导读:本文包含了心拍分类论文开题报告文献综述及选题提纲参考文献，主要关键词:心律失常,分类,深度学习,卷积神经网络
心拍分类论文文献综述
邓力,傅蓉[1]（2019）在《基于心拍的端到端心律失常分类》一文中研究指出目的提出一种端到端的心律失常分类方法,以提高计算机对室上性异位心搏(SVEB)和室性异位心搏(VEB)的分类性能。方法首先对心电信号进行心拍分割、校正等预处理;然后通过卷积神经网络构建心律失常分类网络,最后结合新的损失函数训练分类器模型。结果利用MIT-BIH心律失常数据集验证本文分类方法的性能,其中在SVEB和VEB上的AUC分别达到了0.77和0.98。在引入前5 min片段作为局部数据的情况下,SVEB和VEB的灵敏度分别达到了78.28%和98.88%;而在引入0、50、100、150个样本作为局部数据时,SVEB和VEB的灵敏度最高分别达到82.25%和93.23%。结论本文提出的方法与现有的方法相比,有效改善了样本类别不平衡带来的消极影响,SVEB和VEB灵敏度均有一定程度的提升,为心律失常的自动分类提供了新的技术方案。(本文来源于《南方医科大学学报》期刊2019年09期）
李毅[2]（2019）在《基于交叉小波变换的心电信号心拍自动分类算法研究》一文中研究指出高血压、冠心病、心肌梗死等心血管疾病的发病率和死亡率逐年增高,已经成为人类健康的“第一杀手”,如何及时诊断心血管疾病已经成为亟需解决的问题。心电信号作为一种非侵入式测量手段,是临床医师判断心血管疾病的主要诊断依据。但是,心电信号的数据量极大,需要耗费医生大量时间解读分析,所以研究心电信号自动分析算法可以将医生从繁重的手工劳动中解脱出来,减少了医生之间的主观差异性,从而提高了心血管疾病的诊断效率。本文通过交叉小波变换的方法建立了心拍的小波相干图谱和交叉图谱,在相干图谱和交叉图谱上提取了和心拍分类相关的20组特征,然后引入支持向量机分类方法对提取到的特征进行分类,在分类中研究了最优参数的寻优方法,缩短了寻优时间。针对上述心拍分类过程中分类精度受参考心拍影响较大问题,提出了一种基于点集分组配准的心拍模板自动生成算法,优化了参考心拍的选取,实现了正常心拍,左束支传导阻滞,右束支传导阻滞,起搏心跳,室性期前收缩以及房性期前收缩六类心拍的自动分类。具体研究内容和贡献点包括:(1)提出了基于交叉小波变换的方法,用于心拍信号的特征表示。建立了小波相干图和交叉图将时频特征以图谱的形式显示出来,并通过在四个方向角度上(9=0=0°,45°,90°,135°)建立其灰度共生矩阵后计算提取了能量、熵、惯性矩等20组特征。(2)提出了改进网格搜索算法用于心拍自动分类。用较大步距进行粗略搜索,得到的惩罚因子C和核函数γ,在这一对参数附近缩小搜索步距,进行精细搜索,得到最优参数,使心拍分类精度达到94.96%,并缩短了分类时间。(3)针对心拍分类过程中分类精度受参考心拍影响较大的问题,提出了基于点集分组配准的参考心拍模板自动生成算法,将心拍模板的生成问题转换为点集分组配准问题。综合分析了CDF-HC、Ho1der等方法,考虑模板拟合度和配准时间,提出了基于信息势的点集分组配准方法生成了参考心拍模板,将心拍分类精度提升到96.17%。(本文来源于《河北大学》期刊2019-06-01）
王凯,杨枢[3]（2019）在《基于自适应学习的心律失常心拍分类方法》一文中研究指出心律失常是因心脏疾病引起的心电活动中的异常症状,早期心室收缩(PVC)是由异位心跳引起的常见心律失常形式。通过心电图(ECG)信号检测PVC对于预测可能的心力衰竭具有重要意义。本文提出一种面向PVC心拍分类的心电信号分类算法,重点研究基于自适应学习的PVC异常心拍分类特征提取模型,通过计算心拍关联后验概率,结合领域专家标注信息训练分类器,提高整体分类效果。实验采用MIT-BIH心律失常数据库的ECG数据,研究结果表明所提方法针对非线性流形结构数据,能够有效提升小样本心拍自适应分类器的准确性。(本文来源于《中国医学物理学杂志》期刊2019年01期）
