一、小波变换对于ECG信号中QRS波的检测(论文文献综述)
刘近贞,孙利飞,熊慧,梁美玲[1](2021)在《基于能量分段与平稳小波变换的运动心电图特征波检测算法研究》文中指出心电图(ECG)的特征波检测是心血管疾病分析与心率变异性分析的基础,为解决运动状态下ECG信号特征波检测准确率低、实时性差的问题,本文提出了一种基于分段能量与平稳小波变换(SWT)的运动ECG信号特征波检测算法。首先,分段计算ECG信号的能量,使用移动平均获得能量阈值后,得到能量候选波以检测QRS波;其次,将QRS幅值置零,利用SWT的第五分量定位P波和T波。实验结果表明,同其它算法相比,本文算法对不同运动状态下的QRS波检测的准确率高,且对1条30 min的ECG信号记录进行QRS波检测仅需0.22 s,实时性也有明显提高。在QRS波检测的基础上,对P波和T波检测的准确率均高于95%,从而表明该方法能够提高运动ECG信号特征波检测的效率,为运动状态下ECG信号的实时分类和心血管疾病的实时诊断提供一种新方法。
谢佳玲,龚渝顺,魏良,王娟,李伟明,李永勤[2](2021)在《一种针对可穿戴设备的抗运动干扰心率检测算法》文中研究表明可穿戴设备采集的心电信号(ECG)常因人体活动而混入不同程度的运动干扰。由于干扰信号的频率与ECG信号的频率相互重叠,使得ECG信号失真变形,从而影响心率检测的准确率。本文针对现有心率检测算法抗干扰能力的不足,提出了一种基于ECG信号粗粒化处理的心率检测算法。首先对ECG信号预处理以滤除基线漂移和高频干扰,然后运用信号压缩方法对超过设定阈值的高幅度干扰进行抑制,随后通过自适应峰值膨胀和波形重构技术对信号进行粗粒化处理,最后利用快速傅里叶变换对信号的频谱进行分析并计算心率值。为了评估算法的性能,我们采集了30名受试者在静息和不同运动状态下的ECG信号,并将心率检测结果与文献报道的基于改进小波变换的QRS特征提取算法的检测结果进行了对比。结果表明,本算法计算的心率值与真实值之间的相关系数为0.999,高于小波变换法的结果(r=0.971)。无论是在静息(99.95%vs. 99.14%,P <0.01)、步行(100%vs. 97.26%,P <0.01)还是跑步(100%vs. 90.89%,P <0.01)时,本算法的准确率均显着高于小波变换法。此外,在跑步时,本算法的绝对误差[0(0,1)vs. 1(0,1),P <0.05]和相对误差[0(0,0.59)vs. 0.52(0,0.72),P <0.05]均显着低于小波变换法。因此,本文提出的算法具有较高的准确率和较强的抗干扰能力,可移植到可穿戴设备中,实现日常活动以及运动状态下的实时连续心率监测。
陈道勇[3](2021)在《心电图中房颤检测算法设计》文中指出随着现代社会中人们的生活和工作压力在不断地加剧,心血管病的患病率也在不断地提高。近些年来,中国人口老龄化形势日益严重,房颤作为一种心血管疾病,其患病率也在不断地提高,目前已成为人群中患病率最高的疾病之一。在本文中,根据医疗需求以及心房颤动在心电图上的表现特征,设计一种自动检测心房颤动的算法。其中本文的主要工作和创新型成果如下:(1)MIT-BIH心率失常数据库是目前使用最多的数据库,包含几种心率失常。由于MIT-BIH心律失常数据库没有对房颤具体类型的分类,无法对房颤的具体类型做进一步分析。因此,课题组采集了南京某医院的房颤临床数据,建立AF-7数据集。该数据集一共有2023组心电数据,其中包含6种房颤类别和1种正常心电类别。(2)传统的滤波方法往往采用一种滤波方式对ECG信号进行滤波,由于ECG信号中的噪声多样且相差较大,一种滤波很难做到兼顾不同噪声的去噪。针对这一问题,本文对ECG信号中不同类型的噪声进行如下两步处理:首先采用一种改进的中值滤波算法实现对基线漂移的纠正。然后采用小波分解重构的方式对ECG信号进行多尺度分解,在小波域中实现去除由工频干扰和肌电干扰所引起的噪声。经实验证明,此滤波方法的信噪比和均方误差均有较大提升。(3)在对ECG信号中的R波检测中,传统的检测方法是直接利用ECG信号上R波的特征进行检测,但是对于一些复杂的心电图时,特别容易造成误检和漏检。针对这一问题,本文首先利用ECG信号上R波的特征检测出R波,然后利用心电生理特性设计一种R波的误检和漏检的补偿方式,进一步提高了R波的准确率。在目前的房颤检测方法中,大多用房颤的两大特征作为检测条件,即无规则的f波代替有规则的P波,以及RR间期变得绝对不规则。此两大特征作为检测条件只能检测出是否存在房颤,而不能检测出房颤的具体类型,以及一些特殊的房颤。除了房颤的两大基本特征之外,本文还提取了P波、心室率、QRS波宽度、QRS波幅值和PR间期等这些特征。利用这些特征设计一种能够检测出具体房颤类型的算法。最后,利用数据集AF-7对该算法进行验证,检测算法对各种类型房颤的敏感度、特异性和准确率均在95%以上。
石豪[4](2021)在《基于稀疏表示与形态成分分析的ECG信号处理技术研究》文中研究说明长期以来,心血管疾病一直是危害人们健康的重要因素。心电图(Electrocardiogram,ECG)作为心脏节律变化的主要观测手段,是辅助诊断心脏相关疾病的重要工具。然而,ECG信号作为一种低频微弱的生理信号,在获取过程中,容易受到外界因素的干扰,影响其波形的正常变化。如何保证ECG信息的准确性,对分析判断疾病有非常重要的作用。基于以上考虑,本文按照“ECG原理稀疏原理形态分析ECG降噪”的研究思路,从ECG信号的稀疏特性出发,立足辅助专业人士诊断的实际需求,提出两种基于ECG稀疏特性的降噪算法,利用MIT-BIH数据库对算法的有效性进行了验证。本文创新点主要包括以下方面:(1)针对ECG信号含有基线漂移噪声的问题,本文利用ECG信号的组稀疏特性,通过将ECG信号分解建模,提出一种基于组稀疏特性和低通滤波相结合的去噪算法,此算法用于去除ECG成分中的基线漂移和随机噪声。(2)针对传统全变分(Total Variation,TV)降噪算法在ECG信号处理过程中造成的峰值、波谷信息低估的问题以及产生阶梯状伪影的问题,本文提出一种基于组稀疏阈值函数的全变分去噪算法(Group Sparse Total Variation,GSTV)。在选择ECG信号的稀疏特性时,有效地提取了信号的结构性变化。提出的算法在MIT-BIH库做了相关验证,与传统方法相比,该方法可以有效的提高被低估的信息成分及信号恢复的保真度。(3)针对ECG信号中含有的高斯白噪声,研究基于稀疏恢复的ECG降噪技术,提出一种新的融合算法(RSSD-MN),该算法包含形态成分分析的ECG共振信号稀疏分解(Resonance Signal Sparse Decomposition,RSSD)模型,中位值平均滤波算法以及归一化最小均方自适应滤波算法。RSSD作为一种基于共振特性而非频率的数字信号处理方式,可以根据ECG信号中不同成分的震荡特性对信号进行有效地分解处理,并采用特定的处理方式去除噪声。相对于小波、经验模态分解等传统降噪方式,提出的算法使心电信号的信噪比平均最大可提升87%,均方根误差最大可降低到0.08。本文所提出的算法总体达到预期的效果,对于ECG信号的处理具有有效性和应用价值。
