基于交叉对比神经网络的心音分类

目的:通过交叉对比神经网络（CCNN）实现心音信号的自动分类,从而对心血管疾病进行早期诊断。方法:实验基于PhysioNet/Cinc 2016心音数据库。训练集和测试集数据来自互斥的健康受试者/病理患者,并以4:1的比例进行划分,输入CCNN。CCNN利用深度卷积神经网络进行特征提取,结合基于信息的相似度度量理论（IBS）,对特征向量间的相似性进行度量并分类。结果:实验结果得出灵敏度为0.834 6,特异性为0.962 3,最终大赛综合得分为0.898 5。结论:CCNN使用交叉对比的输入模式扩充数据量,引入信号间的对比信息,同时在神经网络的训练过程中应用统计学思想,使网络具备良好的泛化性,更加适应医学数据量较少的场景,在心音分类中取得较好的结果。     

基于CNN和频率切片小波变换的T波形态分类

心电实时监控是心血管疾病防治的重要手段.心电图中T波的变化是心肌缺血和心脏猝死等疾病的重要表征,T波形态自动识别是心电远程监控中一个重要问题.由于实时监护用心电的强噪声背景影响,传统的T波特征提取与分类算法遭遇瓶颈.提出一种结合切片频率小波变换和卷积神经网络的T波形态识别算法,包括:自动定位R波波峰位置与T波终点位置,...     

基于注意力机制的生物医学文本分类模型

对生物医学文本进行准确分类，是促进医院信息化发展的一个重要途径。本研究提出一种基于注意力机制的双层次文本分类模型，用于对生物医学文本进行有效分类。该模型结合卷积神经网络与循环神经网络的优势，对用户输入的疾病文本进行特征提取。首先，在第一层次通过Bi-GRU通道与Bi-LSTM通道提取文本中的上下文关联信息，同时，为增强模型的特征提取能力，在该层次引入注意力机制。其次，将两个通道提取到的时序特征进行特征拼接，并将拼接后的结果传入第二层次，从而进一步提取文本的局部特征，最后利用分类器输出最终的分类结果。对生物医学文本进行分类性能评估，结果表明，与基线模型相比，该模型的分类准确率可达91.45%，具有显著的分类性能。     

神经网络在叶轮式人工心脏输出流量检测中的应用

目的　寻找一种既精确又简便的间接测量方法。方法　应用神经网络技术检测叶轮式人工心脏的输出流量。采用电机功率和转速作为神经网络输入元,流量作为输出元的网络结构,通过反复训练、测试,使网络掌握输入与输出之间的非线性关系,能够在一定的误差范围内根据输入得到相应的输出。结果　应用神经网络检测人工心脏输出流量能够达到一定的精度(误差<5%)。结论　该方法简便、精确,在实际测量中避免引入传感器探针,降低装置的复杂性,减小了感染的机会,具有进一步研究价值。     

Classifying coronary dysfunction using neural networks through cardiovascular auscultation

The paper applies artificial neural networks (ANNs) to the analysis of heart sound abnormalities through auscultation. Audio auscultation samples of 16 different coronary abnormalities were collected. Data pre-processing included down-sampling of the auscultated data and use of the fast Fourier transform (FFT) and the Levinson-Durbin autoregression algorithms for feature extraction and efficient data encoding. These data were used in the training of a multi-layer perceptron (MLP) and radial basis function (RBF) neural network to develop a classification mechanism capable of distinguishing between different heart sound abnormalities. The MLP and RBF networks attained classification accuracies of 84% and 88%, respectively. The application of ANNs to the analysis of respiratory auscultation and consequently the development of a combined cardio-respiratory analysis system using auscultated data could lead to faster and more efficient treatment.     

