本文提出了一种基于加权Schatten p范数最小化(Weighted Schatten p-Norm Minimization,WSNM)的磁共振图像重构算法,该方法利用磁共振图像的非局部自相似性,并结合Schatten p范数和不同秩元素重要性的加权因子,实现磁共振图像重构过程...本文提出了一种基于加权Schatten p范数最小化(Weighted Schatten p-Norm Minimization,WSNM)的磁共振图像重构算法,该方法利用磁共振图像的非局部自相似性,并结合Schatten p范数和不同秩元素重要性的加权因子,实现磁共振图像重构过程的低秩约束.此外,采用交替方向乘子算法(Alternating Direction Method of Multipliers,ADMM)来求解基于WSNM磁共振图像重构的非凸最小化问题.实验结果表明,相比于最近的磁共振重构算法,基于WSNM的磁共振图像重构方法具有更好的重建效果,可获得更高的峰值信噪比(Peak Signal to Noise Ratio,PSNR)和更好的结构相似性(Structural Similarity,SSIM).展开更多
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...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.展开更多
文摘本文提出了一种基于加权Schatten p范数最小化(Weighted Schatten p-Norm Minimization,WSNM)的磁共振图像重构算法,该方法利用磁共振图像的非局部自相似性,并结合Schatten p范数和不同秩元素重要性的加权因子,实现磁共振图像重构过程的低秩约束.此外,采用交替方向乘子算法(Alternating Direction Method of Multipliers,ADMM)来求解基于WSNM磁共振图像重构的非凸最小化问题.实验结果表明,相比于最近的磁共振重构算法,基于WSNM的磁共振图像重构方法具有更好的重建效果,可获得更高的峰值信噪比(Peak Signal to Noise Ratio,PSNR)和更好的结构相似性(Structural Similarity,SSIM).
文摘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.