郭树言[5](2021)在《基于IEMD的ECG去噪和QRS提取算法研究》文中研究说明一直以来,心血管疾病被认为是世界公共医疗的难点之一,心血管疾病具有病理信息隐蔽,疾病发生突然的特性;心电图作为一种便捷的心脏状况筛查手段,与其他手段相比价格低廉,被大量运用于常规的心脏疾病的初步检查中。但是由于医院心电图机采集ECG信号特征微弱,可穿戴式的心电采集设备采集信号信噪比较低,虽然经过多年的发展,ECG检查只能作为病人与临床之间的桥梁,无法真正用于心脏疾病的临床诊断。为心电信号能够在临床领域迈进,进一步提高心电信号检测精度,提高ECG信号信噪比以及更加精准的进行特征提取是需要重点解决的问题。针对上述问题,本论文提出改进的IEMD方法,并基于IEMD方法设计心电信号去噪和特征的提取相关算法。理论分析和实验表明,本论文中提出的算法提高了去噪性能和QRS波检测精度。本论文主要研究内容如下:(1)针对EMD,EEMD和VMD算法在分解心电信号方面的局限性,本论文在进一步分析模式混叠问题的基础上,提出幅值尺度的概念,并提出一种新的EMD族算法,插值模式分解(IEMD),用来解决EMD族算法在处理心电信号这类非线性非平稳陡脉冲信号时存在的模式混叠问题。实验证明,IEMD算法分解性能更加优异。(2)基于IEMD算法,结合心电信号临床特征,设计心电信号自适应去噪算法。完成了心电信号自适应去除高频噪声以及基线漂移噪声的自适应去噪。然后,通过MITBIH心率失常数据库中的心电数据验证算法性能,并采用ECGSYN模拟的标准心电信号加入模拟噪声进行定量分析。最后,证明本文设计的去噪算法表现更加突出。(3)设计香农能量和hilbert-IEMD相结合的R波检测算法,并通过IEMD得到的IMF分量与心电信号Q,S波的对应关系进行心电信号的Q,S点识别,从而进行心电信号QRS特征波的提取。经过对MIT-BIH心率失常数据库数据的处理分析,本算法提高了QRS波检测精确度,为提高心电临床诊断效率提供帮助。
谢佳静[6](2021)在《基于机器学习的T波形态分类算法研究》文中提出随着科技的快速发展,人民的生活水平在不断提高,体力活动逐渐减少,体重增加与长期不规律作息等因素导致了越来越高的心血管疾病发病率。心电图(electrocardiogram,ECG)由于其安全无创、易操作的特性,已成为目前心血管疾病诊断的基本方式。ECG中的每个部分都反映了不同时期的心室肌电生理活动。随着穿戴式心电监护设备的推广,由于巨量数据的产生,只通过人工识别所有ECG已不现实,ECG的自动检测与分析成为防治诊断心血管疾病的必要手段。T波作为心电图的5个主要波之一,代表了心室肌的复极过程,其形态变化是一些病理的关键指标,所以T波的形态分类与识别在心电图的临床诊断中非常重要。本文对正常T波和临床上常见的5类异常形态T波(倒置、高尖、双相、低平和双峰)进行分析与处理,利用传统的机器学习和深度学习的方法,分别建立了对T波检测与分类的模型,并希望可以应用于穿戴式医疗中完成心电信号中T波的识别。本文主要研究内容如下:(1)基于时域特征的T波形态分类。对欧洲ST-T数据库中的ECG数据进行处理,提取了 T波形态的7个时域特征,然后将使用高斯核函数的支持向量机(RBF-SVM)作为分类器,并使用网格搜索法作为网络的超参数寻优算法,构建了识别不同形态T波的模型。模型在测试集上的的分类准确率为90.61%,6类 T 波的分类敏感度分别为 93.37%、92.57%、88.59%、79.96%、83.89%和 77.53%。(2)基于改进频率切片小波变换(MFSWT)和卷积神经网络(CNN)的T波诊断模型的研究。对由R波和T波构成的一维T波候选心电片段做改进频率切片小波变换,得到其二维时频图。作为对比实验,分别将T波候选段在时域上的波形图、在时频域上的能量图作为CNN的输入来训练模型。模型对波形图像的分类准确率为87.79%,对6类T波分类的敏感度分别为90.20%、82.50%、95.29%、81.46%、81.19和84.50%;模型对时频能量图的分类准确率为97.4%,对6类T波分类的敏感度分别为96.43%、97.05%、99.37%、95.51%、99.19%和97.30%。
谢佳玲[7](2021)在《面向智能手机应用的可穿戴生理信号监测设备算法研究》文中研究指明可穿戴生理信号监测是实现医疗监护的重要手段,连续动态的心电(electrocardiogram,ECG)和呼吸信号监测可以实现对心血管疾病和呼吸系统疾病的早期预警和意外的风险评估。然而,通过移动方式采集的信号易受到环境噪声和身体运动等干扰,导致采集的信号质量参差不齐。如果直接丢弃受干扰的信号,会增加重复采集的工作量。如果不对信号进行处理而直接进行数据分析,会增加医务人员工作负担,降低诊断的准确率,甚至造成误诊。因此,为了有效利用可穿戴设备采集的生理信号,提出适用的信号处理算法和具有更强抗干扰能力的参数提取方法是十分必要的。本文针对现有心率检测算法抗干扰能力的不足、多分类时心电信号质量评估算法的分类准确率还不够高等主要问题,开展了心率检测和信号质量评估算法的研究。利用加速度信号(Acceleration,ACC)开展了运动状态识别算法的研究。同时,还开展了ECG运动伪迹抑制算法和呼吸率检测算法的研究。此外,为方便使用者随时查看生理信号和生理参数,我们设计了一款能实时查看生理信号和心率的手机应用程序。