7篇关于心电信号的计算机毕业论文

今天分享的是关于心电信号的7篇计算机毕业论文范文, 如果你的论文涉及到心电信号等主题,本文能够帮助到你

基于注意力机制和生成对抗网络的心电信号去噪方法研究

这是一篇关于心电信号,噪声处理,变分模态分解,注意力机制,CycleGAN的论文, 主要内容为12导联心电图(Electrocardiogram,ECG)常用于心脏健康状况检查,记录了心脏兴奋的电活动过程,但由于其成本高、操作复杂、携戴不方便等问题,不适合用于常规动态心电监测。动态心电图(Hotel)经常用于长时程心电监测,但在复杂的动态环境下,采集的心电信号易受到运动伪影和基线漂移等各种噪声的严重干扰,导致心电数据质量差。因此,本文设计了一套单导联心电数据采集系统,针对心电数据采集存在的噪声进行去噪算法研究,降低运动噪声伪影干扰,对于心脏疾病的预防具有重要意义。本论文主要进行了以下工作:(1)设计了一套可穿戴式心电数据采集系统。系统由电源管理模块、心电采集模块、数据处理模块、延时开关模块四部分组成,完成对心电信号的采集,并使用蓝牙实时传输。对采集系统进行测试与分析,在系统功耗测试中,计算出系统的理论工作时长,并通过实测记录表明,在满电状态下系统可连续工作42小时,满足长时程监测需求;以静坐和慢走作为信号采集测试场景,通过该系统采集的心电信号可满足临床诊断需求,具有明显可识别的QRS复合波、P波和T波。(2)提出基于变分模态分解(Variational Mode Decomposition,VMD)的心电去噪算法。变分模态分解、离散小波变换(Discrete Wavelet Transform,DWT)、非局部均值滤波(Non-Local Mean,NLM)更适合于对ECG中某个波段的噪声进行去除,结合了三种算法的优点,将含噪ECG信号通过VMD分解为高频分量和低频分量,利用DWT阈值法滤除高频分量噪声,NLM滤除低频分量噪声,重构出的信号能够实现对ECG的有效去噪。实验结果表明,提出的去噪方法明显优于对比方法,在输入噪声信噪比(SNR)为5d B的高斯白噪声下,去噪信号的信噪比改进(SNRimp)至少提升20.92%。(3)提出融合高效通道注意力机制模块(Efficient Channel Attention Network,ECA-Net)和循环一致性生成对抗网络(Cycle-Consistent Generative Adversarial Networks,Cycle GAN)的心电信号去噪算法。针对信号采集过程中受运动而产生的运动伪影和基线漂移等噪声,采用一维卷积神经网络提取心电数据的时域特征,在主干网络嵌入ECA-Net,强化ECG中的关键性特征,抑制噪声信息,优化模型的去噪效果。结合L1范数和最大差分函数优化损失函数,能够捕获信号的全局特征和局部特征,抑制最大局部误差,从而更好地拟合训练数据。在公开数据集下,当输入SNR为5d B时,单一类型噪声去噪后的SNRimp平均提升了32.96%,混合类型噪声的SNRimp平均提升了33.93%,同时具有较低的均方根误差(RMSE)和根差百分比(PRD),优化后的去噪模型泛化能力和去噪性能更强。在运动环境下对实测的心电数据进行噪声去除分析,实验结果表明,该方法能够有效的抑制心电信号运动伪影干扰,提升实测心电信号质量。本论文设计了一套可穿戴式心电采集系统,并提出基于VMD的心电去噪算法、融合ECA-Net和Cycle GAN的心电去噪算法,能够解决长时程动态心电监测不方便和采集信号不准确的问题,满足长时程心电监测需求,对于心脏疾病和心脏猝死的早期预防具有重要的研究意义。

