机器学习在人体血压预测和心律异常分类的应用研究
发布时间：2022-05-08 17:27
血压和心电信号是临床检测中标志人体健康状况的两项重要指标。腕式血压测量和心电图观察是其常规的诊断方法,诊断过程依赖专业的医护人员,测量时间的可控性差,容易加剧医疗资源的紧张。为此,本文采用机器学习方法进行血压预测和心律异常分类,提出基于支持向量机的血压预测模型和基于自适应提升算法的心律异常分类模型,主要研究内容如下。首先,本文深入分析心电和脉搏波两项生理信号以及特征处理方法。心电和脉搏波信号作为人体重要的生理信号,均具有周期性和典型的波形特征;不同特征选择和提取方法从不同角度分析人体生理数据。其次,本文提出基于支持向量机回归算法的血压预测模型。根据数据的采样频率设计数据合理的拓展方式,并结合无监督和有监督两种特征选择方法分析各生理特征之间及与血压之间的相关性,进行特征选择和组合,采用非线性核函数的支持向量机学习各生理特征与血压之间的映射关系,实现准确地血压预测。再次,本文提出基于自适应提升算法的心律异常分类模型。按照医疗器械进步协会标准和非交叉方式,定义心律异常数据集。对心电信号进行滤波器处理和心电节拍分割后,从时域和变换域两个不同角度提取五种心电信号特征,采用分类树作为基分类器的自适...
【文章页数】：67 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第1章 绪论
1.1 研究背景
1.2 国内外研究现状
1.3 主要研究内容
1.4 论文组织结构
第2章 基础理论与方法
2.1 人体数据相关理论
2.1.1 心电信号分析
2.1.2 脉搏波信号分析
2.2 特征提取和选择方法
2.2.1 血压数据特征选择
2.2.2 心电信号特征提取
2.3 本章小结
第3章 基于SVR算法的血压预测方法
3.1 血压预测数据集分析
3.1.1 血压数据集的收集
3.1.2 血压数据集的处理
3.1.3 血压数据集的分析
3.2 人体生理特征的选择和组合
3.2.1 生理特征间的相关性分析
3.2.2 生理特征与血压间的依赖度分析
3.2.3 人体生理特征组合
3.3 基于机器学习的血压预测方法
3.3.1 血压预测方法分析
3.3.2 线性回归模型
3.3.3 神经网络模型
3.3.4 支持向量机回归模型
3.4 本章小结
第4章 基于Adaboost算法的心律异常分类方法
4.1 心律异常数据集分析
4.1.1 MIT-BIH心律异常数据库
4.1.2 心律异常类型的划分
4.2 心电信号的预处理
4.2.1 心电信号去噪
4.2.2 心电信号分割
4.3 心电节拍的特征提取
4.3.1 心电节拍的时域特征
4.3.2 心电节拍的变换域特征
4.4 Adaboost心律异常分类
4.4.1 心律异常分类方法分析
4.4.2 Adaboost集成学习算法
4.5 本章小结
第5章 实验与结果分析
5.1 血压预测实验结果分析
5.1.1 血压预测的实验环境
5.1.2 血压预测评价指标
5.1.3 血压预测的实验结果
5.2 心律异常分类实验结果分析
5.2.1 心律异常的实验环境
5.2.2 心律异常分类评价指标
5.2.3 心律异常的实验结果
5.3 本章小结
结论
参考文献
攻读硕士学位期间承担的科研任务与主要成果
致谢
【参考文献】：
期刊论文
[1]浅析人工智能的应用与发展[J]. 徐楷明. 通讯世界. 2019(01)
[2]浅谈人工智能在医疗行业中的应用[J]. 方莺霏. 通讯世界. 2019(01)
[3]血压测量方式的研究进展[J]. 李雪玉,郭子宏. 中国老年保健医学. 2018(04)
[4]社区常见心律失常的分类及其处理原则[J]. 黄波,周菁. 中国全科医学. 2018(09)
[5]《中国心血管病报告2017》要点解读[J]. 马丽媛,吴亚哲,王文,陈伟伟. 中国心血管杂志. 2018(01)
[6]Recent progress in mass spectrometry proteomics for biomedical research[J]. Xu Li,Wenqi Wang,Junjie Chen. Science China（Life Sciences）. 2017(10)
[7]十二导联心电图与动态心电图在不同心拍诊断一致性分析[J]. 陈继生. 心电图杂志(电子版). 2017(03)