为开展这些算法的研究,本文主要完成了以下工作:1.不同运动状态下生理信号的采集和标注本文使用可穿戴设备采集了29名健康男性志愿者在静息和不同运动状态下的ECG和ACC信号。对信号进行截取,总共产生了7133个4s段。对信号进行标注后,建立了运动状态识别数据集(7133个),心率数据集(7016个)和信号质量评估数据集(7133个)。运动状态识别数据集包含静息、慢走、快走、慢跑和快跑5种状态。信号质量评估数据集包含质量良好、可接受和不可接受三类。运动状态与ECG信号质量之间存在一定的相关性(R=0.61),能将运动状态作为判断信号质量的辅助指标。2.算法研究首先,完成了基于ACC信号的人体运动状态识别算法。本文选择了均值、偏度、FFT最大系数对应的频率、四分位距和时域积分作为运动状态识别的指标。利用支持向量机对人体的运动状态进行自动识别。实验结果表明,算法的准确率为97.62%。其次,设计了一种抗运动干扰的心率检测算法。该算法首先对ECG信号预处理以滤除基线漂移和高频干扰,然后通过自适应峰值膨胀和波形重构技术对信号进行粗粒化处理,最后利用快速傅里叶变换对信号的频谱进行分析并计算心率值。为避免运动干扰对心率检测准确率的影响,加入了基于高幅度干扰抑制的抗干扰策略,该策略通过设置阈值和压缩信号的方法对运动相关的高幅度干扰进行定位和抑制。结果表明,本算法计算的心率值与真实值之间的相关系数为0.999。无论是在静息(99.94%vs.99.10%,P<0.01),步行(100%vs.97.25%,P<0.01)还是跑步(100%vs.90.89%,P<0.01)时,本算法的准确率均显着高于小波变换法。在跑步时,本算法的绝对误差[0(0,1vs.1(0,1),P<0.01]和相对误差[0(0,0.59vs.0.52(0,0.72),P<0.01]均显着低于小波变换法。此外,根据连续心率变化特点,本文提出了一种基于时序特征的抗干扰策略,以实现运动状态下实时连续的心率监测。然后,设计了一种ECG信号质量评估算法。该算法提出了5个有效的指标,包括基于幅值分布的指标(adSQI1,adSQI2),基于能量占比的指标(ptSQI)和基于心率的指标(tHR,rHR)。通过反向传播神经网络将信号分为质量良好,可接受和不可接受的ECG。为验证算法的有效性,提出了一种基于ECG信号质量评估的参数提取方法,根据分类结果检测R或T波。结果显示,该算法的分类准确率为96.74%,R波和T波的检测准确率分别为99.95%和99.57%。这种方法在提高信号利用率的同时保证了诊断的准确率。接着,结合ACC信号设计了一种递归最小二乘陷波滤波器,以抑制信号质量不可接受的ECG信号中的运动伪迹。结果显示,滤波后的指标adSQI1相对于滤波前提高了21.73%。该信号滤波方法能有效抑制ECG信号中的运动伪迹,对信号质量有改善作用。最后,设计了一种呼吸率检测算法。该算法利用呼吸信号和ACC信号在频域上提取呼吸率。结果表明,算法的准确率为91.84%,最大绝对误差在6次/分以内,可实现低强度活动下的呼吸率检测。3.基于智能手机的应用程序设计本文设计了一款能实时查看生理信号和参数的应用程序(Application,APP),完成了APP的用户界面设计,实现了蓝牙通信,信号实时显示以及部分参数的显示。本文完成的人体运动状态识别算法、心率检测算法、ECG信号质量评估算法、ECG运动伪迹抑制算法、呼吸率检测算法可确保在活动状态下的生理参数的准确分析。基于Android系统的APP软件方便使用者随时查看自己的生理信号和参数。整个系统有望应用于可穿戴生理信号监测,并为健康监护以及疾病的早期诊断和预警提供技术支持。
牛晓东[8](2021)在《基于积分均值模式分解的心电信号重建和心率变异性分析研究》文中研究表明心血管疾病(cardiovascular disease,CVD)是一种严重威胁人类健康生命的常见病,心电图(electrocardiogram,ECG)是检查诊断CVD常用的重要方法指标。ECG信号极易受环境噪声污染,在便携式和穿戴式ECG监测系统中,环境噪声更加复杂严重,采用常用的ECG信号处理算法难以达到临床精确诊断CVD的严格要求,导致较高的CVD漏诊和误诊率。心率变异性(heart rate variability,HRV)分析是目前临床上唯一能够定量分析自主神经活动及调节功能的检测方法,是临床诊断CVD极具价值的重要方法。HRV分析对噪声不敏感,抗噪能力强,可以有效评估CVD预防、诊断、治疗和预后判断。特别是HRV的量化价值指标,可以实现CVD潜伏期的量化评估,越来越受到临床重视和广泛应用。然而,现有HRV线性分析方法不能全面揭示其蕴含地丰富生理病理信息,可靠性差,临床应用有限,而非线性HRV分析的图形化辅助诊断方法,虽然方法简单,但图形复杂导致方法误差较大;图形没有量化指标导致诊断可靠性差;图形需求数据量大导致实时性差。总之,上述不足不仅限制了ECG和HRV进行CVD预防、诊断、治疗和预后判断的发展,也抑制了便携式和穿戴式ECG装备的应用。论文重点研究了ECG信号的非线性预处理和HRV复杂性量化方法。论文主要研究成果包括:1)为了有效处理ECG和HRV信号,提出了一种基于积分均值模态分解(intergral mean mode decomposition,IMMD)的非线性非平稳信号处理方法。该方法具有自适应正交分解特性,不仅适合于处理ECG、HRV数据,而且也适合于处理其它非线性非平稳信号数据。2)提出了一种基于心动物理特征信息模态分量的识别和ECG信号重建的方法。本方法避免了心电QRS特征波识别模态分量的阈值设置问题,同时可实现ECG中的典型宽频肌电干扰和低频基线漂移混合噪声的抑制。提高了ECG信号重建的准确度、信噪比。3)为了从ECG信号中准确提取HRV数据,提出了一种基于Hilbert能量包络与ECG的Shannon能量包络相结合的R波检测识别方法,实现了准确检测定位R峰。另外,基于R波的准确检测识别,进一步检测QRS特征波,也可以实现QRS特征波实时检测CVD。4)基于IMMD方法的自适应均值滤波特性,提出了一种自适应多尺度熵(adaptive multiscale entropy,AMSE)量化HRV复杂性方法。不仅AMSE的Samp En值可以量化HRV复杂性,而且尺度本身也可以间接量化HRV复杂性。本方法弥补了多尺度熵(multiscale entropy,MSE)中多尺度粗粒化方法中尺度固定的不足,可用于比较全面准确地量化HRV复杂性,检测CVD。5)采用模态分量Samp En集合作为一种特殊多尺度熵,分析了HRV数据复杂性,称为(intrinsic mode function Samp En,IMFSE)。IMFSE同样可以比较全面准确地量化HRV序列复杂性,检测CVD。