面向心脏数据辅助检测技术研究

这是一篇关于深度学习,心电信号,心律失常分类,心脏核磁影像分割,半监督学习的论文, 主要内容为心血管疾病是我国城乡居民主要的疾病死因,而且我国正面临人口老龄化和代谢危险因素持续流行的双重压力,心血管疾病负担将持续加重,这对我国心血管疾病防治策略和医疗资源配置提出了新的需求,迫切需要建立一套辅助医生的心血管疾病诊断系统,以降低居民心血管疾病的死亡率和误诊率。心电图(Electrocardiogram,ECG)和心脏核磁影像(Magnetic Resonance Imaging,MRI)是心血管疾病的早期预防和诊断最常用的手段。本文对这两类心脏数据展开相关研究,主要完成了以下三方面的工作:(1)当前大多数卷积神经网络需要人工调参,且迭代次数较多,整个过程复杂耗时,对设备要求也较高;参与心律失常分类的类型较少,分类准确率尚有提升空间。相比一维原始心电信号,二维图像可以兼顾信号时空特征。同时,与大多数卷积神经网络相比,Efficient Net不需要手动调整参数,准确性和速度得到了提高。鉴于此,本文首先提出了一种将原始心电信号转换为二维图像信号的方法。然后,为了更好地分配特征权重,引入了注意力特征融合(Attention Feature Fusion,AFF)模块代替Efficient Net网络中移动倒置瓶颈卷积(Mobile Inverted Bottleneck Convolution,MBConv)结构的加法运算进行改进。最后,结合二维图像和改进的Efficient Net网络,提出一种心律失常分类方法。对MIT-BIH数据集中的八种不同心律失常类型进行分类实验,结果表明,该方法网络训练需要较少的设备和训练时间,具有良好的分类效果,分类准确律达到99.54%。(2)现有的基于深度学习的医学图像分割一般需要大量标注数据,而专家标注费时。在运动过程中,心脏分割区域形状会发生变化,其左心室、右心室及其心肌部分边缘不规则、灰度值相近,且其内部组织和周围有对比差,导致分割困难。本文用VGG编码器结合U-Net++改进网络的分割效果,提升边界的分割精度。同时,采用了添加掩膜来探索模型的不确定性,以提高目标的质量。对ACDC数据集进行实验,结果表明,相比其他半监督分割方法,所提方法降低了深度学习图像分割方法对标签数据的依赖性,同时提升了分割精度,当有标签图像占训练集总图像50%时,Dice达到0.9092,HD95达到2.1478,ASD达到0.5973。(3)基于本文提出的心律失常分类和心脏核磁影像分割两种方法,设计并实现了一个多任务心脏辅助检测系统,旨在辅助医生进行心血管疾病诊断,减轻医生的负担。测试实验表明,系统界面设计简洁、功能完善、现实可行。

面向智慧医疗的物联网管理平台设计及实现

这是一篇关于物联网平台,智慧医疗,心电信号,联邦学习的论文, 主要内容为近年来,在人口老龄化趋势逐渐显现的同时,年轻人猝死和患癌的新闻也层出不穷。随着亚健康人群比例的逐年增高,我们的医疗资源却远远不能满足人们现有的需求,让每个人都经常去正规医疗机构检测是不现实的,与此同时,我国2019年在国家规划层面也将医疗物联网的发展政策纳入了基于健康中国总体规划的智慧医疗互联网医疗政策体系。故而结合物联网技术的智慧医疗平台的设计不管是对个人还是对国家都是具有重大意义的。论文针对以上背景,首先对平台进行了总体的可行性分析,确定了平台的功能性需求和非功能性需求,并且分别对平台的五个功能性需求和三个非功能性需求进行了具体的分析。为后续工作奠定了良好的基础。其次,论文对面向智慧医疗的物联网平台进行了总体的架构设计,并重点对平台的应用层进行了设计与实现。基于平台的实际需求,针对平台的应用层设计了基于Spring Cloud、Spring Boot、Vue.js等技术的的微服务架构,数据库的连接方式和前后端的通信机制,随后采用前后端分离的开发方式对平台的应用层系统进行了实现。经过系统测试,平台的功能性测试和非功能性测试都已通过,符合预期。最后,论文对心电信号智能分类算法进行了研究与应用。论文采用“Inter-Patient”的方式来分割了 MIT-BIT心率失常数据集,并基于此数据集进行了算法模型研究。同时基于医疗数据受限的现状以及保护用户隐私的需要,提出了一种引入联邦学习范式的Resnet+GRU算法,实验验证该算法可以在保证模型准确率的同时保护用户的隐私。随后又将Resnet+GRU算法模型部署到了平台的下位机上,同时在平台应用层添加了智能预警功能,从而进一步验证了平台的可扩展性和算法的可用性。