基于人工神经网络的心脏功能评定研究

作者应用人工神经网络的方法,利用心脏收缩时间间期指标评定心脏功能。采用21个输入、3个输出和单个隐层的前馈网络,用反向传播算法进行训练。所用7个指标,将其进行编码后作为输入矢量,心脏功能分为3级,在人工神经网络学习由专家评定的结果后,对200位受试者的心脏功能进行评定。人工神经网络评定的正确率达93.5％,且具有自学习、容量扩充和较强的容错能力。     

Single-trial classification of elementary comparison processes on the basis of instantaneous EEG and MEG coherences

The present study is focused on the evidence of possible single-trial EEG/MEG analysis of information processing. The discrimination between thinking modalities of concept activation and pattern comparison for single tasks of elementary comparison procedures is investigated. A neural network classifier with backpropagation learning algorithm is used. The input vector is constructed by parameters of instantaneous coherence (13-20 Hz) between several channel pairs of the EEG and/or of the MEG. Thereby, the strength of synchronization and the time location of synchronization phenomena are taken into consideration. The combination of EEG and MEG coherence parameters led to a classification accuracy of 85-94% for single subjects. Generally, results reached by neural network classifier show a better generalization than linear discriminant analysis.     

Assessment of multichannel lung sounds parameterization for two-class classification in interstitial lung disease patients

This work deals with the assessment of different parameterization techniques for lung sounds (LS) acquired on the whole posterior thoracic surface for normal versus abnormal LS classification. Besides the conventional technique of power spectral density (PSD), the eigenvalues of the covariance matrix and both the univariate autoregressive (UAR) and the multivariate autoregressive models (MAR) were applied for constructing feature vectors as input to a supervised neural network (SNN). The results showed the effectiveness of the UAR modeling for multichannel LS parameterization, using new data, with classification accuracy of 75% and 93% for healthy subjects and patients, respectively.     

Classification of normal and abnormal electrogastrograms using multilayer feedforward neural networks

A neural network approach is proposed for the automated classification of the normal and abnormal EGG. Two learning algorithms, the quasi-Newton and the scaled conjugate gradient method for the multilayer feedforward neural networks (MFNN), are introduced and compared with the error backpropagation algorithm. The configurations of the MFNN are determined by experiment. The raw EGG data, its power spectral data, and its autoregressive moving average (ARMA) modelling parameters are used as the input to the MFNN and compared with each other. Three indexes (the percent correct, sumsquared error and complexity per iteration) are used to evaluate the performance of each learning algorithm. The results show that the scaled conjugate gradient algorithm performs best, in that it is robust and provides a super-linear convergence rate. The power spectral representation and the ARMA modelling parameters of the EGG are found to be better types of the input to the network for this specific application, both yielding a percent correctness of 95% on the test set. Although the results are focused on the classification of the EGG, this paper should provide useful information for the classification of other biomedical signals.     

一种基于多层感知器的房颤心电图检测方法

目的:提出一种基于多层感知器（MLP）的新型房颤识别算法。方法:首先设计一种新型自适应的R波阈值检测算法,然后以R波位置和幅度为特征,MLP为分类器进行正常/房颤心电图识别。MLP的网络参数采用深层置信网络预训练算法进行初始化,最后用误差反向传播算法对MLP网络权重进行调整。结果:在单通道心电图数据集上对正常、房颤心电信号进行分类,本研究方法的灵敏度达96.00%,特异性为84.18%,平均识别率为90.09%。结论:这种基于MLP的心电识别算法准确率高、计算复杂度较低,可为房颤的智能诊断提供一种新方法。     

Classification of carotid artery stenosis of patients with diabetes by neural network and logistic regression

The blood flow hemodynamics of carotid arteries were obtained from carotid arteries of 168 individuals with diabetes using the 7.5 MHz ultrasound Doppler M-unit. Fast Fourier Transform (FFT) methods were used for feature extraction from the Doppler signals on the time-frequency domain. The parameters, obtained from the Doppler sonograms, were applied to the mathematical models that were constituted to analyze the effect of diabetes on internal carotid artery (ICA) stenosis. In this study, two different mathematical models such as the traditional statistical method based on logistic regression and a Multi-Layer Perceptron (MLP) neural network were used to classify the Doppler parameters. The correct classification of these data was performed by an expert radiologist using angiograpy before they were executed by logistic regression and MLP neural networks. We classified the carotid artery stenosis into two categories such as non-stenosis and stenosis and we achieved similar results (correctly classified (CC) = 92.8%) in both mathematical models. But, as the degree of stenosis had been increased to 4 (0-39%, 40-59%, 60-79% and 80-99% diameter stenosis), it was found that the neural network (CC = 73.9%) became more efficient than the logistic regression analysis (CC = 67.7%). These outcomes indicate that the Doppler sonograms taken from the carotid arteries may be classified successfully by neural network.     