张家玥[9](2021)在《基于时频分析的心电信号处理方法研究》文中研究表明心电信号作为一种包含大量病理信息的生物电信号,被广泛应用于心脏病的临床诊断,是推进远程医疗应用的重要材料。心电信号作为一种微弱、非线性且不稳定的人体生理信号,具有低幅值、低信噪比和随机噪声的特征,高质量的心电信号可以帮助医生识别生理特征和诊断病理现象。本文主要针对心电信号的特点,对心电信号预处理、特征提取及医疗应用过程展开研究,提出了一系列对多类型心电信号记录的分析方法。主要的研究内容如下:1、提出了一种基于互补集合经验模态分解与信号筛选的自动化心电信号预处理算法。通过将互补集合经验模态分解算法与信号相似性算法融合,筛选出分解结果中含有噪声的信号,通过研究基线漂移信号的特点,利用分解结果的过零率特征筛选出含有基线漂移的信号,实现了分解结果的自动化筛选以及含噪信号的自动化消噪,有效解决了经验模态分解算法模态混叠问题以及集合经验模态分解算法噪声残留和计算量大问题。在MIT-BIH Database心电信号数据集上进行对比实验,验证了提出的方法无论对合成的含噪信号还是真实的含噪信号,都比传统的滤波器消噪和基于小波的消噪方法得到的消噪效果更优。2、提出了一种基于快速多维经验模式分解算法和连续小波变换算法从母亲多维腹部心电信号中提取胎儿心率的算法。专注于从母亲腹部心电图信号中提取胎儿R峰特征,利用提取到的R峰位置形成胎儿RR时间序列,有助于在临床干预尤其是在自主神经系统中进行胎儿心率变异性分析。此方法通过FMEMD算法和小波特征的融合,有效地消除了外部噪声的污染以及内部母亲QRS复合物的污染能够从母亲腹部多维心电信号中提取胎儿心率特征,实现孕期胎儿健康监测,并在Abdominal and Direct Fetal ECG Database数据集上验证了该方法能够获得准确率更高的检测结果,是检测速度更快的检测算法。
党豪[10](2020)在《基于深度学习的心脏数据自动分类与分割关键技术研究》文中研究表明目前,心血管病的死亡率处于疾病死亡构成的首要位置,已成为全人类健康的共同威胁。探索一种全自动的心脏数据分类和分割算法对心血管疾病的预防和治疗具有重要的理论研究意义。同时,也可以辅助医生从复杂繁重、费时费力的手动分类与分割工作中解脱出来,具有较大的临床实用价值。心电图数据包含了人体心脏活动的丰富信息,在一定程度上反应了心脏各部位生理活动的健康状况,是评估心脏功能、判定心脏疾病的关键因素之一。心脏核磁共振成像技术是一种无创的心脏成像技术,也是诊断心脏及大血管疾病的重要手段,已成为无创性检测与评价心脏结构和功能的重要依据。本文主要基于深度学习理论,系统地研究一维心电信号的自动检测与分类问题和二维心脏核磁图像的自动分割问题。论文主要包含以下研究内容和创新成果:第一,针对心电信号的预处理技术降噪方向进行研究。由于噪声信号存在高频与低频信号,论文提出了改进的形态学小波变换理论的降噪模型,称为Improved Morphology-WT模型。一方面,理论上分析了形态学滤波和小波变换方法的可行性,小波基函数的选择策略,分解尺度的决策过程,阈值处理方法和改进的阈值估计函数的构建等问题;另一方面,通过大量实验验证了小波基函数和分解层数的决策过程,也证明了 Improved Morphology-WT方法对于ECG信号中的低频和高频信号的降噪是合理可行的,而且为信号检测与分类工作奠定基础。第二,针对于房颤信号的检测与分类问题,本文提出了基于卷积神经网络和双向长短期记忆网络的CB-LinkNet模型。卷积神经网络具有很强的特征学习能力,但由于卷积神经网络的提出主要是解决图像分类、目标检测和图像分割等图像的特征提取任务,并没有重点考虑以信号为核心的一维数据,心电信号本质上是时间序列数据。所以,利用双向长短期记忆网络对卷积神经网络的特征学习能力进行补充和调整,使得网络模型更加适用于时间序列信号的特征提取任务。同时,基于原始房颤数据库(MIT-BIH Atrial Fibrillation database)的数据,论文分割出两种输入型信号:RR间隔数据(数据集A)和心拍序列数据(数据集B),以验证房颤信号对于输入数据的特征敏感性。论文设计的3组消融性实验最终也验证了模型的鲁棒性和泛化性,模型分类准确率在训练和验证阶段分别达到了 99.94%和98.63%,在测试集上达到了 96.59%,敏感度和特异度在测试集上分别达到了99.93%和97.03%。同时,本文与国内外房颤检测的模型及分类结果进行了比较分析,本文的研究效果更为显着,充分证实了本研究的实际价值。第三,在对心律失常信号深入分析的基础上,本文提出了三个深度神经网络分类模型对多类心律失常信号进行检测与分类,包括plain-CNN 模型和两个 MSF-CNN 模型(A 和 B)。其中,plain-CNN模型是具有多个卷积层的基础网络结构;在plain-CNN模型的基础上提出了 MSF-CNNA,以提高plain-CNN网络的学习能力,主要是增加了并联组卷积操作(包括三个不同的卷积核,分别是1×7,1×5,1×3);最后,在MSF-CNNA网络的基础上,通过实施串并联组卷积和残差学习模型形成了改进的MSF-CNNA模型,即MSF-CNNB模型,以提高算法的性能。在数据方面,考虑到心律失常类信号的数据特点,本文为模型设计了多尺度的输入信号,以验证数据尺度对于模型性能的影响,同时创造性的在一维信号处理中使用数据增强策略来提高数据的科学性和有效性。六组消融性实验证明了模型泛化能力和鲁棒性,在测试集上,平均准确率、敏感性和特异性分别达到了 96.59%,99.93%,97.03%,也充分体现了模型对于心律失常信号分类任务的重要价值。最后,针对于心脏左心室核磁图像的分割问题,本文提出了 Res-LinkNet分割模型,模型分为Encoder,Center和Decoder三个部分。