基于深度迁移学习的心电辅助诊断系统的设计与实现

这是一篇关于心电信号,深度迁移学习,领域自适应,多核最大均值差异,辅助诊断的论文, 主要内容为近年来,心血管疾病已经成为威胁人类生命安全的主要疾病之一,对心血管疾病的及时检测是迫切且十分必要的。心电信号自动分析技术能够减少医生工作量,提高诊断效率,具有非常重要的研究价值。传统的特征提取分类方法需要依赖各种算法手动选择并提取特征,个体差异导致提取的特征存在不确定性,从而影响分类的准确性。深度学习需要大量的标注数据作为训练集,存在数据依赖现象。针对以上问题,本文结合深度学习和迁移学习,利用数据之间隐含的共同特征,提出了一种新的领域自适应心电信号分类算法,实现对心血管疾病的自动识别和诊断。最后,设计并实现了心电辅助诊断系统,辅助医生诊断心血管疾病。本文主要研究工作总结如下:1)构建基于领域自适应的的心电信号分类网络(BiLSTM-MKMMD-NET)模型。首先,利用双向长短期记忆网络(Bi-Directional Long-Short Term Memory,BiLSTM)自主学习心电信号的时序特征,建立预训练模型,预训练模型的分类准确率达到99.26%。针对心电标注数据不足,模型无法获得足够多的训练数据以及源域和目标域数据分布差异的问题。本文在预训练模型上添加适配层,将已有标注的源域心电数据知识迁移到未标注的目标域心电数据;通过选择多核最大均值差异(Multi-kernel Maximum Mean Discrepancy,MKMMD),使源域和目标域的特征映射到高维空间,最小化源域和目标域之间的分布距离,提升在目标域上的分类效果。最后,在不同领域数据集进行多组迁移对比实验,验证本文提出的域适应模型的有效性。2)心电辅助诊断系统的设计与实现。系统主要由系统管理、数据收发、数据统计管理和智能诊断处理四部分构成。系统使用Qt Designer工具完成界面的设计,结合SQLite构建了系统用户和心电数据库,使用WebService技术访问服务器完成数据的收发操作,使用PyQt技术完成业务逻辑操作,包括心电图的绘制和显示、用户系统交互、生成诊断报告等功能。系统通过集成本文提出的BiLSTM-MKMMD-NET模型,完成对心电数据的智能辅助诊断处理。最后,进行系统测试,证明了系统心电辅助诊断功能的有效性。

