高阶神经网络用于心电信号的识别

心电图（ＥＣＧ）的自动识别及分类长期以来一直是较难解决的问题，特别是当截取ＥＣＧ信号的起点不同（相当于信号发生平移）及有基线漂移（相当于信号发生旋转）时，在不作预处理情况下要求仍能正确识别及分类，即要求识别过程具有平移不变性和旋转不变性，更是困扰生物医学工程上作者的困难问题之一。作者采用高阶神经网络（二阶），对五类（正常类、高Ｒ波类、高Ｔ波类、Ｔ波倒置类及心律不齐类）具有平移及旋转的ＥＣＧ信号进行分类识别。结果表明，本网络具有较好的分类效果。平移信号不受任何限制，可任意平移，旋转信号最大旋转幅度为原信号的２０％。本工作全部在微机上完成，而且本网还具有灵敏度高，学习时间短等特点，而有较大的临床实用价值。     

基于神经网络的心电数据压缩

针对动态心电监护系统中心电监护数据量很大,其中只有一部分特征才对诊断有意义,本文提出了一种基于神经网络的心电数据压缩算法。该算法根据ECG特征的变化,自动调整神经网络的结构参数,从ECG中提取出对诊断有意义的信息,并具有并行处理、自学习等特点。     

心电信号QRS波的识别算法及程序设计

实现心电图QRS波检测的算法有很多,本文介绍了一种算法,即利用波变换的多尺特性,可以将QRS波从高P波,高T波,噪声,基线漂移和伪迹中分离出灵,并采用Microsoft VisualC 5.0编程实现算法,使用该方法对MIT／BIH心电数据库中带有严重基线漂移和噪声的心电信号进行处理,对QRS的识别率高达99．8％,文中给出给程序设计要点和程序流程图。     

一种新的冠心病心电信号的模式识别方法

目的：本文研究一种利用微机神经网络识别冠心病心电信号的模式识别方法,方法：Ｓ一项研究利用心电电极、１２位模／数转换器和奔腾－Ⅱ／２３３多媒体微机系统等硬件采集心电信号,采用改进的反向传播人工神经网络方法进行冠心病心信号模式识别。该神经网络采用三层结构：输入层、隐含层和输出层。其中输入层的节点数为４,隐含层的节点数为３,输出层的节点数为２。从心电信号中提取如下四项特征参数作为输入层的输入量。这四项特     

基于神经网络的一种心电图分类法

本文研究了一种基于神经网络的心电图分类方法。该方法用大量的心电数据训练神经网络，使神经网络既能对训练过的心电图正确分类，又能对未训练过的心电图有较好的分类能力。本文首先给出了基于神经的心电图分类的基本思想，然后给出了该系统的神经网络结构及其学习处了后给出了计算机模拟计算结果，并对实验结果进行了分析、讨论。     

一种新的动态心电数据的神经网络压缩方法

本文提出了一种新的、性能更加稳定的动态心电数据的神经网络压缩算法。该方法采用一种不全联接的三层前馈神经网络,将一个ＥＣＧ心搏表示为三个主要的波即Ｐ波,ＱＲＳ波和Ｔ波。三个波的输入与输出只通过少量的隐层单元相联接,并通过各波的隐层单元将相邻波的边缘联系起来。这种方法的优点是在不增加计算量的情况下提高算法对波形的重现能力、较为有效地避免因为Ｐ波和Ｔ波受到干扰,波形变异或其它因素的影响而导致的波形重现失败,提高神经网络压缩方法的鲁棒性和实用性。     

高阶多层神经网络与脑电诊断

高阶多层非线性连续时间网络被引入到脑电信号的识别中，实验表现其识别率可达到较理想结果。     

基于卷积神经网络的P300事件相关电位分类识别

针对脑机接口系统中P300电位识别正确率不高的问题,提出一种基于改进卷积神经网络的P300事件相关电位分类识别方法。通过将传统卷积神经网络中第二个串行连接的卷积层改为3个并行连接的卷积层,可加大网络宽度,提升网络对P300信号特征提取的能力;将提取的特征经全互连层组合后,采用sigmoid函数构建P300事件相关电位分类器。针对脑机接口竞赛数据中靶刺激与非靶刺激数据量不平衡的问题,采用过抽样方式,对含有P300事件相关电位的脑电数据做部分平均来增加数据量,其训练集和测试集样本量分别为25 500和18 000。采用Adam优化方法,有监督地训练这种改进的卷积神经网络。结果表明,相比传统的卷积神经网络,该方法在实验次数大于11次时,字符识别正确率均高于95%,这对于脑机接口的应用具有重要的意义。     

基于心电信号的睡眠阶段的辨识

本研究以睡眠中的心电图信号为基础,计算出心率变异性的时域和频域参数,根据自律神经系统的变化与心率变异性的关联性,对睡眠的不同阶段进行辨识,从而实现睡眠质量监测的居家化。睡眠质量辨别算法以监督式倒传递类神经网络为核心,通过SDNN、RMSSD、SDSD、NN50、p NN50、HFnorm、VLF百分比、5 min TP等8个特征值,进行睡眠的5个阶段的辨别。实验通过686组数据测试发现,隐藏层神经元数目为30,性能目标为40,为最佳参数设定,其中对睡眠中Stage1阶段的识别率可达93.33%。     

基于小波神经网络的心室晚电位识别

采用小波神经网络对高分辨率信号平均心电图进行心室晚电位的识别.小波神经网络的训练采用共轭梯度法.经过对28例3导信号平均心电图实验数据的分析,取得了较好的识别效果,对晚电位的识别准确率为84.5%.     