Encoder的核心部分是模型设计了 ResLink结构模型,这一结构替代了 D-LinkNet中的特征提取器—ResNet结构模型。ResNet网络模型是针对于分类任务而设计的,该设计限制了感受野的范围,而且缺乏跨通道的特征交互与融合,ResLink结构模型可以有效地解决这一问题;Center部分的主要结构是DenseASPP。DenseASPP主要是为了有效解决特征图的感受野问题,其包含一个基础网络,后面分别连接5级空洞卷积层,空洞率分别为3,6,12,18,24,实现了混合空洞卷积。一方面,这一结构使得网络深层的特征图的感受野增大,另一方面,它可以有效缓解普通的空洞卷积运算引起的“网格问题”,同时,对不同通道的特征也进行融合;Decoder部分主要是运用密集上采样卷积操作,通过一系列密集上采样卷积操作来将Encoder阶段下采样的特征图放大至所需尺寸,尽可能地恢复图像特征信息。实验进行了三组消融性分析和一组综合比较分析,结果表明,Res-LinkNet101最终平均准确率达到了 99.88%,mIOU 达到了 94.95%,F1 Score 达到了95.57%,充分体现了模型对于左心室分割的有效性。纵览全文,本文的主要创新点如下:(1)在心电信号降噪技术研究中,论文提出了 Improved Morphology-WT降噪模型,同时也提出了自适应阈值估计方法和改进的阈值函数来完成模型中的小波分解工作。(2)在房颤信号检测与分类研究中,本文提出了融合了卷积神经网络和双向长短期记忆模型的CB-LinkNet模型,同时设计两类输入型信号以评估房颤信号的特征敏感性。(3)在多类心律失常信号检测与分类研究中,本文提出了三个端到端的分类网络模型,同时创新性的在信号中设计了数据增强方法,以有效避免模型过拟合。(4)在左心室分割研究中,论文提出了 Res-LinkNet分割模型,并在Encoder部分设计了基于Attention的ResLink结构模型来完成对心脏核磁影像的特征提取工作。
二、小波变换对于ECG信号中QRS波的检测(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、小波变换对于ECG信号中QRS波的检测(论文提纲范文)
(1)基于能量分段与平稳小波变换的运动心电图特征波检测算法研究(论文提纲范文)
引言 |
1 数据来源 |
2 方法 |
2.1 整体方案 |
2.2 QRS波检测 |
2.3 P波和T波检测 |
3 仿真结果与分析 |
3.1 QRS波检测结果与分析 |
3.2 P、T波检测结果与分析 |
4 结论 |
(2)一种针对可穿戴设备的抗运动干扰心率检测算法(论文提纲范文)
引言 |
1 方法 |
1.1 数据来源 |
1.2 信号分段与R峰标注 |
1.3 心率检测算法 |
1.4 小波变换法 |
1.5 性能评价 |
2 实验结果 |
3 讨论与结论 |
(3)心电图中房颤检测算法设计(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 基于f波的研究现状 |
1.2.2 基于RR间期规则的研究现状 |
1.2.3 基于机器学习的研究现状 |
1.3 本文主要研究内容和创新 |
1.4 本文结构安排 |
第二章 房颤检测的相关理论 |
2.1 心电图介绍 |
2.1.1 心电图的原理 |
2.1.2 心电图各波的意义 |
2.2 房颤相关原理介绍 |
2.2.1 房颤的产生机理 |
2.2.2 房颤的分类 |
2.2.3 房颤在心电图上的特征 |
2.3 常用的ECG信号去噪技术 |
2.3.1 平滑滤波器 |
2.3.2 自适应滤波器 |
2.3.3 小波变换滤波 |
2.4 常用的ECG信号波形检测技术 |
2.4.1 峰值检测法 |
2.4.2 滤波器法 |
2.4.3 小波变换法 |
2.4.4 差分阈值法 |
2.5 ECG信号常规诊断流程 |
2.6 本章小结 |
第三章 ECG信号的预处理 |
3.1 数据集的选取与建立 |
3.2 ECG信号混合噪声滤除 |
3.2.1 心电噪声特点 |
3.2.2 基线矫正 |
3.2.3 高频噪声消除 |
3.2.4 去噪效果评估及对比 |
3.3 本章小结 |
第四章 ECG信号的波形检测 |
4.1 QRS波检测 |
4.1.1 R波检测算法 |
4.1.2 算法结果验证 |
4.1.3 QRS波群起点和终点检测算法 |
4.2 其它波形的检测 |
4.2.1 P波和T波的检测 |
4.2.2 f波检测 |
4.3 本章小结 |
第五章 房颤检测算法设计与实现 |
5.1 房颤检测算法设计 |
5.2 ECG信号特征提取 |
5.2.1 特征的选取 |
5.2.2 RR间期香农熵 |
5.3 房颤检测算法实现 |
5.4 实验结果及分析 |
5.5 本章小结 |
第六章 总结与展望 |
6.1 研究工作总结 |
6.2 展望 |
致谢 |
参考文献 |
作者简介 |
(4)基于稀疏表示与形态成分分析的ECG信号处理技术研究(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 课题研究背景及意义 |
1.2 ECG去噪研究现状 |
1.3 本文主要研究内容及创新点 |
1.4 本文内容组织结构 |
第2章 ECG信号基础原理与相关算法介绍 |
2.1 ECG信号基础 |
2.1.1 ECG信号产生原理 |
2.1.2 正常ECG信号波形形态及意义 |
2.1.3 ECG信号噪声类型介绍 |
2.1.4 ECG信号特点特性 |
2.2 稀疏表示 |
2.2.1 信号的稀疏表示 |
2.2.2 稀疏表示模型 |
2.2.3 信号稀疏表示应用 |
2.2.4 ECG信号的稀疏特性 |
2.3 稀疏优化去噪算法原理 |
2.3.1 惩罚函数 |
2.3.2 全变分去噪算法 |
2.3.3 最小优化算法 |
2.4 形态成分分析原理 |
2.4.1 可调Q因子小波变换 |
2.4.2 形态成分分析算法 |
2.4.3 分裂增广拉格朗日收缩算法 |
2.5 MIT-BIH及去噪性能评价指标 |
2.5.1 MIT-BIH数据库介绍 |
2.5.2 性能评价指标 |
2.6 本章小结 |
第3章 基于组稀疏惩罚函数的ECG基线估计与去噪 |
3.1 算法模型的构建 |
