基于GPU的心肌梗塞早期辅助诊断系统设计

发布时间：2017-08-17 01:30

  本文关键词：基于GPU的心肌梗塞早期辅助诊断系统设计

  更多相关文章： 心肌梗塞 GPU通用计算 确定学习 动态模式识别 心电图

【摘要】：心脏疾病是当今威胁人类生命健康的主要疾病之一,其中心肌梗塞（MI）是常见的心血管疾病，一般多发生在中年以后，是内科常见的症状之一，死亡率可高达25%，因此对于心肌梗塞的研究一直是医学界重要而迫切研究热点，心电图作为诊断心肌梗塞方式之一，具有一定研究价值。 确定学习理论是运用自适应控制和非线性动力学系统概论和方法，研究在未知动态环境下知识的获取、表达、存储和再利用等问题。区别于现有的一些基于静态函数映射方法的学习理论，确定学习研究的是一种动态环境下的学习机制。 然而，动态模式识别是一个复杂的过程，大量模式和神经元的计算大大影响了算法的实现效率，，而且对具体的平台实现有很高要求。因此，如何解决海量数据的运算是实现动态模式的快速识别的关键问题。为此，确定学习理论提出了一种动态并行分布信息处理新模型（Dynamic Parallel Distributed Processing DPDP），在进行大规模动态模式识别时具有极高的计算效率，而这样的模型可以较好的用并行计算的方式来实行。利用基于MPI（message passing interface）网络集群下的并行计算方式，可以加速数据的处理速度，但由于计算机间的通信和数据传输带来大量延迟；多核CPU下的多线程编程，虽然避免了前者的不足，但是线程的启动、切换、通信、同步需要的时间长且普遍为粗粒度多线程。而基于GPU的大规模并行计算，采用的是SIMD（单指令多数据流）的指令结构，结构上采用的是多核心的流处理器，拥有高性能的处理能力和存储带宽，这些都使它非常适合进行计算密集和数据巨大的运算。基于GPU的并行计算实现是更加细粒度的多线程编程，能同时运行成千上万的轻量线程且线程的操作过程并不需要花费太多时间，大大提高了程序运行效率。 对于心电信号的自动分析并进行疾病的诊断实质上一个动态模式识别的过程，将正常和各种心肌梗塞心电信号看作是不同的动态模式，分别进行建模和学习，进一步构成具有代表性的模式库，从而实现对新增病人数据的模式识别，给出自动检测结果，为医生提供相应的诊断参考。本文针对传统心电图对于诊断心肌梗塞过程中的准确性和灵敏性不高的问题，介绍了基于确定学习和动态模式识别的心肌梗塞早期诊断方法，并结合GPU通用计算解决动态模式识别过程中海量计算问题，设计了心肌梗塞早期辅助诊断系统，可以作为临床医学上心肌梗塞早期辅助诊断的有效工具。
【关键词】：心肌梗塞 GPU通用计算 确定学习 动态模式识别 心电图
【学位授予单位】：华南理工大学
【学位级别】：硕士
【学位授予年份】：2013
【分类号】：R318.6
【目录】：

