有良好的辅助作用,具有较高的应用价值。     

一种基于复合稀疏表示的阿尔茨海默病的诊断方法

利用磁共振影像数据实现对阿尔茨海默病的准确诊断。将常规稀疏表示中的单层字典分解为两层,分别使用各类别的典型样本和类内差异作为两层字典的元素;设计一种两层字典协调工作的复合稀疏表示形式,以期利用训练样本更为精确地表示待识别样本,并构建分类器用于阿尔茨海默病的分类识别。在ADNI数据库的对比实验表明,该方法的识别性能优于支持向量机和同类的稀疏表示分类器。     

从肿瘤基因表达数据挖掘分类规则的研究

基于肿瘤基因表达数据,利用信息科学的方法和技术建立肿瘤预测分类模型,对肿瘤基因表达模式研究和肿瘤的诊断识别具有重要意义.本研究提出一种从肿瘤基因表达数据中直接挖掘分类规则建立肿瘤预测分类器的方法.该方法首先抽取实验样本集,分别找出标记肿瘤和正常组织样本的分类特征,由此生成可预测样本类别的分类规则,对每个未知类别样本,按照置信度最高原则,选择一个分类规则作为预测结构.本研究的实验数据来自Broad Institute的前列腺癌基因表达数据,实验结果显示该方法的预测精度在90%以上,且同时获得了大量结构透明的分类预测规则,表明本研究的方法是可行的和有效的.     

基于波形特征和SVM的心电信号自动分类方法研究

目的:提出一种新的基于波形特征和SVM的心电信号自动分类实现方法。方法:定义并提取了基于时域特征、小波域特征和高阶统计量特征等三大类心电特征参数,将一次性直接求解多类模式的SVM方法应用于心电信号分类。结果:通过对心电数据库典型心律失常信号的分类测试,验证了所提出心电信号分类方法的有效性。结论:本方法的实现可以有效提高了分类识别精度和速度。     

基于自编码器和隐马尔可夫模型的睡眠呼吸暂停检测方法

阻塞性睡眠呼吸暂停容易引发心血管并发症。作为睡眠呼吸暂停诊断的金标准,多导睡眠仪的检测费用昂贵且影响患者睡眠质量。鉴于心肺高度耦合,心电信号已被广泛应用于睡眠呼吸暂停检测中。然而,大多数基于心电信号的研究专注于人工特征的设计,依赖于专家先验知识。基于深度学习的方法能够减少特征提取过程中的人为因素。提出一种基于自编码器和隐马尔可夫模型的睡眠呼吸暂停检测方法。首先,利用栈式稀疏自编码器,直接从RR间期序列中进行半监督特征学习,先在预训练阶段进行无监督学习,随后在微调阶段引入标签进行有监督学习。然后,构建支持向量机和人工神经网络,分别结合隐马尔可夫模型之后,组成决策融合分类器,隐马尔可夫模型引入片段之间的时间依赖性,决策融合可整合不同分类器之间的优势。基于Physio Net的apnea-ECG数据库70例整夜睡眠数据,实验结果显示:阻塞性睡眠呼吸暂停片段识别准确率、敏感性和特异性分别为84.7%、88.9%和82.1%,个体识别准确率达到100%。基于自编码器的特征提取方法相较于特征工程,能够降低先验知识限制,使特征提取过程更加自动化、智能化。此外,决策融合分类器相较于单一分类器,不仅可提升片段识别准确率,而且能缓解识别结果中敏感性和特异性之间的不平衡性。     

人工智能在中医诊断中的应用进展

本研究立足于各类人工智能算法的数学原理,阐述了人工智能在中医诊断中的应用现状及问题。其中传统机器学习算法,如支持向量机、贝叶斯算法等因其小样本学习的特性,在闻诊、问诊等场景具备较高的精度与稳健性;而近年来新兴的深度学习算法则可以处理如图像、音频信号、文本等非结构化数据,与望诊、切诊等场景相契合;多模态深度学习则可以充分挖掘望闻问切数据中的信息,并在特征空间中进行隐式的四诊合参。人工智能的引入可以进一步推动中医的客观化、定量化发展,但其数据驱动的特性要求进一步规范现行的中医数据库建立流程。     

基于时空解析建模的脉搏信号量化分析方法研究

为实现脉搏信号形态和周期的量化分析,本研究提出一种脉搏信号时空解析建模及量化分析方法。首先,根据脉搏信号的形成机理,将脉搏周期和基线引入脉搏解析模型,得到时空解析模型表达式及12个参数,用于脉搏波的量化描述。然后,提出了基于实际脉搏信号的模型参数估计流程,给出参数估计的优化方法、约束条件和边界条件。将所提出的时空解析建模方法用于国际标准生理信号开源数据库(PhysioNet)幻想曲(Fantasia)子库中的健康人脉搏波,从解析模型中可以得到一些年龄和性别因素引起的人体心脏搏动节律和血流动力学变化。以提取的模型参数为输入,采用随机森林、概率神经网络等机器学习方法对脉搏波按照年龄和性别进行分类,结果表明随机森林法分类效果最好,Kappa系数达到98%以上。本研究提出的时空解析建模方法可有效地对脉搏信号进行量化分析,为脉搏信号相关的应用研究提供了理论基础和技术框架。     

Wrist pulse signal diagnosis using modified Gaussian models and Fuzzy C-Means classification

Wrist pulse signal contains important information about the health status of a person and pulse signal diagnosis has been employed in oriental medicine for thousands of years. In this research, a systematic approach is proposed to analyze the computerized wrist pulse signals, with the focus placed on the feature extraction and pattern classification. The wrist pulse signals are first collected and pre-processed. Considering that a typical pulse signal is composed of periodically systolic and diastolic waves, a modified Gaussian model is adopted to fit the pulse signal and the modeling parameters are then taken as features. Consequently, a feature selection scheme is proposed to eliminate the tightly correlated features and select the disease-sensitive ones. Finally, the selected features are fed to a Fuzzy C-Means (FCM) classifier for pattern classification. The proposed approach is tested on a dataset which includes pulse signals from 100 healthy persons and 88 patients. The results demonstrate the effectiveness of the proposed approach in computerized wrist pulse diagnosis.     