基于双通道神经网络的疾病文本分类方法

医疗疾病文本的准确分类对医疗信息化的发展具有重要的推进作用,本研究提出一种基于双通道学习的神经网络模型研究疾病文本分类方法。该模型分别使用卷积神经网络和双向长短期记忆网络对患者输入的疾病症状文本进行局部特征以及时序特征学习。此外,在双向长短期记忆网络上引入自注意力机制区分特征对类别预测的贡献值,增强模型的学习能力和可解释性。为使两个通道提取到的特征能够共同决定分类结果,该模型将两种特征进行拼接融合,最后利用softmax分类器得到最终的分类结果。实验结果表明,在疾病文本分类的性能方面,该模型相比其他分类模型具有较高的精确率、召回率和F1值,分别可达90.61%、90.48%和90.51%。     

基于CNN算法的稳态体感诱发电位的特征识别

脑-机接口研究可为瘫痪病人的康复带来一种新的治疗方法。已有研究表明对手指或者正中神经施加一定频率的体感刺激,会引发相同频率且具有空间特异性的稳态体感诱发电位。为优化基于稳态体感诱发电位的脑-机接口的性能,通过快速傅里叶变换寻找12个健康被试的个人左手特定共振频率,采用事件相关谱扰动进行时频分析,检测其稳态体感诱发电位信号。基于共振频率对实验诱发的脑电信号进行1 Hz带通滤波,获得特定频带的数据,采用卷积神经网络(CNN)学习算法对其进行分类,并与采用共空间模式和支持向量机的特征提取及特征分类的方法(CSP+SVM)进行比较。所有被试的结果显示:基于共振频率滤波方法,采用CNN学习算法获得的离线分类准确率均高于85%,并且CNN学习算法的分类准确率显著性优于CSP+SVM的分类准确率(91.8%±5.9% vs 77.4%±8.5%,P<0.05)。因此,在基于稳态体感诱发电位的脑机接口的特征识别中,CNN学习算法相比传统使用的机器学习分类算法(如共空间模式+支持向量机)能够显著提升分类准确率,提高脑机接口的整体性能。     

基于优化后向传播神经网络的基础心音分类

针对后向传播（BP）神经网络高度依赖初始权值、收敛慢且易陷入局部极值,标准人工蜂群算法开发能力弱、局部 搜索能力差等问题,提出一种基于改进人工蜂群算法优化BP神经网络的分类方法。引入自适应和全局最优策略改进人 工蜂群算法中跟随蜂蜜源全局搜索、概率选择算法,使用当前迭代的最优解来提高其开发能力。此外,利用混沌系统产生 初始种群,以增强人工蜂群算法全局收敛性。最后,将本文算法应用到基础心音分类。结果表明本文算法较经典分类算 法分类准确率有较大的提升。梅尔频率倒谱特征参数下,本文算法的分类准确率达到94%以上。     

基于卷积神经网络的肾小球病理图像分类算法

病理切片中肾小球自动分类是诊断肾脏病变程度和病变类型的关键。为解决肾小球分类问题,设计了一个基于卷积神经网络的完整肾小球分类框架,选用SE-Resnet作为图像分类模型,将原有模块中卷积层改为参数量更小的卷积块,在保证网络性能的前提下减少网络参数。实验结果表明,相比于其他分类算法,该算法表现最优,在肾小球系膜细胞增生、肾小球新月体形成、肾小球局灶性节段性硬化、正常肾小球的分类任务中达到了96.93%的准确率,说明该分类算法能够较好地对肾小球病变进行识别。     

