基于心电动力学图和回声状态网络的心肌缺血早期检测研究

摘要

心电图是临床上心肌缺血早期检测最常用的方法，因为心电图检测价格低廉、操作简单、对人体没有创伤。但是基于心电图的心肌缺血早期检测准确率相比于其它一些有创伤性的方法还是较低，为此，许多学者也对心电图进行了研究，但这些学者大都只是把心电图当成是一种静态模式进行研究。确定学习理论可以实现动态环境下知识的学习、表达、存储以及再利用，是智能控制领域的一项新理论。基于确定学习理论的心肌缺血早期检测将心电图看成是一种动态模式，提取出心电信号中ST-T段的动力学特征，根据心电动力学特征在三维坐标空间的投影（心电动力学图）形状对心肌缺血的存在与否做出诊断，取得了令人满意的诊断效果。

根据心电动力学图的形状进行分类，只是一种定性分析方法。为了更科学、高效地对心电动力学特征进行分类，本文采用多泛函回声状态网络集成模型作为分类器。回声状态网络是一种特殊的循环神经网络，它用储备池替代了隐含层，训练时只需要训练储备池到输出层的连接权值，因而训练过程十分简单。泛函回声状态网络是一种特殊的回声状态网络，保留了回声状态网络训练速度快的优势，还解决了回声状态网络无法直接对时间序列进行分类的问题。对于同一个待分类任务，本文用多个泛函回声状态网络生成一种集成分类器，降低单一泛函回声状态网络进行分类时随机值参数带来的影响。实验结果表明，多泛函回声状态网络集成分类器对心电动力学特征具有优秀的分类能力，是一种高性能的分类器。

侠女为了更广泛地将本文提出的算法投入到实际医疗环境中进行实验，本文最后开发了一套基于WPF的心肌缺血早期检测系统，通过C#和C++混合编程，借助Armadillo线性代数库解决算法中涉及的大量矩阵运算问题。系统的主要功能包括数据采集、数据预处理和诊断分析。该系统的实现，也为算法的进一步检验打下了坚实的基础。

关键词：心肌缺血；确定学习理论；心电动力学图；回声状态网络；WPF；Armadillo

Abstract

Electrocardiogram(ECG) is the most commonly used method for early detection of myocardial ischemia, because ECG detection is inexpensive, easy to operate, and has no trauma to the body. However, the diagnostic accuracy of myocardial ischemia based on ECG is much lower than that of other traumatic methods. Therefore, many scholars have spent much time on ECG researching, but most of these studies only consider ECG as a kind of static mode. Deterministic learning theory is a new theory in the field of intelligent control, which can realize knowledge-learning, knowledge-expression, knowledge-storage and knowledge-reuse in an unknown dynamic environment. The early detection of myocardial ischemia via deterministic learning theory regards ECG as a dynamic model, extracting the dynamic characteristics of ST-T segment, and projecting it into three-dimensio

nal space(Cardiodynamicsgram, CDG), according to the shape of CDG, satisfactory accuracy can be obtained.

Classification of CDG based on its shape is only a qualitative analysis. In order to classify CDG more scientifically and effectively, this paper uses an ensemble model composed of multiple functional echo state networks as classifier. The echo state network is a special kind of recurrent neural network, it replaces the hidden layer with the “reservoir”. It only needs to train the connection weight between the “reservoir” and the output layer, which makes the training process very simple. The functional echo state network is a special kind of echo state network, which retains the advantage of fast training, and also solves the problem that the echo state network cannot directly classify the time series. For the same task to be classified, this paper uses a certain number of functional echo state networks to generate an ensemble classifier, which can reduce the impact of random parameters brought by single functional echo state network. The experimental results show that the ensemble classifier performs well in CDG classification.

In order to popularize the algorithm proposed in this paper into the actual medical environment, a WPF-based myocardial ischemia detection system is developed,

through C# and C++ mixed programming, the Armadillo linear algebra library can be used to solve matrix operation problems in the proposed algorithm. The main functions of the system include data acquisition, data preprocessing and diagnostic analysis. The implementation of the system laid a solid foundation for further testing of the algorithm.