[8]基于光电容积脉搏波的血压测量实验研究[J]. 吴育东,钟舜聪,伏喜斌. 机电工程. 2017(08)
[9]基于卷积神经网络的心电特征提取[J]. 颜昊霖,安勇,王宏飞,牟荣增. 计算机工程与设计. 2017(04)
[10]基于DCT的心电信号分类算法[J]. 卢潭城,吕愿愿,邓永莉,刘明亮,陆起涌. 北京生物医学工程. 2016(03)
硕士论文
[1]基于最大互信息的医学图像配准方法研究[D]. 徐磊.西安电子科技大学 2011
本文编号：3652072
【文章页数】：67 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第1章 绪论
1.1 研究背景
1.2 国内外研究现状
1.3 主要研究内容
1.4 论文组织结构
第2章 基础理论与方法
2.1 人体数据相关理论
2.1.1 心电信号分析
2.1.2 脉搏波信号分析
2.2 特征提取和选择方法
2.2.1 血压数据特征选择
2.2.2 心电信号特征提取
2.3 本章小结
第3章 基于SVR算法的血压预测方法
3.1 血压预测数据集分析
3.1.1 血压数据集的收集
3.1.2 血压数据集的处理
3.1.3 血压数据集的分析
3.2 人体生理特征的选择和组合
3.2.1 生理特征间的相关性分析
3.2.2 生理特征与血压间的依赖度分析
3.2.3 人体生理特征组合
3.3 基于机器学习的血压预测方法
3.3.1 血压预测方法分析
3.3.2 线性回归模型
3.3.3 神经网络模型
3.3.4 支持向量机回归模型
3.4 本章小结
第4章 基于Adaboost算法的心律异常分类方法
4.1 心律异常数据集分析
4.1.1 MIT-BIH心律异常数据库
4.1.2 心律异常类型的划分
4.2 心电信号的预处理
4.2.1 心电信号去噪
4.2.2 心电信号分割
4.3 心电节拍的特征提取
4.3.1 心电节拍的时域特征
4.3.2 心电节拍的变换域特征
4.4 Adaboost心律异常分类
4.4.1 心律异常分类方法分析
4.4.2 Adaboost集成学习算法
4.5 本章小结
第5章 实验与结果分析
5.1 血压预测实验结果分析
5.1.1 血压预测的实验环境
5.1.2 血压预测评价指标
5.1.3 血压预测的实验结果
5.2 心律异常分类实验结果分析
5.2.1 心律异常的实验环境
5.2.2 心律异常分类评价指标
5.2.3 心律异常的实验结果
5.3 本章小结
结论
参考文献
攻读硕士学位期间承担的科研任务与主要成果
致谢
【参考文献】：
期刊论文
[1]浅析人工智能的应用与发展[J]. 徐楷明. 通讯世界. 2019(01)
[2]浅谈人工智能在医疗行业中的应用[J]. 方莺霏. 通讯世界. 2019(01)
[3]血压测量方式的研究进展[J]. 李雪玉,郭子宏. 中国老年保健医学. 2018(04)
[4]社区常见心律失常的分类及其处理原则[J]. 黄波,周菁. 中国全科医学. 2018(09)
[5]《中国心血管病报告2017》要点解读[J]. 马丽媛,吴亚哲,王文,陈伟伟. 中国心血管杂志. 2018(01)
[6]Recent progress in mass spectrometry proteomics for biomedical research[J]. Xu Li,Wenqi Wang,Junjie Chen. Science China（Life Sciences）. 2017(10)
[7]十二导联心电图与动态心电图在不同心拍诊断一致性分析[J]. 陈继生. 心电图杂志(电子版). 2017(03)
[8]基于光电容积脉搏波的血压测量实验研究[J]. 吴育东,钟舜聪,伏喜斌. 机电工程. 2017(08)
[9]基于卷积神经网络的心电特征提取[J]. 颜昊霖,安勇,王宏飞,牟荣增. 计算机工程与设计. 2017(04)
[10]基于DCT的心电信号分类算法[J]. 卢潭城,吕愿愿,邓永莉,刘明亮,陆起涌. 北京生物医学工程. 2016(03)
硕士论文
[1]基于最大互信息的医学图像配准方法研究[D]. 徐磊.西安电子科技大学 2011
本文编号：3652072
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3652072.html