基于自适应线性神经网络的胎儿心电信号提取

胎儿心电信号提取对胎儿监护具有重要意义。本文介绍了一种基于自适应线性神经网络的胎儿心电信号提取方法。该方法根据母体心电信号与母体腹部信号的相关性原理,以母体心电信号为网络输入,母体腹部信号为网络目标,采用W-H学习方法获取的训练误差即为提取出的胎儿心电信号。此外,通过增加网络隐含层,对神经网络的结构进行改进,增加网络训练精度,从而得到更好的训练结果,提取出更易识别的胎儿心电信号。最后分别使用仿真数据和临床数据对上述方法进行测试,实验结果表明,利用自适应线性神经网络可以提取出胎儿心电信号,通过改进神经网络结构,可以提取出更为清晰的胎儿心电信号。     

心电信号分析中识别R波的一种算法

作者报告一种在心电信号分析中识别R波的算法,介绍了算法的思路、主要特点和实验结果。算法较多地考虑了异常形态R波上各种畸形和切迹对识别的影响,以求在保证识别正常形态R波的同时,较准确地识别异常形态的R波。算法适合用于长时间连续记录心电信号的计算机分析。     

用小波变换结合神经网络检测ECG信号的P波

通过小波变换对ＥＧＣ信号进行分解,然后采用神经网络检测ＥＣＧ信号的Ｐ波,该方法作为一种辅助检测手段,效果良好。将其用于心率变异性分析具有重要意义。     

心电特征点定位算法

作者对心电特征点的定位进行实验研究，采有 域变换算法对ＱＲＳ波及Ｔ波特征点进行准确提取，提出根据正负峰点位置对ＱＲＳ波群模式分类和利用峰值差别Ｔ波极性的方法。局域变换算法使心电特征点的特性更为突出，唯一性较好；ＱＲＳ波群形成的峰值位置判别和Ｔ波极性的峰值判别方法计算简单，为局域变换算法的实现打下了基础。     

高频心电信号的维格纳分布

根据高频心电信号的发生机制，本文讨论了把维格纳分布用于分析这种信号的优点。运用注射脑垂体后叶素（ｐｉｔ）建立家兔心肌缺血模型，用维格纳分布系统地分析了家兔缺血产生、缓解过程中心电波形的变化。观察到一些有用的规律，证实维格纳分布为高频心电信号研究展示了新前景。     

化合物致癌模糊极小极大神经网络识别研究

将模糊数学的隶属度概念、模糊聚类的方法和模糊极小极大神经网络的方法相结合，构筑一算法，研究化合物复杂结构和性能（ＱＳＡＲ）之间的关系；用该法进行几组化合物致癌的识别，结果优于线性回归的方法，对此作出一些分析。     

基于深度密集卷积网络的癫痫信号识别

癫痫是常见的一种脑部疾病.本研究以德国伯恩大学脑电癫痫信号数据集的预处理版本为样本对象,通过深度卷积神经网络算法DenseNet,实现癫痫脑电信号识别准确率达到96.94％、精确度为97.46％、灵敏度为87.18％、特异度为99.42％和F1分数92.03％的效果.本研究通过Python编码实现密集神经网络,用以进行...     

神经网络分析方法用于心脏病诊断的研究

神经网络可以很好的拟合任意的非线性函数。我们从 QRS波群的高频三维频谱中提取出一些定量的特征参数 ,用神经网络的方法对这些参数进行有监督的学习训练 ,最终能在由这些特征参数张成的 m维空间中构建出一个 m维的曲面来区分病人和健康人的 QRS波群高频三维频谱 ,从而使得训练后的网络能基于 QRS波群的高频三维频谱自行诊断出病人和健康人     

脑电信号数据压缩及棘波识别的小波神经网络方法

对小波神经网络及其算法研究的基础上,提出了一种对脑电信号压缩表达和痫样脑电棘波识别的新方法。实验结果显示,小波网络在大量压缩数据的同时,能够较好的恢复原有信号。另外,在脑电信号的时频谱等高线图上,得到了易于自动识别的棘波和棘慢复合波特征说明此方法在电生理信号处理和时频分析方面有着光明的应用前景。     

基于小波变换和神经网络的心电信号P波检测

为了提高P波检测准确率,利用小波变换模极大值对在多尺度上的变化规律能表征信号突变点的性质,结合人体生理特性的检测策略进行心电信号P波的跨尺度检测。同时,引入反向传播神经网络对已检出的准P渡再次进行确认与识别。经MIT数据库实验表明,P波检测准确率达到97％。