3.1.1 系统模型 |
3.1.2 系统流程框图 |
3.2 LTI滤波设计 |
3.3 不同惩罚函数的全变分求解算法 |
3.3.1 基于组稀疏惩罚函数的全变分求解算法 |
3.3.2 基于复合惩罚函数的全变分求解算法 |
3.4 算法验证和结果分析 |
3.4.1 实验比较数据说明 |
3.4.2 真实ECG信号的去噪 |
3.4.3 高阶差分结果比较 |
3.5 本章小结 |
第4章 基于共振稀疏分解的ECG噪声去除 |
4.1 算法模型的构建 |
4.1.1 系统模型 |
4.1.2 系统流程框图 |
4.2 基于共振稀疏分解的求解算法 |
4.2.1 共振稀疏分解 |
4.2.2 MAF高共振成分去噪 |
4.2.3 NLMS低共振成分去噪 |
4.3 算法验证和结果分析 |
4.3.1 真实ECG信号分解结果 |
4.3.2 高共振去噪算法结果分析 |
4.3.3 低共振去噪算法结果分析 |
4.3.4 去噪算法结果分析 |
4.4 本章小结 |
第5章 总结与展望 |
5.1 论文总结 |
5.2 研究展望 |
参考文献 |
致谢 |
在学期间主要科研成果 |
一、发表学术论文和专利 |
二、其它科研及竞赛成果 |
(5)基于IEMD的ECG去噪和QRS提取算法研究(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 研究背景与意义 |
1.2 心电信号的物理特性 |
1.2.1 标准心电图及其意义 |
1.2.2 心电信号特点 |
1.2.3 心电信号噪声分析 |
1.3 国内外研究现状 |
1.3.1 国内外心电信号去噪算法研究现状 |
1.3.2 国内外心电信号QRS波检测算法研究现状 |
1.4 本文的主要工作以及章节安排 |
第二章 EMD方法原理及其在ECG信号处理中存在的问题 |
2.1 引言 |
2.2 经验模态分解算法(EMD)原理 |
2.2.1 瞬时频率的概念 |
2.2.2 固有模式函数 |
2.2.3 经验模态分解算法(EMD) |
2.3 EMD算法的缺陷 |
2.4 EEMD分解及存在的问题 |
2.5 变分模式分解(VMD)及其缺陷 |
第三章 插值经验模态分解方法 |
3.1 引言 |
3.2 幅值尺度的提出 |
3.3 自适应插值模式分解方法(IEMD) |
3.3.1 IEMD算法步骤 |
3.3.2 IEMD方法的特点 |
3.4 IEMD算法分解性能分析 |
第四章 基于IEMD心电信号自适应去噪算法研究 |
4.1 心电信号IEMD分量频率成分分析 |
4.2 基于IEMD算法的高频噪声去噪方法研究 |
4.2.1 去噪算法设计 |
4.2.2 高频噪声去噪算法效果验证 |
4.3 基于EMD的自适应ECG信号基线漂移消除方法设计 |
4.3.1 IMF分量频率指标的确定 |
4.3.2 基于EMD的消除ECG信号基线漂移算法 |
4.3.3 仿真结果分析与应用 |
第五章 基于hilbert-IEMD和香农能量的QRS波提取算法 |
5.1 引言 |
5.2 基于香农能量和hilbert-IEMD的自适应双阈值R波检测算法设计 |
5.2.1 香农能量包络法提取R峰 |
5.2.2 Hilbert-IEMD自适应提取R波 |
5.3 Q,S点的IEMD方法判断 |
5.4 基于香农能量和hilbert-IEMD算法的QRS波检测 |
第六章 总结与展望 |
6.1 论文研究工作总结 |
6.2 研究展望 |
参考文献 |
攻读硕士期间研究成果 |
致谢 |
(6)基于机器学习的T波形态分类算法研究(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 研究背景及意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.2 研究现状 |
1.2.1 T波起止点与峰值点检测的研究现状 |
1.2.2 T波分类算法研究现状 |
1.3 研究内容及章节安排 |
1.4 本章小结 |
第2章 ECG数据预处理 |
2.1 心电信号基础 |
2.1.1 心电图介绍 |
2.1.2 T波变异及其意义 |
2.2 数据库介绍 |
2.2.1 European ST-T数据库 |
2.2.2 QT数据库 |
2.3 信号预处理 |
2.3.1 信号去噪方法及效果 |
2.3.2 R波峰的识别方法及效果 |
2.3.3 ST段起始点的识别方法及效果 |
2.3.4 T波起止点的识别方法及效果 |
2.4 本章小结 |
第3章 基于传统机器学习的T波分类研究 |
3.1 T波相关特征选取 |
3.2 集成多分类 |
3.2.1 支持向量机概述 |
3.2.2 支持向量机的工作原理 |
3.2.3 基于SVM的集成多分类器 |
3.3 交叉验证 |
3.4 分类结果及分析 |
3.5 本章小结 |
第4章 基于卷积神经网络的T波分类算法研究 |
4.1 改进的频率切片小波变换 |
4.1.1 MFSWT原理 |
4.1.2 T波候选段的选取与时频表示 |
4.2 卷积神经网络 |
4.2.1 卷积神经网络概述及原理 |
4.2.2 卷积神经网络模型搭建 |
4.2.3 卷积神经网络模型的参数寻优 |
4.3 实验数据集的划分 |
4.3.1 基于心拍的实验 |
4.3.2 基于样本的实验 |
4.3.3 基于不同数据库的实验 |
4.4 实验结果与评价 |
4.4.1 基于心拍的实验结果 |
4.4.2 基于样本的实验结果 |
4.4.3 基于不同数据库的实验结果 |
4.5 与传统机器学习算法的对比 |
4.5.1 与SVM的分类结果对比 |
4.5.2 与其它文献对比 |
4.6 本章小结 |
第5章 总结与展望 |
5.1 总结 |
5.2 展望 |
参考文献 |
致谢 |
攻读学位期间发表的学术论文目录 |
学位论文评阅及答辩情况表 |
(7)面向智能手机应用的可穿戴生理信号监测设备算法研究(论文提纲范文)
缩略语表 |
Abstract |
中文摘要 |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 可穿戴生理信号监测设备及主要算法的研究现状 |
1.2.1 可穿戴生理信号监测设备的研究现状 |