使用二分支卷积神经网络识别第一心音与第二心音

心音听诊是一种重要的用于心脏疾病诊断的方法。心音中可以听见的部分主要为第一心音(S1)和第二心音(S2)。在一个心动周期中,不同阶段的杂音往往对应不同的心脏疾病,因此心音分割是利用心音进行疾病诊断的前提。S1和S2分别出现在心脏收缩期和舒张期的开始阶段,准确定位S1和S2有利于心音的正确分割。本文研究了一种不利用收缩期和舒张期的时间特征,而仅使用S1和S2本身特性的分类方法。将训练集中带有标注的S1和S2进行短时傅里叶变换得到时频图,然后构建有分支的双层卷积神经网络,使用时频图对卷积神经网络进行训练,得到可用于S1和S2分类的神经网络。神经网络对测试集中S1和S2的分类准确率最高为91.135%,高于传统的方法。神经网络的敏感性和特异性最高分别为91.156%和92.074%。该方法无需预先提取心音的特征,计算简单,有利于心音的实时分割。     

先天性心脏病筛查系统设计

为提高医生筛查先天性心脏病的效率,设计一款基于卷积神经网络的先天性心脏病筛查系统。系统以软硬协同的方式实现心音、心电等生理参数的实时同步采集以及可视化和定量化分析。系统包含上下位机,下位机以FPGA为核心实现心音心电数据采集以及小波阈值去噪等预处理,上位机在Windows系统环境下以Python编程语言实现二阶谱特征提取、卷积神经网络二分类识别以及用户界面可视化显示。最终,系统对200名志愿者进行测试,准确率达到94.5%,特异度为95.9%,敏感度为93.2%。结果表明系统具有良好的表现,可以为临床先心病筛查提供有效的辅助。     

卷积神经网络在肝癌病理切片图像分类中的应用

目的探讨基于卷积神经网络的肝脏组织切片图像正常和病变性分类方法的可行性及应用价值。方法使用一种能够自动学习图像特征并分类的方法,先利用原始的Inception V3模型在肝脏组织切片数据集上进行训练,然后在原始模型的基础上通过微调得到改进的Inception V3模型,最后用改进的模型来实现肝脏组织切片图像正常和病变性两种类型的分类。结果改进后的Inception V3模型对肝脏切片图像的分类结果较佳,平均分类准确率达到99.2%。结论卷积神经网络的肝脏组织切片图像正常和病变性分类方法可行、合理,改进的Inception V3模型的分类效果较好。     

超声多普勒血流信号的小波特征提取及分类

利用小波变换对超声多普勒血流信号的最大频率曲线进行多尺度分析， 并从时间－尺度图上提取出模极大值的变化曲线。将这种方法应用到颈动脉血流的分析中，发现：该曲线对于脑血管床正常和异常的病例具有不同的形态。通过对该曲线进行多项式拟合，并将拟合的系数作为非线性变换单元组成的前馈网络（BP网络）的输入进行分类，临床试用效果良好，表明该方法为临床诊断脑血管疾病提供了一个新的依据。     

基于极限梯度提升和深度神经网络共同决策的心音分类方法

心音是诊断心血管疾病常用的医学信号之一。本文对心音正常/异常的二分类问题进行了研究,提出了一种基于极限梯度提升(XGBoost)和深度神经网络共同决策的心音分类算法,实现了对特征的选择和模型准确率的进一步提升。首先,本文对预处理后的心音信号进行心音分割,在此基础上提取了5个大类的特征,前4类特征采用递归特征消除法进行特征选择,作为XGBoost分类器的输入,最后一类为梅尔频率倒谱系数(MFCC),作为长短时记忆网络(LSTM)的输入。考虑到数据集的不平衡性,本文在两种分类器中皆使用了加权改进的方法。最后采用异质集成决策方法得到预测结果。将本文所提心音分类算法应用于PhysioNet网站在2016年发起的PhysioNet心脏病学挑战赛(CINC)所用公开心音数据库,以测试灵敏度、特异性、修正后的准确率以及F得分,结果分别为93%、89.4%、91.2%、91.3%,通过与其他研究者应用机器学习、卷积神经网络(CNN)等方法的结果比较,在准确率和灵敏度上有明显提高,证明了本文方法能有效地提高心音信号分类的准确性,在部分心血管疾病的临床辅助诊断应用中有很大的潜力。