心律失常与心力衰竭智能诊断方法研究
发布时间：2022-12-08 00:32
近年来,心血管相关疾病已经成为威胁人类生命健康的“头号杀手”,得到了人们的重视。心律失常与心力衰竭都是比较常见的心脏疾病,对这两类疾病进行及时准确的检测和诊断,能够及早地对患病人群或高风险人群进行治疗或干预,对于提高人们生活质量有着重要的社会价值和研究意义。心电图作为一种无创检测方法,一直是检测和诊断心脏疾病的重要工具。特别是随着智能硬件和物联网的不断发展,可佩戴式心电监护仪成为了人们进行日常心脏健康监护的新选择。因此,如何基于可佩戴式心电监护仪所采集到的信号（一般情况下为单导联心电信号或连续心率信号）进行智能检测和诊断,成为了心血管疾病智能诊断领域的研究热点。本文基于以上考虑,重点研究基于单导联心电信号和连续心跳节律信号进行心律失常及充血性心力衰竭智能诊断的相关算法与技术,分析心电信号自动识别和诊断过程中存在的问题,在提升识别准确度的同时,保证识别速度,为这两类心血管疾病的智能诊断系统的建立提供技术支持,促进智能识别在心脏健康监护中的应用。而出于对采集设备便携性和识别精准度的综合考虑,本文还对如何从三导联心电信号重构标准十二导联心电信号的方法进行了研究,为未来更准确、更方便地进行心脏...
【文章页数】：126 页
【学位级别】：博士
【文章目录】：
摘要
abstract
第一章 绪论
1.1 课题研究背景及意义
1.2 国内外研究现状
1.2.1 单导联心电信号的研究现状
1.2.2 基于RR间隔信号的心力衰竭识别研究现状
1.2.3 标准12导联心电信号重构研究现状
1.3 课题主要研究内容
1.4 论文结构
第二章 研究基础及相关技术背景
2.1 心电信号和RR间隔信号
2.1.1 心电信号及RR间隔信号的生理机制
2.1.2 心电信号及RR间隔信号的形态特征及相关指标
2.1.3 心电信号及RR间隔信号的诊断意义
2.2 仿生小波变换相关技术
2.2.1 小波变换基本原理
2.2.2 连续小波变换定义
2.2.3 仿生小波变换原理
2.3 数据降维相关技术
2.4 聚类分析相关技术
2.5 深度学习相关技术
2.5.1 深度学习概述
2.5.2 卷积神经网络
2.5.3 循环神经网络
2.6 本章小结
第三章 基于仿生小波变换的心电信号预处理研究
3.1 引言
3.2 基于仿生小波变换的心电信号预处理研究
3.2.1 算法整体流程
3.2.2 基于仿生小波变换的心电信号去噪方法研究
3.2.3 基于仿生小波变换的R波提取方法研究
3.3 实验结果与对比分析
3.3.1 心电信号去噪结果与分析
3.3.2 R波提取结果与分析
3.4 本章小结
第四章 基于AP算法的半监督聚类用于心律失常识别的研究
4.1 引言
4.2 基于AP算法的半监督聚类用于心律失常识别的研究
4.2.1 独立心拍信号分割
4.2.2 基于ICA的心拍特征提取
4.2.3 基于AP算法的半监督聚类用于心律失常的研究
4.3 实验结果与对比分析
4.3.1 实验数据
4.3.2 评价指标
4.3.3 实验结果与对比分析
4.4 本章小结
第五章 基于深度学习用于心力衰竭检测的短时RR间隔信号分类方法研究
5.1 引言
5.2 基于LSTM网络的心力衰竭检测研究
5.2.1 基于LSTM的网络模块结构
5.2.2 算法整体架构及内部参数
5.2.3 模型训练过程
5.3 基于深度学习架构的心力衰竭集成检测研究
5.3.1 专家经验特征
5.3.2 基于深度网络模块的高维度特征提取
5.3.3 基于集成学习的心力衰竭检测
5.3.4 模型训练过程及特征重要度
5.4 实验过程
5.4.1 实验数据及预处理
5.4.2 验证过程
5.5 实验结果与对比分析
5.5.1 评价指标
5.5.2 实验结果与对比分析
5.6 本章小结
第六章 基于卷积神经网络由三导联向标准十二导联转换的方法研究
6.1 引言
6.2 基于卷积神经网络的导联转换模型
6.2.1 导联子集选择
6.2.2 基于卷积神经网络的导联转换模型设计
6.3 实验结果与对比分析
6.3.1 实验数据
6.3.2 对比方法
6.3.3 评价指标
6.3.4 训练方式
6.3.5 实验结果与对比分析
6.4 本章小结
第七章 总结与展望
7.1 论文研究工作总结
7.2 后续工作展望
参考文献
缩略语说明
致谢
作者攻读学位期间发表的学术论文目录
【参考文献】：
期刊论文
[1]基于自适应小波阈值的心电信号降噪方法[J]. 王磊,孙玮,陈奕博,李鹏,赵凌霄. 计算机工程与应用. 2018(15)
[2]卷积神经网络研究综述[J]. 李彦冬,郝宗波,雷航. 计算机应用. 2016(09)
[3]基于仿生小波变换和自适应阈值的语音增强方法[J]. 杨玺,樊晓平. 控制与决策. 2006(09)