Key words: Myocardial ischemia; Deterministic learning theory; CDG; Echo state network; WPF; Armadillo

摘要................................................................................................................................ I Abstract ......................................................................................................................... II 第一章绪论 (1)

1.1 研究背景 (1)

1.2 国内外研究现状 (2)

1.2.1 心肌缺血研究现状 (2)

1.2.2 时间序列分类研究现状 (4)

1.3 本文架构 (5)

pxe第二章预备知识 (7)

2.1 心电相关知识 (7)

2.1.1 心电图 (7)

2.1.2 心电向量图 (9)

2.2 确定学习理论 (10)

2.2.1 RBF神经网络 (11)

2.2.2 持续激励条件 (12)

2.2.3 确定学习理论 (14)

2.2.4 离散系统中的确定学习理论 (15)

2.2.5 心电动力学图 (16)

2.3 回声状态网络 (17)

2.3.1 网络拓扑结构 (17)

2.3.2 主要参数 (18)

2.3.3 训练方法 (19)

2.4 本章小结 (21)

第三章多泛函回声状态网络集成分类器 (22)

3.1 泛函回声状态网络 (22)

3.1.1 泛函回声状态网络的网络拓扑结构 (22)

3.1.2 正交基函数 (23)

3.1.3 泛函回声状态网络的训练和分类 (25)

3.2 多泛函回声状态网络集成分类器 (27)

3.2.1 投票法多分类器集成原理 (27)

3.2.2 泛函回声状态网络的多分类器集成 (28)

改进工作作风密切联系众3.3 本章小结 (29)

第四章基于CDG和多泛函回声状态网络集成分类器的心肌缺血早期检测 (30)

4.1 基于CDG和多泛函回声状态网络集成分类器的心肌缺血检测流程 (30)

4.2 实验数据集介绍 (31)

4.2.1 数据来源 (31)

4.2.2 训练数据集与测试数据集 (33)

4.3 评价标准 (33)flash小品

4.3.1 混淆矩阵 (33)

4.3.2 受试者工作特性曲线 (34)

4.4 多泛函回声状态网络集成分类器各参数对诊断准确率的影响 (35)

4.4.1 储备池规模对诊断准确率的影响 (35)

4.4.2 傅里叶正交基函数集大小对诊断准确率的影响 (37)

4.4.3 FESN个数对诊断准确率的影响 (40)

4.4.4 实验结果分析 (41)

4.5 对比实验 (43)

平湖18楼4.5.1 多泛函回声状态网络集成分类器与单个泛函回声状态网络的

CDG分类效果对比 (43)

4.5.2 多泛函回声状态网络集成分类器与其他CDG分类方法的对比 . 44

4.6 本章小结 (45)

第五章心肌缺血早期检测系统实现 (46)

5.1开发工具 (46)

5.1.1 微软桌面编程开发工具发展历程 (46)

5.1.2 Armadillo线性代数库 (49)

5.1.3心肌缺血早期检测系统开发工具选择 (49)

5.2 基于WPF的心肌缺血早期检测系统实现 (50)

5.2.1 系统需求分析 (50)

5.2.2 数据采集子模块的实现 (51)

5.2.3 数据分析子模块的实现 (52)

5.3 系统功能展示 (52)

5.3.1 数据采集功能 (52)

氯铂酸

5.3.2 数据分析功能 (53)

5.4 本章小结 (54)

结论与展望 (56)

参考文献 (58)

攻读硕士学位期间取得的研究成果 (63)

致谢 (64)

本文发布于:2024-09-22 18:16:27，感谢您对本站的认可！

本文链接：https://www.17tex.com/xueshu/33337.html

上一篇：多普勒超声伪像的识别及其意义

下一篇：不同影像检查在乳腺结构扭曲中的研究进展(全文)

标签：网络回声状态分类器诊断集成分类检测

留言与评论（共有 0 条评论）