期刊导航
期刊开放获取
cqvip
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式:
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于短时心电信号的疲劳驾驶检测算法
被引量:
22
1
作者
徐礼胜
张闻勖
+1 位作者
庞宇轩
吴
承
暘
《东北大学学报(自然科学版)》
EI
CAS
CSCD
北大核心
2019年第7期937-941,共5页
心率变异性分析是最常用的一种基于心电信号的疲劳驾驶检测方法.然而,该方法需要被检测信号时间足够长,且准确率较低.因此提出一种基于短时心电信号的疲劳驾驶检测算法.首先,按照30 s的时长截取短时心电信号序列,利用差分阈值法确定R波...
心率变异性分析是最常用的一种基于心电信号的疲劳驾驶检测方法.然而,该方法需要被检测信号时间足够长,且准确率较低.因此提出一种基于短时心电信号的疲劳驾驶检测算法.首先,按照30 s的时长截取短时心电信号序列,利用差分阈值法确定R波位置,根据R-R间期差值大小剔除不合格的噪声样本;然后,计算R-R间期序列的时域/频域特征并与利用ImageNet数据集预训练的深度卷积神经网络模型提取的特征相结合;最后,设计了一种随机森林分类器并基于这些特征进行分类.结果表明,该算法在疲劳驾驶检测上具有良好的分类效果,平均准确率达到91%.因此,相较于心率变异性分析方法,本算法检测所需心电信号更短,且在准确率上具备显著优势.
展开更多
关键词
心电信号
疲劳驾驶
随机森林
迁移学习
神经网络
下载PDF
职称材料
基于极限学习机的左束支传导阻滞辅助诊断研究
被引量:
2
2
作者
王之琼
吴
承
暘
+2 位作者
信俊昌
赵越
李响
《中国生物医学工程学报》
CAS
CSCD
北大核心
2017年第3期293-299,共7页
左束支传导阻滞(LBBB)作为临床常见的一种心律失常,是左心室收缩功能减低、患者死亡率增加的标志;利用机器学习算法对其进行辅助诊断,将对LBBB早发现、早治疗起到积极的推动作用。然而,由于目前常用的支持向量机(SVM)等传统的机器学习...
左束支传导阻滞(LBBB)作为临床常见的一种心律失常,是左心室收缩功能减低、患者死亡率增加的标志;利用机器学习算法对其进行辅助诊断,将对LBBB早发现、早治疗起到积极的推动作用。然而,由于目前常用的支持向量机(SVM)等传统的机器学习算法容易产生局部最优解,准确度有待提高,因此提出一种基于极限学习机(ELM)的LBBB辅助诊断算法。首先,利用小波进行心电信号预处理,包括基线漂移、肌电噪声及工频干扰的去除;接着,确定QRS波群与T波位置;然后,根据临床上LBBB患者比正常人的QRS波群持续时间延长等特点,建立融合时域、形态与能量3类特征的特征模型;最后,利用该模型提取的特征集合,提出基于ELM的LBBB辅助诊断算法。此外,在MIT_BIH数据库中的5 000份ECG数据上进行实验验证,结果表明所提出的预处理与波形提取算法能有效去除噪声并提取QRS-T特征波;在LBBB的判别上,相比SVM算法、ELM算法的训练时间缩短了88.5%;同时,在准确率、灵敏度、特异度、LBBB检出率和正常人检出率的指标上,分别提升2.4%、5.4%、1.2%、3.6%和2%。因此,基于ELM的LBBB辅助诊断算法具有明显优势。
展开更多
关键词
极限学习机
左束支传导阻滞
机器学习算法
心电信号处理
特征提取
下载PDF
职称材料
题名
基于短时心电信号的疲劳驾驶检测算法
被引量:
22
1
作者
徐礼胜
张闻勖
庞宇轩
吴
承
暘
机构
东北大学中荷生物医学与信息工程学院
沈阳东软智能医疗科技研究院有限公司
东北大学计算机科学与工程学院
出处
《东北大学学报(自然科学版)》
EI
CAS
CSCD
北大核心
2019年第7期937-941,共5页
基金
国家自然科学基金资助项目(61773110,61374015)
沈阳东软智能医疗科技研究院有限公司开放课题基金资助项目(NRIHTOP1801)
中央高校基本科研业务费专项资金资助项目(N161904002)
文摘
心率变异性分析是最常用的一种基于心电信号的疲劳驾驶检测方法.然而,该方法需要被检测信号时间足够长,且准确率较低.因此提出一种基于短时心电信号的疲劳驾驶检测算法.首先,按照30 s的时长截取短时心电信号序列,利用差分阈值法确定R波位置,根据R-R间期差值大小剔除不合格的噪声样本;然后,计算R-R间期序列的时域/频域特征并与利用ImageNet数据集预训练的深度卷积神经网络模型提取的特征相结合;最后,设计了一种随机森林分类器并基于这些特征进行分类.结果表明,该算法在疲劳驾驶检测上具有良好的分类效果,平均准确率达到91%.因此,相较于心率变异性分析方法,本算法检测所需心电信号更短,且在准确率上具备显著优势.