庞彦伟,李潇,梁金升,何宇清[4]（2018）在《基于卷积神经网络的第一导联心电图心拍分类》一文中研究指出第一导联心电图心拍的分类具有重要的医学价值,可以用来判断心脏的健康状况.采用深度卷积神经网络的方法,设计了针对单导联心电图这种特殊一维信号的卷积神经网络.该卷积神经网络具有层数多、卷积核尺度多样、参数量小等特点,能有效对第一导联心电图心拍进行分类.首先将心电数据进行预处理输入网络,经过一系列卷积、池化操作,最终输出分类结果.将该网络应用于INCART数据库,对超过17×104条第一导联心电图数据进行分类实验,取得了98%,的准确率、90%,的敏感度和86%,的阳性预测值的分类性能.实验结果表明,所采用的方法可以对第一导联心电图心拍进行很好的分类,并可应用于可穿戴设备和远程监护领域.(本文来源于《天津大学学报(自然科学与工程技术版)》期刊2018年10期）
黄佼,宾光宇,吴水才[5]（2018）在《基于一维卷积神经网络的患者特异性心拍分类方法研究》一文中研究指出目的提出一种基于一维卷积神经网络的患者特异性心电分类方法,提升心拍自动分类性能,特别是室上性早搏(Superventricular Premature Beat,SVEB)分类性能,为临床心电诊断提供辅助依据。方法将多层一维卷积神经网络自动学习的心电特征和心电的RR间期特征进行融合,送入多层感知器,再通过softmax分类器进行分类;选择少量公共心拍数据加上患者特定的心拍数据用于训练分类模型,实现患者特异性心拍识别。结果采用麻省理工学院提供的标准心律失常数据库(MIT-BIH Arrhythmia Database)评估算法的分类性能,与已有研究结果相比,分类性能得到提升,其中SVEB识别的灵敏度达到88.7%。结论该方法可为医护人员诊断心脏疾病提供可靠的辅助依据。(本文来源于《中国医疗设备》期刊2018年03期）
高兴姣,李智,陈珊珊,李健[6]（2017）在《基于近邻保持嵌入算法的心律失常心拍分类》一文中研究指出心律失常是一种极其常见的心电活动异常症状,基于心电图(ECG)的心拍分类对心律失常的临床诊断具有十分重要的意义。本文提出一种基于流形学习的特征提取方法——近邻保持嵌入(NPE)算法,实现心律失常心拍的自动分类。分类系统利用NPE算法获取高维心电节拍信号的低维流形结构特征,然后将特征向量输入支持向量机(SVM)分类器进行心拍的分类诊断。实验基于MIT-BIH心律失常数据库提供的ECG数据,对14种类型的心律失常心拍进行分类,总体分类准确率高达98.51%。实验结果表明,所提方法是一种有效的心律失常心拍分类方法。(本文来源于《生物医学工程学杂志》期刊2017年01期）
王迪[7]（2016）在《低运算复杂度的心拍分类算法研究》一文中研究指出心电信号(ECG)自动分析与诊断是当前信号处理领域的一个研究热点,这一技术能够有效实现能够提高医生效率,促进医疗事业发展和提高人们健康水平。心拍识别作为心电信号自动分析与诊断领域中的一项关键技术备受关注,到目前为止,尽管在这方面取得诸多突破,但仍存在运算复杂度高的问题。针对这一现状,论文从心拍特征与分类器两个方面展开研究。在心拍特征方面的研究:多种特征组合能有效提高分类决策信息,但会导致特征维度过高,同时由于特征之间的相关性而存在特征冗余,运算复杂度高。针对此问题,本文提出基于主成分分析进行特征融合的心拍分类算法。