1.2.2 心率检测和信号质量评估算法的研究现状 |
1.2.3 存在的问题 |
1.3 主要研究内容 |
第二章 实验数据采集与数据标注 |
2.1 可穿戴生理信号监测系统 |
2.2 实验数据采集 |
2.2.1 实验准备 |
2.2.2 数据采集流程设计 |
2.3 数据标注 |
2.3.1 运动状态的标注规则与结果 |
2.3.2 R峰的标注规则与结果 |
2.3.3 信号质量的标注规则与结果 |
2.4 运动状态与ECG信号质量相关性分析 |
2.5 小结与讨论 |
第三章 基于加速度的人体运动状态识别算法 |
3.1 预处理 |
3.2 特征提取与选择 |
3.3 分类识别 |
3.4 实验结果及分析 |
3.4.1 性能评价 |
3.4.2 结果及分析 |
3.5 小结与讨论 |
第四章 基于心电信号的算法研究 |
4.1 心率检测算法 |
4.1.1 基本算法 |
4.1.2 基于高幅度干扰抑制的抗干扰策略 |
4.1.3 基于时序特征的抗干扰策略 |
4.1.4 实验结果及分析 |
4.2 ECG信号质量评估算法 |
4.2.1 ECG信号预处理 |
4.2.2 ECG信号质量评估指标 |
4.2.3 指标性能评价 |
4.2.4 质量评估模型的建立 |
4.2.5 信号质量评估结果 |
4.2.6 算法验证 |
4.3 ECG运动伪迹抑制算法 |
4.3.1 RLS算法 |
4.3.2 RLS陷波滤波器设计 |
4.3.3 算法实现与结果 |
4.4 小结与讨论 |
第五章 基于胸阻抗的呼吸率检测算法 |
5.1 呼吸率检测算法设计 |
5.1.1 信号预处理 |
5.1.2 呼吸率计算 |
5.2 算法结果 |
5.3 小结与讨论 |
第六章 智能手机的部分功能实现 |
6.1 Android系统环境与系统架构 |
6.2 APP功能需求分析及流程图设计 |
6.3 UI设计与部分功能的实现 |
6.3.1 UI界面实现 |
6.3.2 蓝牙通信实现 |
6.3.3 波形绘制和参数显示实现 |
6.4 心率检测算法实现 |
6.5 小结与讨论 |
第七章 总结与展望 |
参考文献 |
文献综述 心电信号质量评估的研究进展 |
参考文献 |
攻读学位期间的研究成果 |
致谢 |
(8)基于积分均值模式分解的心电信号重建和心率变异性分析研究(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 课题研究意义 |
1.2 ECG信号重建及HRV分析国内外研究现状 |
1.2.1 ECG信号及HRV基础 |
1.2.2 ECG信号重建国内外研究现状 |
1.2.3 HRV分析国内外研究现状 |
1.3 论文主要研究问题及内容安排 |
第二章 积分均值模态分解 |
2.1 积分均值模态分解(Integral Mean Mode Decomposition,IMMD)的提出 |
2.1.1 IMMD方法 |
2.1.2 筛选停止准则 |
2.1.3 数据端点处理方法 |
2.2 IMMD方法分解正交性研究 |
2.2.1 IMFj与 r_j正交证明 |
2.2.3 IMFj与 IMFk正交证明 |
2.3 IMMD的多分辨率特性分析 |
2.3.1 一个随机高斯白噪声样本数值实验 |
2.3.2 5000 个高斯白噪声样本数值统计实验 |
2.4 IMMD正交分解及缓解模态混合实验 |
2.4.1 线性调频信号的分解 |
2.4.2 调频、调幅信号的分解 |
2.4.3 双音信号集合的分解 |
2.4.4 三音信号的分解 |
2.5 IMMD与现有分解方法的分解性能比较实验 |
2.5.1 GSTA数据 |
2.5.2 ECG数据 |
2.6 本章小结 |
第三章 IMMD分解结合心动物理特征识别IMF的 ECG重建方法 |
3.1 心动周期识别IMF重建ECG可行性 |
3.1.1 ECG模态分量心动周期特征 |
3.1.2 ECG模态分量心动周期特征验证 |
3.2 IMMD结合心动周期识别IMF重建ECG方法 |
3.2.1 含噪ECG模型 |
3.2.2 ECG重建方法 |
3.2.3 重建方法总结与简化 |
3.3 重建ECG方法性能对比实验 |
3.3.1 1 例含噪ECG重建实验 |
3.3.2 47 例含噪ECG重建统计实验 |
3.4 方法局限性 |
3.5 本章小结 |
第四章 基于R波识别的HRV数据抽取 |
4.1 R波检测方法 |
4.1.1 基于ECG信号香农能量包络的R波检测方法 |
4.1.2 基于QRS特征波Hilbert能量包络的R波检测方法 |
4.1.3 基于Hilbert能量和香农能量的R波检测方法及HRV数据抽取 |
4.2 Q、S特征波检测方法 |
4.3 数据集实验结果 |
4.4 本章小结 |
第五章 自适应多尺度熵分析HRV复杂性方法研究 |
5.1 AMSE方法原理 |
5.1.1 Samp En方法原理 |
5.1.2 MSE方法原理 |
5.1.3 AMSE方法原理 |
5.2 白噪声、1/f噪声复杂性的MSE和 AMSE分析 |
5.3 MSE和 AMSE对比分析不同病理HRV数据复杂性实验 |
5.3.1 MSE结果及分析 |
5.3.2 AMSE结果及分析 |
5.4 IMF样本熵分析方法及不同病理HRV数据实验 |
5.4.1 白噪声、1/f噪声的IMFSE |
5.4.2 IMFSE分析不同病理HRV数据实验 |
5.5 本章小结 |
结论 |
参考文献 |
攻读博士(硕士)期间发表的论文及所取得的研究成果 |
致谢 |
(9)基于时频分析的心电信号处理方法研究(论文提纲范文)
致谢 |
摘要 |
Abstract |
1 绪论 |
1.1 研究背景概述 |
1.2 心电信号生理学基础 |
1.2.1 心电信号的产生与组成 |
1.2.2 常见的心电信号监测设备 |
1.3 心电信号研究现状 |
1.3.1 心电信号预处理算法研究现状 |
1.3.2 心电信号特征提取算法研究现状 |
1.3.3 心电信号分类识别算法研究现状 |
1.3.4 研究现状的分析及评价 |
1.4 研究内容及意义 |
1.5 本文章节安排 |
2 基于时频分析的信号分解技术 |
2.1 引言 |
2.2 常用时频分析方法 |
