动态心电心律失常智能检测方法及高性能计算研究

发布时间：2021-10-27 14:54

　　心血管疾病是威胁人类生命健康的重要疾病之一,其患病率和死亡率呈逐年上升趋势。80%以上心血管病人伴随并发性心律失常现象,而心律失常是诱发心脏病和心脏猝死的一个高危风险因素。因此,对心律失常进行及时准确的检测,对于心脏病和心脏猝死早期预防及干预均具有重要的研究意义。心电图作为心律失常诊断的重要手段,目前常见的心律失常自动检测方法大多基于心电信号的特征检测及提取,在处理分析信号质量欠佳的心电数据上心律失常诊断的准确性仍存在不足和难点。在处理长时心电数据时,计算效率是其最大的掣肘,无法满足移动医疗的实际需求。针对上述问题,本文研究了心律失常自动检测方法及高性能实现,主要工作内容和创新成果包括:（1）基于伪迹消除的心律失常自动检测方法。分析常见心律失常方法分析处理高噪声的动态心电数据过程中的不足,本文通过引入伪差识别机制,提出了基于伪差识别的心律失常自动检测方法,降低心律失常的误判风险。实验结果显示本文提出的基于伪迹消除的心律失常方法在房性早搏识别上优于其他同类竞争方法,能有效的检测出房性早搏。在室性早搏识别问题上,其室性早搏识别率与同类算法不相上下。但是,在可穿戴动态心电数据上,由于引入了伪... 

【文章来源】：中国科学院大学(中国科学院深圳先进技术研究院)广东省

【文章页数】：116 页

【学位级别】：博士

【文章目录】：
摘要
abstract
符号列表
第1章 绪论
    1.1 研究背景与意义
    1.2 国内外研究现状
        1.2.1 心律失常自动检测方法研究现状
        1.2.2 心律失常并行检测方法研究现状
    1.3 主要研究内容及创新点
        1.3.1 本文主要研究内容
        1.3.2 本文创新点
    1.4 课题来源及论文结构
第2章 研究基础及相关技术背景
    2.1 心电图基础
        2.1.1 心电信号产生机理
        2.1.2 心电信号波形特征
        2.1.3 心律失常分类
    2.2 深度学习相关技术
        2.2.1 深度学习概述
        2.2.2 深度学习经典模型
        2.2.3 深度信念网络
        2.2.4 深层自编码网络
        2.2.5 深层卷积神经网络
        2.2.6 深度循环神经网络
    2.3 并行计算相关技术
        2.3.1 OpenMP并行库
        2.3.2 CUDA计算平台
        2.3.3 OpenCL并行框架
    2.4 本章小结
第3章 基于伪迹消除的心律失常自动检测方法
    3.1 引言
    3.2 健康云平台
    3.3 心律失常自动检测方法
        3.3.1 数据预处理
        3.3.2 心电数据特征检测
        3.3.3 心律失常分类
    3.4 实验结果与分析
        3.4.1 实验环境
        3.4.2 实验数据
        3.4.3 检测分类结果
        3.4.4 结果讨论
    3.5 本章小结
第4章 基于深层卷积网络的严重心律失常自动检测方法
    4.1 引言
    4.2 多尺度融合深层卷积网络模型
        4.2.1 问题定义
        4.2.2 多尺度融合的深层卷积网络模型架构
        4.2.3 深度卷积网络并行优化
    4.3 实验过程
        4.3.1 数据预处理
        4.3.2 交叉验证
        4.3.3 模型参数选择
    4.4 实验结果与分析
        4.4.1 实验环境
        4.4.2 实验数据
        4.4.3 房颤识别结果
        4.4.4 特征可视化
        4.4.5 分类性能比较
    4.5 本章小结
第5章 基于GPU的心律失常自动检测并行处理方法
    5.1 引言
    5.2 CPU-AECG算法计算时间分析
    5.3 GPU-AECG算法
        5.3.1 GPU-AECG算法架构及算法描述
        5.3.2 并行算法参数优化
    5.4 cGPU-AECG算法
    5.5 mGPU-AECG算法
        5.5.1 mGPU-AECG算法架构及算法描述
        5.5.2 实验步骤
    5.6 实验结果与分析
        5.6.1 实验环境
        5.6.2 数据集
        5.6.3 心律失常分类结果
        5.6.4 并行算法并行效率分析
    5.7 本章小结
第6章 总结与展望
    6.1 本文工作总结
    6.2 未来工作展望
参考文献
作者简历及攻读学位期间发表的学术论文与研究成果
致谢


【参考文献】：
期刊论文
[1]一种实时鲁棒的QRS波群检测算法[J]. 王利琴,顾军华,梁志刚.  计算机应用与软件. 2013(12)
[2]基于模板匹配和特征识别相结合的心室期前收缩波形分类算法[J]. 段会龙,冯靖祎,洪玮.  航天医学与医学工程. 2002(02)



本文编号：3461829