论文部分内容阅读
近年来,心血管疾病已成为全世界的第一大死因。有研究表明,心血管事件病变的主要原因是动脉硬化的持续发展,早期诊断、及时控制和诊疗动脉硬化可以有效的防止和控制心血管疾病的发展。因此,对大规模人群完成初期动脉硬化的筛查具有很重要的现实意义。然而,我国医疗资源紧缺,适合用于检测早期动脉硬化的基于生命信息检测法的动脉硬化检测仪只存在大型公立医院,难以普及大众。因此,提出一种新的用于辅助中小型生命信息监护系统来完成动脉硬化筛查的高效诊断算法已经迫在眉睫。目前已经有大量的基于生理信号进行心血管疾病的自动预测,而且其中的许多基于深度学习的自动研究算法都在相应的预测任务上达到了不错的效果。但是,还没有类似研究将深度学习方法应用于外周动脉硬化的自动分类识别任务。因此,本文提出了基于卷积神经网络(Convolution Neural Network,CNN)的两种模型进行外周动脉硬化分类识别任务。具体研究内容如下:(1)分析判断可以用来完成动脉硬化自动分类识别的多生理信号,搭建多生理信号采集系统,采集系统的硬件组成部分主要包括主控板模块、心电模块、四个脉搏模块以及四个血压模块;采集系统的软件组成部分主要功能包括用户管理、采集与存储以及结果显示。(2)采用搭建好的多生理信号采集系统进行进行临床数据的采集,并由专家完成数据的标定,再经过数据预处理构建外周动脉硬化判别数据库。(3)提出一种基于一维CNN的多生理信号的动脉硬化分类识别模型,由于现有对一维多生理信号预测的成熟框架较少,需根据多生理信号的特性设计出具有良好性能的模型。在该一维CNN的模型中,本文还引入了多任务卷积神经网络分类,将影响分类准确率的因素一同作为预测任务进行预测,并通过实验验证了该方法可以有效提升网络的性能。(4)提出一种基于二维CNN的多生理信号的动脉硬化分类识别模型。该模型是基于VGG16模型进行轻量化改进而成的,输入部分为原始样本经过短时傅里叶变换后的频谱矩阵,并通过设计与VGG16模型的对比实验,验证了该模型可以在保证网络预测性能的同时,大大减少网络的可训练参数和计算资源占用。