基于形态特征提取的急性下壁心肌梗死BiLSTM网络辅助诊断算法

急性下壁心肌梗死是一种病发急、进展快、致死率高的心脏疾病，该文提出一种新颖的基于形态特征提取的BiLSTM神经网络分类的急性下壁心肌梗死辅助诊断算法，可大幅度提高医生对急性下壁心肌梗死疾病的诊断效率并有助于及时确诊。算法包括:对胸痛中心数据库心拍信号进行降噪及心拍分割；根据临床心内科医学诊断指南提取了12导联波形距离特征和分导联波形幅值特征；依据提取的特征搭建LSTM与BiLSTM神经网络进行心拍的分类识别；使用PTB公开数据库和胸痛中心数据库多临床中心进行交叉验证。实验结果表明，加入胸痛中心真实临床数据后，基于形态特征提取BiLSTM神经网络的急性下壁心肌梗死辅助诊断算法准确率达到99.72%，精度达到99.53%，灵敏度达到100.00%，同时F1-Score达到99.76。该算法比其他现有算法准确率提高至少1%，该项研究具有非常重要的临床应用价值。     

基于滤波重构和卷积神经网络的心电信号分类

计算机自动分类心电信号能够减轻医生工作压力并大幅提高诊断速度和准确率。文中针对传统算法中特征提取过程复杂及抗干扰能力弱的问题,提出了一种结合滤波重构和卷积神经网络的心电信号分类算法。该算法首先通过传统信号滤波和心拍序列重构去除原始心电信号中的噪声干扰,然后构建卷积神经网络来自动学习心电信号特征并完成分类。在PhysioNet/CinC Challenge 2017数据集上的分类实验结果表明,该方法的平均F₁(查准率、召回率的调和平均)达到了0.8471,优于人工特征提取和常规卷积网络方法,且具有很强的抗干扰能力。     

宫颈细胞的生物学特征-卷积神经网络联合分类方法

为了改善在宫颈细胞的分类工作中,出现的将异常的病变细胞与正常细胞判断混淆的误诊问题,提出了一种细胞生物学特征-卷积神经网络联合分类方法.首先,使用ResNet分类网络提取出特征向量,然后再将其与手动提取的DNA指数、细胞核/浆比特征一起输入到全连接层,并使用基于MSE损失值的逻辑回归分类,对宫颈细胞进行分类识别.使用5折交叉验证法在Heer数据集上的实验结果表明,这种将卷积神经网络与细胞生物学特征相结合的联合分类方法相较于ResNet卷积神经网络,分类结果的整体准确率提高4％,达到了95％;同时优化MSE损失函数的方法在准确率达到瓶颈的情况下,能够将严重错分率由2.10％降为0.248％,且保持了细胞的整体识别准确率.提出的方法进行计算机辅助检测,能够提升宫颈细胞分类工作准确率、降低误诊率.     

基于一维卷积神经网络的心电信号质量分类

研究一种基于单导联心电信号质量二分类方法.为了改善传统方法在进行心电信号质量分类下需要手动提取特征的复杂性以及选取规则包含主观性的缺点,基于Tensorflow框架设计了一个一维卷积神经网络,利用MIT-BIH和NSTDB数据库构建训练数据集,通过不断调整网络模型自动学习分类特征,使用2个公开测试集与1个私有测试集验证...     

基于混合时频域特征的卷积神经网络心律失常分类方法的研究

心律失常是常见的心血管疾病之一，目前很多方法通过计算机辅助系统对心电图进行分析以识别心律失常，但由于大多数心律失常数据样本较少，计算机辅助系统识别心律失常效果不佳.本文提出了一种基于混合时频域分析特征提取的卷积神经网络方法，该方法提取心电图的RR间期时域特征、希尔伯特-黄变换提取的频域特征和连续小波变换提取的时频域联合特征，经过特征融合后输入卷积神经网络训练分类模型，并采用Focal Loss作为网路的损失函数，实现对心律失常的分类.本文使用MIT-BIH(Massachusetts Institute of Technology-Boston’s Beth Israel Hospital)心律失常数据库验证本文提出方法对4类心电数据分类的结果，实验结果表明，与现有的分类算法相比，本文所提出的混合时频域特征方法能有效提升心律失常分类的准确性.     