2.2.1 短时傅里叶变换STFT |
2.2.2 小波变换WT |
2.3 常用单维信号分解方法 |
2.3.1 经验模式分解EMD |
2.3.2 集合经验模态分解EEMD |
2.3.3 互补集合经验模态分解CEEMD |
2.3.4 单维信号分解方法比较 |
2.4 常用多维信号分解方法 |
2.4.1 多变量经验模式分解MEMD |
2.4.2 快速多变量经验模式分解FMEMD |
2.4.3 多维信号分解方法比较 |
2.5 本章小结 |
3 基于信号分解的心电信号预处理方法 |
3.1 引言 |
3.2 心电信号预处理方法 |
3.2.1 自适应滤波方法 |
3.2.2 小波变换方法 |
3.2.3 经验模态分解方法 |
3.3 基于CEEMD与信号相关性的ECG自动化预处理方法 |
3.3.1 问题描述 |
3.3.2 算法提出 |
3.4 实验与讨论 |
3.4.1 数据集简介 |
3.4.2 性能指标简介 |
3.4.3 合成含噪ECG信号去噪实验及结果分析 |
3.4.4 真实含噪ECG信号去噪实验及结果分析 |
3.4.5 不同用户对象含噪ECG信号去噪实验及结果分析 |
3.5 本章小结 |
4 基于信号分解的多维abdECG特征提取方法 |
4.1 引言 |
4.2 基于FMEMD的胎儿心率特征提取方法 |
4.2.1 问题描述 |
4.2.2 算法提出 |
4.3 实验与讨论 |
4.3.1 数据集简介 |
4.3.2 实验结果 |
4.3.3 结果分析 |
4.4 本章小结 |
5 总结与展望 |
5.1 工作总结 |
5.2 研究展望 |
参考文献 |
作者简历 |
攻读学位期间取得的研究成果 |
(10)基于深度学习的心脏数据自动分类与分割关键技术研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景及意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.2 国内外研究现状 |
1.2.1 心电信号检测与分类任务国内外研究现状分析 |
1.2.2 心脏影像数据分割国内外研究现状分析 |
1.2.3 研究发展趋势 |
1.3 研究内容 |
1.3.1 基于深度学习的心电信号检测与分类 |
1.3.2 基于深度学习的心脏影像数据自动分割 |
1.4 论文的组织结构 |
第二章 研究基础及相关技术理论 |
2.1 心电信号分类研究基础理论 |
2.1.1 心电信号的产生机理 |
2.1.2 心电信号基本波形及意义 |
2.1.3 心律失常的分类 |
2.2 心脏影像数据分割研究基础理论 |
2.2.1 心脏核磁图像数据的产生机理 |
2.2.2 短轴核磁序列图像介绍 |
2.2.3 心脏核磁共振图像的分割 |
2.3 深度学习相关理论 |
2.3.1 深度学习的发展 |
2.3.2 卷积神经网络 |
2.3.3 循环神经网络 |
2.3.4 分类与分割任务 |
2.4 本章小结 |
第三章 心电信号预处理研究 |
3.1 引言 |
3.2 心电信号的噪声类型 |
3.3 基于改进的形态学小波变换理论的心电信号降噪方法 |
3.3.1 小波变换理论 |
3.3.2 小波变换理论去噪方法 |
3.3.3 基于改进的形态学小波变换理论的信号去噪方法 |
3.4 实验与结果 |
3.4.1 性能评价 |
3.4.2 实验数据 |
3.4.3 实验结果与分析 |
3.5 本章小结 |
第四章 基于深度学习的房颤信号分类研究 |
4.1 引言 |
4.2 基于CB-LinkNet模型的房颤信号分类研究 |
4.2.1 数据集分析 |
4.2.2 模型结构与参数分析 |
4.2.3 模型训练过程分析 |
4.3 消融性实验及分析 |
4.3.1 评价指标 |
4.3.2 实验结果及分析 |
4.4 本章小结 |
第五章 基于深度学习的心律失常信号分类研究 |
5.1 引言 |
5.2 基于MSF-CNN模型的心律失常信号分类研究 |
5.2.1 数据集分析 |
5.2.2 模型结构与参数分析 |
5.2.3 模型训练过程分析 |
5.3 消融性实验及分析 |
5.3.1 评价指标 |
5.3.2 实验结果及分析 |
5.4 本章小结 |
第六章 基于深度学习的心脏核磁影像数据分割研究 |
6.1 引言 |
6.2 基于Attention机制的左心室分割模型 |
6.2.1 数据集分析 |
6.2.2 课题研究所涉及的核心技术 |
6.2.3 模型结构与参数分析 |
6.2.4 模型训练过程分析 |
6.3 消融性实验及分析 |
6.3.1 评价指标 |
6.3.2 实验结果及分析 |
6.4 本章小结 |
第七章 总结与展望 |
7.1 本文工作总结 |
7.2 下一步工作展望 |
参考文献 |
缩略语说明 |
致谢 |
攻读学位期间发表的学术论文目录 |
四、小波变换对于ECG信号中QRS波的检测(论文参考文献)
- [1]基于能量分段与平稳小波变换的运动心电图特征波检测算法研究[J]. 刘近贞,孙利飞,熊慧,梁美玲. 生物医学工程学杂志, 2021(06)
- [2]一种针对可穿戴设备的抗运动干扰心率检测算法[J]. 谢佳玲,龚渝顺,魏良,王娟,李伟明,李永勤. 生物医学工程学杂志, 2021(04)
- [3]心电图中房颤检测算法设计[D]. 陈道勇. 南京信息工程大学, 2021(01)
- [4]基于稀疏表示与形态成分分析的ECG信号处理技术研究[D]. 石豪. 齐鲁工业大学, 2021(10)
- [5]基于IEMD的ECG去噪和QRS提取算法研究[D]. 郭树言. 中北大学, 2021(09)
- [6]基于机器学习的T波形态分类算法研究[D]. 谢佳静. 山东大学, 2021(12)
- [7]面向智能手机应用的可穿戴生理信号监测设备算法研究[D]. 谢佳玲. 中国人民解放军陆军军医大学, 2021(01)
- [8]基于积分均值模式分解的心电信号重建和心率变异性分析研究[D]. 牛晓东. 中北大学, 2021(01)
- [9]基于时频分析的心电信号处理方法研究[D]. 张家玥. 浙江大学, 2021(01)
- [10]基于深度学习的心脏数据自动分类与分割关键技术研究[D]. 党豪. 北京邮电大学, 2020(01)