-
公开(公告)号：CN108256457B
公开(公告)日：2021-06-04
申请号：CN201810017515.0
申请日：2018-01-09
Applicant: 东北大学
Abstract: 本发明涉及生物特征提取技术领域，是一种基于深度神经网络的心冲击信号深瓶颈特征提取方法，以心冲击信号为特征提取对象，针对其波形幅值微弱、易受外界干扰的特点，结合同步采集的心电信号，利用深度神经网络挖掘深层特征的机理，提取其深瓶颈特征参数。该特征以心冲击信号做为输入向量，同步心电信号做为目标向量，经过预先设计的9层神经网络进行训练以获取深瓶颈特征，实现心脏动力学性能与电生理特征的有机结合。该特征以日常较易获取的心冲击信号及心电信号做为研究对象，不仅能够克服常规波形特征参数对波形波动的依赖性，同时能够提高单一特征参数的表征性能，是一种应用深度学习理论进行日常心脏功能分析的新尝试。
-
公开(公告)号：CN108256457A
公开(公告)日：2018-07-06
申请号：CN201810017515.0
申请日：2018-01-09
Applicant: 东北大学
Abstract: 本发明涉及生物特征提取技术领域，是一种基于深度神经网络的心冲击信号深瓶颈特征提取方法，以心冲击信号为特征提取对象，针对其波形幅值微弱、易受外界干扰的特点，结合同步采集的心电信号，利用深度神经网络挖掘深层特征的机理，提取其深瓶颈特征参数。该特征以心冲击信号做为输入向量，同步心电信号做为目标向量，经过预先设计的9层神经网络进行训练以获取深瓶颈特征，实现心脏动力学性能与电生理特征的有机结合。该特征以日常较易获取的心冲击信号及心电信号做为研究对象，不仅能够克服常规波形特征参数对波形波动的依赖性，同时能够提高单一特征参数的表征性能，是一种应用深度学习理论进行日常心脏功能分析的新尝试。
-
公开(公告)号：CN110148466B
公开(公告)日：2022-11-25
申请号：CN201910401402.5
申请日：2019-05-15
Applicant: 东北大学
Abstract: 本发明提供一种基于迁移学习的心冲击信号房颤计算机辅助诊断方法，涉及计算机辅助诊断技术领域。该方法首先对同步实测的ECG信号、BCG信号及现房颤疾病数据库中的ECG信号进行预处理，并设定所有信号数据的分帧长度为24秒；然后构建进行房颤辅助检测的卷积神经网络；训练所构建的卷积神经网络并进参数更新；提取实测BCG信号的迁移学习特征向量并构建随机森林分类器；将测试集中BCG信号作为卷积神经网络的输入，获取迁移学习模型特征参数并输入到随机森林分类器，通过随机森林分类器的输出结果判断该BCG信号是否为房颤疾病类型。本发明方法，有利于扩展BCG信号的日常应用领域，且为BCG开展心脏相关疾病辅助诊断及预测提供可行方案。
-
公开(公告)号：CN110148466A
公开(公告)日：2019-08-20
申请号：CN201910401402.5
申请日：2019-05-15
Applicant: 东北大学
IPC: G16H50/20 , A61B5/0402 , A61B5/11 , G06N3/04 , G06N3/08
Abstract: 本发明提供一种基于迁移学习的心冲击信号房颤计算机辅助诊断方法，涉及计算机辅助诊断技术领域。该方法首先对同步实测的ECG信号、BCG信号及现房颤疾病数据库中的ECG信号进行预处理，并设定所有信号数据的分帧长度为24秒；然后构建进行房颤辅助检测的卷积神经网络；训练所构建的卷积神经网络并进参数更新；提取实测BCG信号的迁移学习特征向量并构建随机森林分类器；将测试集中BCG信号作为卷积神经网络的输入，获取迁移学习模型特征参数并输入到随机森林分类器，通过随机森林分类器的输出结果判断该BCG信号是否为房颤疾病类型。本发明方法，有利于扩展BCG信号的日常应用领域，且为BCG开展心脏相关疾病辅助诊断及预测提供可行方案。
-
-
-
Search Results
4
records
(took 0.01 seconds)