心音信号的非高斯AR模型双谱分析

本文利用高阶谱分析方法 ,提出以非高斯参数模型对心音信号进行双谱分析与分类。采用具有非高斯白噪声激励的参数模型对心音 (PCG)信号进行建模 ,由导出的基于累积量的三阶递推方程估计模型参数 ,并对心音信号进行参数化双谱估计。其次 ,对心音信号的非高斯AR模型的定阶进行讨论 ,提出采用双谱互相关法估计心音信号的模型阶次。另外 ,利用非高斯AR模型参数构成特征向量 ,对正常心音和病理性心音进行二类模式分类。最后 ,对实际心音信号进行分析 ,结果表明利用双谱技术分析心音信号是一种新的有效方法 ,有助于心音信号的定量分析并为某些心脏疾病的早期诊断提供新的辅助信息。     

基于小波变换的脉搏波信号去噪

人体脉象信号是一种信噪比较低的非平稳随机信号,在分析脉象信号之前去噪是一项十分重要的工作。针对小波变换中的阈值法进行公式上的改进,并利用ZM—ⅢC型智能化中医脉象仪采集到的亚健康人群左关外桡动脉脉搏信号进行去噪处理,实验结果表明,改进后的阈值法可以取得更好的去噪效果。     

基于心电信号的脉搏波形特征点提取

为寻求一种精确的脉搏波特征提取方法,提取更多的脉搏波形特征,揭示心电脉搏在时域上的相关性,使用MP425数据采集卡和LabVIEW构成的数据采集系统同步采集ECG信号和脉搏波信号,对ECG信号和脉搏波信号进行分析和处理,采用能量算子法检测心电信号R波;基于同步采集的ECG和脉搏波信号,提出一种应用ECG信号的R波和T波来提取Pulse wave的重搏波和峰值的方法.经过分析与实验验证,该方法能准确找到脉搏波波峰和重搏波位置,并具有较强的抗干扰能力,为研究心电脉搏之间的关系提供了一种新的方法.     

EMD-based Adaptive Wavelet Threshold for Pulse Wave Denoising

It is inevitable that noises will be introduced during the acquisition of pulse wave signal, which can result in morphology changes of the original pulse wave,and affect the hemodynamic analysis and diagnosis based on pulse wave signals. In order to remove these noises, an adaptive de-noising method based on empirical mode decomposition(EMD) and wavelet threshold is proposed in this paper. Compared with the wavelet threshold method for denoising pulse wave, the proposed approach is more effective, especially at low signal-to-noise ratio.     

基于超声回波信号的指端脉搏波提取

脉搏波可作为检测人体心血管系统生理病理状态的重要依据。为了验证用超声波测量脉搏波的可能、解决脉搏波的测量部位受限的问题,本研究提出一种从超声回波信号中提取脉搏波的方法。设计一种跟随式超声传感器,用数据采集系统采集指端超声回波信号,经过滤波、选点及小波去噪等处理后得到较为纯净的脉搏波信号;同时采集心电信号以及光电容积脉搏波信号作为参考信号。结果表明,可以从提取的指端脉搏波中准确地获取心率;与同步测得的光电容积脉搏波数据相关系数大部分在0.8以上;波形中的重搏前波、重搏波等细节部分也能明显地表现出来。本研究提出的方法实现了从指端超声回波信号中获取完整可靠的脉搏波信号,为日后获取不同部位的脉搏信号提供了基础。     

基于卷积神经网络特征提取与融合的心律失常分类

本研究提出一种新的心律失常自动分类方法,辅助医生诊治心律失常。通过构建卷积神经网络对心电信号以及QRS波群的小波分量进行特征提取,将网络提取到的心电信号特征和小波特征与人工提取的RR间期特征,输入到全连接层进行融合,在输出层使用softmax函数对心拍进行分类。使用MIT-BIH心律失常数据库中的MILL导联数据对网络进行训练和测试。经测试,该方法的总体分类准确度达98.12%,平均灵敏度为87.32%,平均阳性预测值为90.37%。该方法能够快速识别不同类型的心律失常,对于计算机辅助诊断心律失常的应用具有一定的参考价值。     

Screening of knee-joint vibroarthrographic signals using statistical parameters and radial basis functions

Externally detected vibroarthrographic (VAG) signals bear diagnostic information related to the roughness, softening, breakdown, or the state of lubrication of the articular cartilage surfaces of the knee joint. Analysis of VAG signals could provide quantitative indices for noninvasive diagnosis of articular cartilage breakdown and staging of osteoarthritis. We propose the use of statistical parameters of VAG signals, including the form factor involving the variance of the signal and its derivatives, skewness, kurtosis, and entropy, to classify VAG signals as normal or abnormal. With a database of 89 VAG signals, screening efficiency of up to 0.82 was achieved, in terms of the area under the receiver operating characteristics curve, using a neural network classifier based on radial basis functions.