• 摘要5-6
• Abstract6-11
• 第一章 绪论11-19
• 1.1 本文研究背景和选题意义11-14
• 1.2 国内外现有研究状况14-15
• 1.3 GPU 通用计算的发展15-17
• 1.4 本文主要内容架构17-19
• 第二章 确定学习理论及其在心肌梗塞早期辅助诊断方法中的应用19-33
• 2.1 引言19
• 2.2 心脏医学知识和心肌梗塞简介19-22
• 2.2.1 心脏的传导系统和心电信号的产生机理19-20
• 2.2.2 常规心电图20-21
• 2.2.3 心电向量图21
• 2.2.4 心电向量导联体系21
• 2.2.5 心肌梗塞的诊断依据21-22
• 2.3 PTB 心电数据库22-23
• 2.4 确定学习简介23-30
• 2.4.1 径向基函数（RBF）神经网络24-25
• 2.4.2 径向基函数的持续激励条件（PE 条件）25-26
• 2.4.3 离散系统的确定学习26-28
• 2.4.4 动态模式表示和相似性定义28-30
• 2.5 确定学习在心肌梗塞早期辅助诊断系统中的应用30-32
• 2.6 本章小结32-33
• 第三章 基于 GPU 的大规模并行计算及其在动态模式识别算法中的应用33-46
• 3.1 引言33
• 3.2 基于 GPU 的通用并行计算33-36
• 3.2.1 GPU 架构的演化33-36
• 3.2.2 基于 GPU 通用计算的大规模并行计算36
• 3.3 MATLAB GUI 与 Jacket 平台简介36-39
• 3.3.1 MATLAB GUI 简介36-37
• 3.3.2 Jacket 简介和基于 Jacket 下 GPU 编程37-39
• 3.4 动态模式识别算法中 GPU 平台设计实现39-45
• 3.4.1 确定学习识别算法的工程分析39-41
• 3.4.2 基于 GPGPU 的并行化分析41-43
• 3.4.3 动态模式识别算法中的并行化实现43-45
• 3.5 本章小结45-46
• 第四章 基于 GPU 加速的心肌梗塞早期辅助诊断系统设计46-57
• 4.1 引言46
• 4.2 系统的整体框架介绍46-47
• 4.3 心电数据采集设计47-50
• 4.3.1 虚拟仪器简介47
• 4.3.2 采集模块的整体设计47-48
• 4.3.3 采集模块的硬件设计48
• 4.3.4 采集模块的软件设计48-50
• 4.4 心电数据的预处理50-52
• 4.4.1 心电信号的滤波50-51
• 4.4.2 模式的预处理51-52
• 4.5 基于 GPU 加速的心电识别系统设计52-56
• 4.5.1 GPU 硬件支持53
• 4.5.2 模式学习的 GPU 加速53-54
• 4.5.3 模式库管理54
• 4.5.4 模式识别的 GPU 加速54-55
• 4.5.5 自动诊断结果显示55-56
• 4.6 本章小结56-57
• 第五章 系统实验数据分析研究57-61
• 5.1 引言57
• 5.2 基于 PTB 数据库的实验结果57-59
• 5.3 基于采集数据的研究59-60
• 5.4 本章小结60-61
• 结论与展望61-63
• 参考文献63-67
• 攻读硕士学位期间取得的研究成果67-68
• 致谢68-69
• 附录69

【参考文献】

中国期刊全文数据库 前6条

1 沈卫峰;;《急性ST段抬高型心肌梗死诊断和治疗指南》解读[J];国际心血管病杂志;2010年06期

2 何秉贤;;述评:再论心电向量图临床应用的价值及现状[J];临床心电学杂志;2009年02期

3 王永权;;心电向量图在诊断心肌梗死中的优势[J];临床心电学杂志;2009年02期

4 何秉贤;;心电向量图诊断心肌缺血的方法及优势[J];临床心电学杂志;2009年02期

5 焦方惠;;心电图与心向量联合检查对心肌缺血诊断的价值[J];中国实用医药;2011年35期

6 陈可冀;蒋跃绒;;推荐应用全球性心肌梗死新定义[J];中国中西医结合杂志;2009年07期

中国博士学位论文全文数据库 前3条

1 朱洪俊;心电信号深层识别机理的研究与虚拟式心电图仪的研制[D];重庆大学;2002年

2 万相奎;心电信号分析与虚拟式心电自动分析仪的开发[D];重庆大学;2005年

3 季虎;心电信号自动分析关键技术研究[D];国防科学技术大学;2006年

中国硕士学位论文全文数据库 前2条

1 张飞;心电信号检测算法研究[D];中南大学;2005年

2 周勇;基于并行计算的涡扇发动机旋转失速监测系统研究[D];华南理工大学;2012年

本文编号：686529