博士论文
[1]基于卷积神经网络的心电信号检测和分类研究[D]. 项延德.浙江大学 2018
[2]基于听觉仿生的目标声音识别系统研究[D]. 张文娟.中国科学院研究生院（长春光学精密机械与物理研究所） 2012
硕士论文
[1]标准12导联心电信号重建方法研究[D]. 陈方剑.浙江大学 2015
[2]支持向量机（SVM）及其在心电图（ECG）分类识别中的应用[D]. 唐孝.四川师范大学 2007
本文编号：3713176
【文章页数】：126 页
【学位级别】：博士
【文章目录】：
摘要
abstract
第一章 绪论
1.1 课题研究背景及意义
1.2 国内外研究现状
1.2.1 单导联心电信号的研究现状
1.2.2 基于RR间隔信号的心力衰竭识别研究现状
1.2.3 标准12导联心电信号重构研究现状
1.3 课题主要研究内容
1.4 论文结构
第二章 研究基础及相关技术背景
2.1 心电信号和RR间隔信号
2.1.1 心电信号及RR间隔信号的生理机制
2.1.2 心电信号及RR间隔信号的形态特征及相关指标
2.1.3 心电信号及RR间隔信号的诊断意义
2.2 仿生小波变换相关技术
2.2.1 小波变换基本原理
2.2.2 连续小波变换定义
2.2.3 仿生小波变换原理
2.3 数据降维相关技术
2.4 聚类分析相关技术
2.5 深度学习相关技术
2.5.1 深度学习概述
2.5.2 卷积神经网络
2.5.3 循环神经网络
2.6 本章小结
第三章 基于仿生小波变换的心电信号预处理研究
3.1 引言
3.2 基于仿生小波变换的心电信号预处理研究
3.2.1 算法整体流程
3.2.2 基于仿生小波变换的心电信号去噪方法研究
3.2.3 基于仿生小波变换的R波提取方法研究
3.3 实验结果与对比分析
3.3.1 心电信号去噪结果与分析
3.3.2 R波提取结果与分析
3.4 本章小结
第四章 基于AP算法的半监督聚类用于心律失常识别的研究
4.1 引言
4.2 基于AP算法的半监督聚类用于心律失常识别的研究
4.2.1 独立心拍信号分割
4.2.2 基于ICA的心拍特征提取
4.2.3 基于AP算法的半监督聚类用于心律失常的研究
4.3 实验结果与对比分析
4.3.1 实验数据
4.3.2 评价指标
4.3.3 实验结果与对比分析
4.4 本章小结
第五章 基于深度学习用于心力衰竭检测的短时RR间隔信号分类方法研究
5.1 引言
5.2 基于LSTM网络的心力衰竭检测研究
5.2.1 基于LSTM的网络模块结构
5.2.2 算法整体架构及内部参数
5.2.3 模型训练过程
5.3 基于深度学习架构的心力衰竭集成检测研究
5.3.1 专家经验特征
5.3.2 基于深度网络模块的高维度特征提取
5.3.3 基于集成学习的心力衰竭检测
5.3.4 模型训练过程及特征重要度
5.4 实验过程
5.4.1 实验数据及预处理
5.4.2 验证过程
5.5 实验结果与对比分析
5.5.1 评价指标
5.5.2 实验结果与对比分析
5.6 本章小结
第六章 基于卷积神经网络由三导联向标准十二导联转换的方法研究
6.1 引言
6.2 基于卷积神经网络的导联转换模型
6.2.1 导联子集选择
6.2.2 基于卷积神经网络的导联转换模型设计
6.3 实验结果与对比分析
6.3.1 实验数据
6.3.2 对比方法
6.3.3 评价指标
6.3.4 训练方式
6.3.5 实验结果与对比分析
6.4 本章小结
第七章 总结与展望
7.1 论文研究工作总结
7.2 后续工作展望
参考文献
缩略语说明
致谢
作者攻读学位期间发表的学术论文目录
【参考文献】：
期刊论文
[1]基于自适应小波阈值的心电信号降噪方法[J]. 王磊,孙玮,陈奕博,李鹏,赵凌霄. 计算机工程与应用. 2018(15)
[2]卷积神经网络研究综述[J]. 李彦冬,郝宗波,雷航. 计算机应用. 2016(09)
[3]基于仿生小波变换和自适应阈值的语音增强方法[J]. 杨玺,樊晓平. 控制与决策. 2006(09)
博士论文
[1]基于卷积神经网络的心电信号检测和分类研究[D]. 项延德.浙江大学 2018
[2]基于听觉仿生的目标声音识别系统研究[D]. 张文娟.中国科学院研究生院（长春光学精密机械与物理研究所） 2012
硕士论文
[1]标准12导联心电信号重建方法研究[D]. 陈方剑.浙江大学 2015
[2]支持向量机（SVM）及其在心电图（ECG）分类识别中的应用[D]. 唐孝.四川师范大学 2007
本文编号：3713176
本文链接：https://www.wllwen.com/kejilunwen/xinxigongchenglunwen/3713176.html