该算法首先对单一特征进行规范化,将多种单一特征进行组合得到组合特征,然后通过对组合特征进行主成分分析(PCA)得到低维融合特征,最后通过支持向量机(SVM)进行分类。文中选取相关性强的心拍时域特征、心拍离散小波特征与心拍离散傅立叶变换特征为例,在MIT-BIH数据库上进行心拍分类实验,对算法有效性进行验证。实验结果表明,融合特征在降维后维度为100时,心拍分类准确率为97.389%,高于单一心拍最高分类准确率96.5%,组合心拍最高分类准确率97.334%,维度远远低于组合心拍的492维。与单一特征相比,融合特征提高了分类准确率,与组合特征相比,融合特征降低了特征维度,减少了特征冗余。在心拍多分类器方面的研究:传统支持向量机心拍多分类算法存在支持向量机数目繁多、大样本训练集存储运算占用内存空间大的问题。针对这一问题本文提出基于层次支持向量机的心拍多分类算法。该算法首先通过基于核空间的距离度量衡量各类别可分离度,取分离度最差的两类心拍作为支持向量机的样本进行训练,然后合并这两类心拍作为一个新的类别参与下一次的类间分离度比较,重复上述过程,直至所有类别均参与训练为止。文中选取MIT-BIH数据库中具有代表性的六类心拍进行算法有效性验证实验。实验结果表明,层次支持向量机模型对六类心拍的分类准确率为95.8%,所需支持向量机个数为5,小于支持向量机多分类一对一算法的15个,一对多算法的6个,同时训练过程中样本逐层递减。与传统支持向量机多分类算法相比,层次支持向量机模型在保证分类准确率的前提下,减少了所需支持向量机个数,降低了样本存储与运算占用的内存空间。(本文来源于《吉林大学》期刊2016-06-01）
王迪,司玉娟,刘通,郭永丛,刘书文[8]（2015）在《基于主成分分析进行特征融合的心拍分类》一文中研究指出针对心拍分类中单一特征分类准确率低而组合特征存在特征冗余和维度过高的问题,提出了一种基于主成分分析(PCA)进行特征融合的心拍分类算法。该算法在对单一特征进行规范化后,将多种特征组合为一个具有大量信息的高维特征;之后引入PCA算法去除冗余成分,得到低维融合特征;最后,利用支持向量机(SVM)为分类器完成心拍分类。以心拍时域特征、离散小波特征、离散傅里叶特征为例,在MIT-BIH数据库上进行了实验。实验结果表明,融合特征维度为100时,分类准确率可达97.389%。与单一特征相比,融合特征提高了分类准确率;与组合特征相比,融合特征降低了特征维度。(本文来源于《2015光学精密工程论坛论文集》期刊2015-07-10）
王林泓[9]（2011）在《心律失常心拍分类方法的研究》一文中研究指出心脏具有自律性、兴奋性、传导性与收缩性等四项生理功能,而心律失常就是由于心肌的自律性、兴奋性以及传导机能的异常而引起的。由于每个心电数据病例通常可以划分为几类心律失常,但是对每个心拍划分后,每类心律失常包含了很多个心拍,而心律失常的判断标准往往不能全面反映心拍的特征[1-2]。因此,需要对每类心律失常(包括正常心拍)进行再次划分,将成千上万个心拍根据波形的相似性再次细分为几种不同的子类。本文提出采用相关系数来判断两个心拍的相似性。(本文来源于《医学信息(上旬刊)》期刊2011年04期）
黄惠芳,胡广书[10]（2010）在《基于Gabor变换特征选择的ECG心拍分类》一文中研究指出为了解决小波变换法不能有效地提取心拍的局部特征,甚至丢失一些关键特征的问题,该文基于类内类间距离和准确性准则,分别采用顺序浮动前向搜索(SFFS)法和单独最优特征组合法对心拍信号的Gabor变换系数的实部选择。选出的系数与RR间期一起组成最近邻分类器的输入特征向量。数据集来自MIT-BI H(MassachusettesInstitute of Technology-Boston s Beth Israel Hospital)心电数据库的8种类型的心拍。实验结果表明,基于准确性准则和SFFS法即封装法的心拍分类方法准确性最高,为98.65%,仅需利用15个Gabor变换系数,有利于提高分类速度。该方法是一种更有效的心拍分类方法。(本文来源于《清华大学学报(自然科学版)》期刊2010年03期）