B细胞免疫的卷积神经网络级联故障诊断

针对故障诊断中特征提取不充分和复杂性,对未知故障无法学习,诊断模型自适应能力差的问题,提出一种B细胞免疫卷积神经网络的级联故障诊断模型。在检测阶段用并行的卷积神经网络对时间窗内振动信号的时域波形和频域波形分别进行特征提取,通过分类器对故障进行识别,对诊断结果进行可靠性评估;然后根据评估结果决定后续免疫过程;在遇见未知故障类型时,把卷积神经网络提取到的特征映射为抗原,通过B细胞算法对抗原进行学习,把生成的新检测器放入未知故障知识库中,完成未知故障的学习和识别。文中采用美国凯斯西储大学公布的轴承数据集,实验结果表明,提出的B细胞免疫卷积神经网络对已知故障识别准确率高于基于特征提取的相关技术,其检测准确率提高了4.86%左右,而且能够很好地学习和识别未知故障,自适应动态变化的环境。     

基于集成学习的室性早博识别方法

本文提出了一种集成学习方法以提升室性早搏的识别性能.MIT-BIH两个通道的数据分别经过卷积神经网络进行室性早搏心拍分类,然后按照融合规则对分类结果进行融合决策,其准确率、灵敏度和特异性分别为99.91%、98.76%、99.97%,优于已有算法的室性早搏心拍分类结果.此外,面向临床应用,本文还利用卷积神经网络和诊断规则相结合的方法实现了病人间室性早搏识别实验,在有14万多条记录的数据集上,取得的准确率、灵敏度及特异性分别为97.87%、87.94%、98.02%,验证了该算法的有效性.     

基于小波PCA与BP神经网络的人脸识别算法

特征提取和分类器设计是人脸识别算法中的两个关键问题。提出一种基于二次小波变换、PCA算法与BP神经网络的人脸识别算法。该算法采用二次小波变换与PCA相结合的算法提取人脸图像的主要特征,并运用加入动量项的改进BP神经网络算法进行人脸图像分类识别。在MATLAB环境下,利用ORL人脸图像数据库进行了仿真实验,实验结果表明,该算法实现简单、识别速度快、识别率较高。     

基于Attention-BiLSTM的情感分类模型

本文利用BiLSTM的方法提取与特定目标文本的上下文信息相关的全局特征,同时融入注意力机制有选择性的聚焦相关程度较高的重点词语。既解决了复杂的维度信息爆炸和原始循环神经网络存在的特征梯度的消失或梯度弥散的问题,也有效的避免了一般的传统模型对重点词在上下文的语义和语法上提取信息的缺失。本文进行了对比分析实验,实验的结果表明,本文所提出的基于Attention-BiLSTM的情感分类模型准确率达到了91.8%,分类效果明显优于SVM模型,有效地提高了文本情感分类的可靠性和准确率。     

基于红外的TPA和IAOA BiLSTM电路芯片故障诊断

为了提高电路芯片故障诊断准确率,超参数设置的效率以及特征提取效率,提出一种基于时间模式注意力机制(TPA)的改进算数优化算法(IAOA)优化双向长短期记忆网络(BiLSTM)的电路故障诊断方法。首先,利用IAOA搜寻BiLSTM的最优超参数组合,提高模型诊断精度;然后使用TPA提取重要特征并分配权重,改善模型特征提取能力;最后,将红外摄像仪采集的红外温度数据输入到最优诊断模型中,实现电路芯片故障诊断。实验采用0～30 V可调稳压电源电路进行验证。结果表明,该模型对电路芯片故障诊断准确率高达9827,可实现对电路芯片的高准确率故障诊断。