一种基于多卷积核特征提取的房颤检测

发布时间：2017-04-03 00:06

  本文关键词：一种基于多卷积核特征提取的房颤检测，由笔耕文化传播整理发布。

【摘要】：房颤是临床最常见的一种心率失常疾病,严重危害着人类的健康。因此房颤检测方法的研究,对及早地发现房颤,减少病人的发病率和死亡率,以及减少经济负担等有重要的临床和社会意义。房颤检测方法的任务主要包括对心电信号预处理、特征提取和房颤检测。而特征提取的精度很大程度上决定了诊断效果,目前已有的房颤检测算法尚未妥善解决特征提取问题,所以房颤检测错误率仍然很高。卷积运算是图像处理领域应用很广泛的一种运算,通过卷积运算,可以使原信号特征增强。在模式识别中,也是一种很重要的特征提取方法。卷积核的取值决定了特征提取效果的好坏,所以本文基于卷积运算,就好的卷积核的取值如何确定这个问题展开研究,提出了一种通过从大量卷积核中,选择特征提取效果好的卷积核来提取信号特征的方法。同时,因为数据量大,卷积运算时间比较长,所以本文中还利用MATLAB的GPU并行计算工具箱实现了卷积运算的加速。论文主要研究内容如下:1.针对心房活动特征提取问题提出一种卷积核选择算法。在基于单心拍心房活动特征的房颤检测基础上,本文中将十万个原心电信号的特征片段作为备选卷积核,用来提取信号特征,这样能够保留更多的特征。接着对特征矩阵进行每列求和的池化处理,那么一个卷积核则对应一个特征。然后通过特征值数据的直方图分布从提取到的大量特征中,选择出特征提取效果好的一千个特征,完成卷积核的初次筛选。最后基于Ada Boost算法,从这一千个特征中选择50个特征,从而完成卷积核的选择,并且构造强分类器,实现高精度房颤检测。这50个卷积核作为提取测试集信号特征的卷积核,不仅特征提取效果好,而且节省时间。2.MATLAB的并行计算工具箱实现卷积运算的加速。本文研究了GPU加速MATLAB程序的方法,对GPU性能进行了测试,最终运用MATLAB工具箱所支持的指令把运算中核心模块转移到GPU上运行,从而达到加速的目的。经MIT-BIH房颤数据库验证,本文房颤检测算法的准确率达到了97.68%。实验结果表明,本文算法具有房颤检测的能力。
【关键词】：心房活动特征 卷积核 Adaboost GPU并行计算工具箱
【学位授予单位】：河北大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：R541.75;TP391.41
【目录】：

• 摘要5-6
• abstract6-10
• 第1章 绪论10-16
• 1.1 课题研究背景和意义10-11
• 1.2 房颤检测技术国内外研究现状及存在问题11-13
• 1.2.1 房颤检测技术国内外研究现状11-12
• 1.2.2 当前房颤检测算法存在问题12-13
• 1.3 GPU在通用计算领域中的应用13-14
• 1.4 本文的主要内容及章节安排14-16
• 第2章 心电信号的基本知识16-21
• 2.1 心电信号的基本知识16-18
• 2.1.1 正常心电图的特点及意义16-17
• 2.1.2 常用标准心电数据库17-18
• 2.2 房颤的产生机理及分类18-19
• 2.2.1 房颤的产生机理18-19
• 2.2.2 房颤的分类19
• 2.3 房颤在心电图中的特征19-20
• 2.4 本章小结20-21
• 第3章 一种多卷积核特征提取的房颤检测算法21-39
• 3.1 多卷积核特征提取的房颤检测算法描述21-24
• 3.2 心电信号数据预处理24-30
• 3.2.1 心电信号去噪25-27
• 3.2.2 QRS波消除27-29
• 3.2.3 白化29-30
• 3.3 卷积核提取信号特征及卷积核的初次选择30-32
• 3.3.1 卷积运算30
• 3.3.2 卷积核提取特征及卷积核的初次选择30-32
• 3.4 基于Ada Boost算法卷积核选择的房颤检测32-36
• 3.4.1 AdaBoost学习算法的基本思想32-33
• 3.4.2 AdaBoost算法流程33-35
• 3.4.3 AdaBoost算法分析35-36
• 3.5 实验结果与分析36-37
• 3.5.1 实验数据说明36
• 3.5.2 本文方法有效性的验证36
• 3.5.3 本文方法与其他方法的比较36-37
• 3.6 本章小结37-39
• 第4章 GPU加速在卷积运算中的应用39-48
• 4.1 GPU加速原理39-40
• 4.2 GPU加速matlab程序的方法40-41
• 4.3 MATLAB并行计算工具箱41-42
• 4.4 基于MATLAB并行计算工具箱的卷积运算的加速42-47
• 4.4.1 GPU性能测试42-45
• 4.4.2 GPU加速卷积运算45-47
• 4.5 本章小结47-48
• 第5章 本文算法在健康平台上的应用48-53
• 5.1 健康平台介绍48-49
• 5.2 心电信号采集系统49-50
• 5.3 本文算法在健康平台上的应用50-52
• 5.4 本章小结52-53
• 第6章 总结与展望53-55
• 6.1 工作总结53
• 6.2 工作展望53-55
• 参考文献55-59
• 致谢59

【相似文献】

中国硕士学位论文全文数据库 前3条

1 李倩玉;基于改进深层网络的视频人脸识别研究[D];合肥工业大学;2016年

2 刘玲;一种基于多卷积核特征提取的房颤检测[D];河北大学;2016年

3 李大霞;cuda-convnet深层卷积神经网络算法的一种速度优化[D];北京工业大学;2015年

  本文关键词：一种基于多卷积核特征提取的房颤检测，，由笔耕文化传播整理发布。

本文编号：283369