心拍分类论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
高血压、冠心病、心肌梗死等心血管疾病的发病率和死亡率逐年增高,已经成为人类健康的“第一杀手”,如何及时诊断心血管疾病已经成为亟需解决的问题。心电信号作为一种非侵入式测量手段,是临床医师判断心血管疾病的主要诊断依据。但是,心电信号的数据量极大,需要耗费医生大量时间解读分析,所以研究心电信号自动分析算法可以将医生从繁重的手工劳动中解脱出来,减少了医生之间的主观差异性,从而提高了心血管疾病的诊断效率。本文通过交叉小波变换的方法建立了心拍的小波相干图谱和交叉图谱,在相干图谱和交叉图谱上提取了和心拍分类相关的20组特征,然后引入支持向量机分类方法对提取到的特征进行分类,在分类中研究了最优参数的寻优方法,缩短了寻优时间。针对上述心拍分类过程中分类精度受参考心拍影响较大问题,提出了一种基于点集分组配准的心拍模板自动生成算法,优化了参考心拍的选取,实现了正常心拍,左束支传导阻滞,右束支传导阻滞,起搏心跳,室性期前收缩以及房性期前收缩六类心拍的自动分类。具体研究内容和贡献点包括:(1)提出了基于交叉小波变换的方法,用于心拍信号的特征表示。建立了小波相干图和交叉图将时频特征以图谱的形式显示出来,并通过在四个方向角度上(9=0=0°,45°,90°,135°)建立其灰度共生矩阵后计算提取了能量、熵、惯性矩等20组特征。(2)提出了改进网格搜索算法用于心拍自动分类。用较大步距进行粗略搜索,得到的惩罚因子C和核函数γ,在这一对参数附近缩小搜索步距,进行精细搜索,得到最优参数,使心拍分类精度达到94.96%,并缩短了分类时间。(3)针对心拍分类过程中分类精度受参考心拍影响较大的问题,提出了基于点集分组配准的参考心拍模板自动生成算法,将心拍模板的生成问题转换为点集分组配准问题。综合分析了CDF-HC、Ho1der等方法,考虑模板拟合度和配准时间,提出了基于信息势的点集分组配准方法生成了参考心拍模板,将心拍分类精度提升到96.17%。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
心拍分类论文参考文献
[1].邓力,傅蓉.基于心拍的端到端心律失常分类[J].南方医科大学学报.2019
[2].李毅.基于交叉小波变换的心电信号心拍自动分类算法研究[D].河北大学.2019
[3].王凯,杨枢.基于自适应学习的心律失常心拍分类方法[J].中国医学物理学杂志.2019
[4].庞彦伟,李潇,梁金升,何宇清.基于卷积神经网络的第一导联心电图心拍分类[J].天津大学学报(自然科学与工程技术版).2018
[5].黄佼,宾光宇,吴水才.基于一维卷积神经网络的患者特异性心拍分类方法研究[J].中国医疗设备.2018
[6].高兴姣,李智,陈珊珊,李健.基于近邻保持嵌入算法的心律失常心拍分类[J].生物医学工程学杂志.2017
[7].王迪.低运算复杂度的心拍分类算法研究[D].吉林大学.2016
[8].王迪,司玉娟,刘通,郭永丛,刘书文.基于主成分分析进行特征融合的心拍分类[C].2015光学精密工程论坛论文集.2015
[9].王林泓.心律失常心拍分类方法的研究[J].医学信息(上旬刊).2011
[10].黄惠芳,胡广书.基于Gabor变换特征选择的ECG心拍分类[J].清华大学学报(自然科学版).2010