关键词
心电信号
疲劳驾驶
随机森林
迁移学习
神经网络
Keywords
ECG signal
driver drowsiness
random forest
transfer learning
neural network
分类号
N945.14 [自然科学总论—系统科学]
下载PDF
职称材料
题名
基于极限学习机的左束支传导阻滞辅助诊断研究
被引量:
2
2
作者
王之琼
吴
承
暘
信俊昌
赵越
李响
机构
东北大学中荷生物医学与信息工程学院
东北大学计算机科学与工程学院
大连医科大学附属第二医院
出处
《中国生物医学工程学报》
CAS
CSCD
北大核心
2017年第3期293-299,共7页
基金
国家自然科学基金青年项目(61402089)
辽宁省自然科学基金面上项目(2015020553)
中国博士后科学基金项目(2016M591447)
文摘
左束支传导阻滞(LBBB)作为临床常见的一种心律失常,是左心室收缩功能减低、患者死亡率增加的标志;利用机器学习算法对其进行辅助诊断,将对LBBB早发现、早治疗起到积极的推动作用。然而,由于目前常用的支持向量机(SVM)等传统的机器学习算法容易产生局部最优解,准确度有待提高,因此提出一种基于极限学习机(ELM)的LBBB辅助诊断算法。首先,利用小波进行心电信号预处理,包括基线漂移、肌电噪声及工频干扰的去除;接着,确定QRS波群与T波位置;然后,根据临床上LBBB患者比正常人的QRS波群持续时间延长等特点,建立融合时域、形态与能量3类特征的特征模型;最后,利用该模型提取的特征集合,提出基于ELM的LBBB辅助诊断算法。此外,在MIT_BIH数据库中的5 000份ECG数据上进行实验验证,结果表明所提出的预处理与波形提取算法能有效去除噪声并提取QRS-T特征波;在LBBB的判别上,相比SVM算法、ELM算法的训练时间缩短了88.5%;同时,在准确率、灵敏度、特异度、LBBB检出率和正常人检出率的指标上,分别提升2.4%、5.4%、1.2%、3.6%和2%。因此,基于ELM的LBBB辅助诊断算法具有明显优势。
关键词
极限学习机
左束支传导阻滞
机器学习算法
心电信号处理
特征提取
Keywords
extreme learning machine
left bundle branch block
machine learning
procession of ECG
feature extraction
分类号
R318 [医药卫生—生物医学工程]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于短时心电信号的疲劳驾驶检测算法
徐礼胜
张闻勖
庞宇轩
吴
承
暘
《东北大学学报(自然科学版)》
EI
CAS
CSCD
北大核心
2019
22
下载PDF
职称材料
2
基于极限学习机的左束支传导阻滞辅助诊断研究
王之琼
吴
承
暘
信俊昌
赵越
李响
《中国生物医学工程学报》
CAS
CSCD
北大核心
2017
2
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部