基于心音心电的二尖瓣反流预测研究

这是一篇关于心音信号,心电信号,二尖瓣反流,GADF,ResNet的论文, 主要内容为二尖瓣反流是一种常见的心脏瓣膜疾病,其患病率会随着年龄的增长而逐渐增加,且随着病程加长会引起心脏结构和功能的改变,因此,二尖瓣反流的早期诊断和治疗可降低该疾病对心脏造成不可逆损伤的风险。心电图(Electrocardiogram,ECG)和心音图(Phonocardiogram,PCG)常用于记录心脏电活动和机械活动情况,在心脏异常检测中起着重要的作用。当发生二尖瓣反流时,仪器会检测到心脏杂音和心肌细胞动作电位的变化。其中,心音信号作为二尖瓣反流的初步诊断方式,目前在很大程度上仍依赖于医生的主观判断。在计算机技术高速发展的时代,结合深度学习方法联合分析心音和心电信号是辅助医生确诊二尖瓣反流的有效手段。此外,截至目前尚未发现公开数据集中包含同步采集的有关二尖瓣反流疾病的心音和心电信号。因此,本文针对上述挑战展开以下主要研究工作:(1)针对目前公开数据集中尚缺少关于二尖瓣反流的同步心音和心电信号数据集的问题,本文建立了一个名为“二尖瓣反流患者同步心音图和心电图数据库(Synchronized Phonocardiogram and Electrocardiogram with Mitral Regurgitation Database,SPE-MRDB)”,其中包含1046对数据,且所有数据均采集自某三甲医院2021年3月至2021年8月的住院患者。(2)针对所采集数据存在噪声的问题,本文对比使用了小波分解与重构算法和经验模态分解(Empirical Mode Decomposition,EMD)算法,使得心音和心电信号更加平滑,为进一步预测二尖瓣反流打下基础。(3)针对目前临床上仍以医生的主观判断作为二尖瓣反流初步检测的依据,本文设计了两种二尖瓣反流早期预测研究,一种需对心音和心电信号采用分割算法,另一种则无分割算法。其中,在对心音心电分割的算法中,主要研究的是基于Ada Boost的预测模型,分别根据归一化香农能量包络进行分割,并提取时域和频域上的特征。实验结果表明,Ada Boost算法在召回率的指标上优于支持向量机(Support Vector Machine,SVM)和决策树算法。在无分割算法中,首先将降噪后的信号通过拉姆角差场(Gram Angular Difference Field,GADF)转换为图像,再通过卷积神经网络自动提取PCG和ECG的特征并使用Transformer模型进行特征融合,最后使用自定义的残差下采样神经网络(Residual NetDownsample,Res Net-DS)进行预测。研究结果表明,Res Net-DS在SPE-MRDB数据集中得到准确率、精确率、召回率和F1指标分别为96.90%、97.10%、97.10%和97.10%。此外,在Physio Bank2016数据集上得到预测结果准确率、精确率、召回率和F1指标分别为94.34%、91.13%、97.69%和94.30%,进一步证明了Res Net-DS模型有很好的鲁棒性。本文研究了基于心音和心电信号的二尖瓣反流预测算法,包括分割和无分割两种方法。结果表明,这两种算法分别达到了91.30%和97.10%的召回率,证明了本文所提出的算法可以有效地预测潜在患者。这对于早期预测二尖瓣反流、帮助医生诊断、提高医疗水平等方面具有重要的意义。

基于心音心电的二尖瓣反流预测研究

面向远程医疗的“互联网+智能手机”移动监测技术

这是一篇关于心电信号,远程医疗,Android,web服务器,SQLite,MySQL的论文, 主要内容为心脏病是威胁人们健康的循环系统疾病之一,发病时间短且无规律性,因此对其进行及时检查和预防尤为重要。一般是采用心电信号检测对心脏病进行预防,但是常规心电图要么检测的时间有限,要么长时间检测限制了患者行动。针对这些问题,我们提出了将远程医疗运用到心电图检测中,实现实时地、远程地心电监测诊断。本课题设计开发了一种基于互联网+智能手机的心电远程医疗监护系统,实时地对心电信号进行监测。系统分为手机客户端的心电采集系统和PC端的远程监护系统,采用了 C/S+MVC和B/S+MVC模式相结合的方式进行开发,数据库分别采用的是SQLite数据库和MySQL数据库。手机客户端采用Android操作系统作为开发平台,主要包括登录注册模块、蓝牙通信模块、ECG处理显示模块和医患互动模块。采集到的心电信号能通过蓝牙发送到手机,手机对其进行滤波和实时显示波形,心电信号可以保存到本地也可以发送到远程服务器,并可以查看医生对自己的心电信息的诊断报告。PC端采用JavaEE下的JSP+Servlet+JavaBean+JDBC方式实现。用户角色包括医生、患者和管理员,用户通过浏览器访问系统。其中患者拥有查看自己个人信息和心电诊断报告的权限,医生拥有查看个人信息和患者心电信息并做出相应的诊断反馈的权限,管理员拥有管理患者和医生信息的权限。系统设计完成后进行了测试,各部分模块都符合设计要求。系统操作简单,使用方便,而且具有良好的实时性,适合家庭保健使用,对心脏病的早期预防和及时治疗具有十分重要的意义。

本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：毕设向导，原文地址：https://m.bishedaima.com/lunwen/48009.html