基于深度学习的多元时序生物医学信号表征方法研究

发布时间：2024-04-23 23:02

　　随着近年来医疗采集设备的普及与信息化技术的迅猛发展,生物医学信号可由多传感器同时采集并能持续反映人体不同部位的体征信息,如多模态睡眠图和多通道脑电图等。如何高效表征这类多元时序的波形信号,是目前生物医学信息学领域中亟待突破的关键技术,对于临床诊疗具有重要意义。对此新兴领域的研究热点,国内外学者尝试使用深度学习技术提取生物医学信号中的有效信息,但目前的研究还没有充分地结合生物医学信号多元时序的结构特点,仍处于研究初期阶段。其研究难点主要包括如何结合生物医学信号中的波形时序相关性、多元结构先验性、特征模式相互依赖性、临床表现异构性等独特属性,构建高效的端到端多元时序深度表征模型。本课题针对上述难点,研究基于深度学习的生物医学信号多元时序表征方法,旨在为建立端到端的生物医学信号深度表征模型提供新方法,为医生监测诊断疾病提供实用技术,引领推动深度学习在健康医疗中的发展和应用。论文主要研究内容与取得的创新成果如下:1.提出了一种基于多上下文学习的深度语义表征方法。针对目前生物医学信号无监督深度表征方法只能学习信号片段内的波形表示,没有考虑波形片段间的时序相关性的问题,该方法结合语义学习技术,构建...

【文章页数】：134 页

【学位级别】：博士

【部分图文】：

图2-4本章方法流程示意图

生物医学信号信号片段信号谱图序列SDAE图2-4本章方法流程示意图Figure2-4Schematicillustrationoftheproposedapproachpipeline本章方法旨在通过深度学习和语义学习技术提取波形片段内的静

图2-7波形嵌入算法结构图

信号谱图序列图2-7波形嵌入算法结构图Figure2-7Structureofthewaveformembeddingalgorithm由于上下文信息量过大，波形嵌入训练过程耗时。为了避免这种情况，模型用一个层次结构来减少运算复杂度。具体地说，本章使用基于二叉霍....

图2-10EEG彼形片段分割方祛示例

Figure2-10ExampleofEEGsegmentation2.4.2对比方法由于所提出的方法属于无监督模型，本实验选取了六种目前在医学领域内主流的特征表示模型作为比较方法。各种算法的特点如下描述：

图2-11不同特征表示模型在CHB-MIT数据库上的ROC和PR曲线

(a)ROC曲线(b)PR曲线图2-11不同特征表示模型在CHB-MIT数据库上的ROC和PR曲线Figure2-11ROCandPRcurvesoftheproposedmethodandthebaselinesonthe....

本文编号：3962881