基于深度学习的心电逆问题研究

发布时间：2022-01-10 21:01

　　心电图是当前心脏疾病诊断的主要手段之一,然而心电图无法提供直观的心脏图像,心脏电功能成像技术就是解决这一弊端的有效方式。心脏电功能成像问题研究可以根据心脏模型的几何结构信息和体表电位分布实现对心脏电活动信息的实时成像,其本质是一个基于横跨膜电位的心电逆问题,即根据身体表面电位（BSP）无创地重建心脏跨膜电位（TMP）,从而更好地反映出心脏电活动信息的细节。心电逆问题可视为一种多输入多输出的非线性回归问题（即根据多个体表电位分布输入通过回归模型重构多个心脏跨膜电位分布输出）,而基于数据驱动的机器学习算法是解决非线性回归问题的一种有效手段。深度学习作为一类强大的机器学习算法是当前人工智能领域研究的前沿和热门方向,使用深度学习解决非线性回归任务可以实现更准确的预测精度和更良好的泛化能力。本文通过卷积神经网络（CNN）构建深度学习模型,使用Caffe框架对模型进行GPU并行训练。本文使用CNN构建深度学习模型。CNN具有强大的特征学习和表达能力,可以对心脏跨膜电位实现良好的逼近。实验结果表明,与极限学习机（ELM）和核极限学习机（ELM-kernel）方法相比,CNN方法具有更高的预测精度和泛... 

【文章来源】：浙江理工大学浙江省

【文章页数】：56 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 研究背景和意义
    1.2 国内外研究现状
    1.3 本文研究内容及论文结构
第二章 逆问题研究的基础理论和方法
    2.1 心电逆问题研究总体框架
    2.2 建立心电逆问题模型
    2.3 心电仿真数据
        2.3.1 基于肯特束综合征的心电仿真数据
        2.3.2 基于正常心脏的心电仿真数据
        2.3.3 模型评价准则
    2.4 HDF5文件简介
    2.5 本章小结
第三章 基于卷积神经网络的心电逆问题研究
    3.1 引言
    3.2 卷积神经网络的理论及方法
        3.2.1 CNN前向传播算法
        3.2.2 CNN反向传播算法
        3.2.3 建立CNN模型
    3.3 卷积神经网络模型优化算法
        3.3.1 随机梯度下降算法
        3.3.2 小批量梯度下降算法
        3.3.3 涅斯捷罗夫梯度加速算法
        3.3.4 自适应梯度算法
    3.4 使用Caffe框架训练模型
        3.4.1 Caffe框架简介
        3.4.2 GPU并行训练
    3.5 基于CNN算法与极限学习机算法比较分析
        3.5.1 对心脏跨膜电位进行重构
        3.5.2 误差比较和分析
        3.5.3 结论
    3.6 本章小结
第四章 KPCA-CNN深度神经网络的理论及方法研究
    4.1 引言
    4.2 数据降维方法
        4.2.1 主成分分析方法
        4.2.2 核主成分分析方法
    4.3 稀疏的网络连接
        4.3.1 Dropout策略
        4.3.2 Maxout激活函数
    4.4 建立KPCA-CNN模型
    4.5 本章小结
第五章 基于KPCA-CNN深度神经网络的心电逆问题研究
    5.1 引言
    5.2 KPCA降维处理
    5.3 基于KPCA-CNN模型与常规CNN模型的比较分析
        5.3.1 对心脏跨膜电位进行重构
        5.3.2 算法性能对比分析
        5.3.3 结论
    5.4 本章小结
第六章 总结与展望
    6.1 论文工作总结
    6.2 未来工作展望
参考文献
攻读学位期间的研究成果
致谢


【参考文献】：
期刊论文
[1]深度卷积神经网络在计算机视觉中的应用研究综述[J]. 王琳,赵耀,余静华,陈曦.  农村经济与科技. 2017(14)
[2]基于深度学习和医学图像的癌症计算机辅助诊断研究进展[J]. 陈诗慧,刘维湘,秦璟,陈亮亮,宾果,周煜翔,汪天富,黄炳升.  生物医学工程学杂志. 2017(02)
[3]恶性肿瘤动态对比增强磁共振成像计算机辅助诊断研究进展[J]. 周煜翔,秦璟,宾果,陈汉威,冯仕庭,汪天富,黄炳升.  生物医学工程学杂志. 2016(04)
[4]常规12导联心电图与24h动态心电图诊断起搏器植入患者心律失常检出率的对比观察[J]. 郑光卓.  临床和实验医学杂志. 2016(09)
[5]DropConnect Regularization Method with Sparsity Constraint for Neural Networks[J]. LIAN Zifeng,JING Xiaojun,WANG Xiaohan,HUANG Hai,TAN Youheng,CUI Yuanhao.  Chinese Journal of Electronics. 2016(01)
[6]向量相似度测度方法[J]. 张宇,刘雨东,计钊.  声学技术. 2009(04)
[7]基于最大似然算法的心电逆问题研究[J]. 高飞,刘华锋.  生物医学工程学杂志. 2008(04)
[8]EEG动力学模型中混沌现象的研究[J]. 王兴元,骆超,谭贵霖.  生物物理学报. 2005(04)
[9]心脏模型中兴奋传播算法的改进[J]. 周荷琴,郭永刚,冯焕清,王恒良.  生物医学工程学杂志. 2002(03)

博士论文
[1]正则化技术与动态心电逆问题研究[D]. 蒋明峰.浙江大学 2008

硕士论文
[1]基于差分进化优化算法和极限学习机的心电逆问题研究[D]. 张恒.浙江理工大学 2015
[2]基于智能优化算法和支持向量机的心电逆问题研究[D]. 蒋姗姗.浙江理工大学 2014
[3]智能降维技术的研究与应用[D]. 安亚静.江南大学 2012



本文编号：3581399