-
题名基于改进深度残差网络的心电信号分类算法
被引量：4
- 1
-
-
作者
李鸿强
吴非凡
曹路
张振
张美玲
-
机构
天津工业大学电子与信息工程学院
天津市胸科医院
天津工业大学计算机科学与技术学院
天津工业大学纺织科学与工程学院
-
出处
《天津工业大学学报》
CAS
北大核心
2022年第5期65-72,共8页
-
基金
国家自然科学基金资助项目(61675154)
天津市重点研发计划科技支撑重点资助项目(19YFZCSY00180)
+1 种基金
天津市自然科学基金资助面上项目(18JCYBJC29100)
天津市科技军民融合重大专项资助项目(18ZXJMTG00260)。
-
文摘
针对不同类型心电(electrocardiogram,ECG)信号分类的不足,提出了一种基于改进深度残差网络(Resnet)的分类方法。首先对心电数据做可视化处理,使用格拉姆角场(Gramian angular fields,GAF)将一维的ECG信号转换为二维图像,然后对Resnet-50网络模型进行改进,在网络中添加多级shortcut支路,并优化了残差块;为了进一步提高模型的表达能力,将Relu激活函数替换为SELU激活函数;最后将图像输入到改进的残差网络中进行分类,并在医院对患者的心电信号进行了实际测试。实验结果表明:该算法对7类心电信号的平均识别率达到了98.3%,相对于原始的残差网络,准确率提升了2.9%;算法诊断结果与医生诊断结果一致,从而验证了算法的有效性和实用性。
-
关键词
心电(ecg)信号分类
残差网络(Resnet)
格拉姆角场(GAF)
激活函数
-
Keywords
electrocardiogram(ecg)signal classification
residual network(Resnet)
Gramian angular fields(GAF)
activa-tion function
-
分类号
TN911.7
[电子电信—通信与信息系统]
-
-
题名驾驶疲劳恢复时间的心电信号分析
被引量：9
- 2
-
-
作者
王玉化
戚春华
朱守林
解松芳
赵婷
-
机构
内蒙古农业大学能源与交通工程学院
-
出处
《中国安全科学学报》
CAS
CSCD
北大核心
2017年第8期7-12,共6页
-
基金
国家自然科学基金资助(51168036)
内蒙古自治区2015年博士研究生科研创新项目(B20151012915)
-
文摘
适当的休息能有效缓解驾驶疲劳,提高行车安全。为探究科学的驾驶休息时间,开展试验,用MP150多通道生理信号采集仪,采集20名驾驶人4 h模拟驾驶作业后休息时的心电(ECG)信号,分析ECG信号的变化规律。结果表明:在驾驶疲劳恢复期,ECG指标心率(HR)、间期标准差(SDNN)、低高频比值(LF/HF)、样本熵(SampEn)与恢复时间高度线性相关,且性别差异对疲劳恢复期ECG指标有显著影响;驾驶人的心理疲劳恢复时间早于生理疲劳恢复时间;驾驶人主观恢复时间相对于客观疲劳恢复时间有提前现象;建议连续驾驶4 h后男性驾驶人休息时间不少于24 min,女性驾驶人休息时间不少于27 min。
-
关键词
驾驶疲劳
恢复时间
心电(ecg)信号
疲劳类型
心率(HR)
-
Keywords
driving fatigue
recovery time
electrocardiogram（ecg） signal
types of fatigue
heart rate（HR）
-
分类号
X912
[环境科学与工程—安全科学]
-
-
题名基于心电的铁路列车驾驶压力检测研究
被引量：7
- 3
-
-
作者
刘坤
焦钰博
张晓明
陈晓宇
蒋朝哲
-
机构
西南交通大学交通运输与物流学院
-
出处
《中国安全科学学报》
CAS
CSCD
北大核心
2022年第6期31-37,共7页
-
基金
国家自然科学基金资助(71871188)
国家社会科学基金资助(15GBL143)。
-
文摘
为实时检测列车司机压力水平,基于高铁驾驶行为与安全仿真平台,获取16名被试不同驾驶速度下的主观压力量表和心电(ECG)信号。首先,通过分析主观压力量表,探究不同速度下司机的压力水平;其次,统计分析不同压力水平下的心率变异性(HRV)特征;最后,比较最邻近算法(KNN),支持向量机(SVM),随机森林(RF)3种机器学习算法在压力检测方面的表现,并分析不同输入特征对分类器性能的影响。研究表明:随着速度的增加,司机的压力增大。连续R波之间的时间差间隔大于50 ms的数量(NN50),连续R波之间的时间差间隔大于50 ms的数量占比(PNN50),低频段功率值与高频段功率值之比(LF/HF),心脏交感神经指数(CSI)在不同的压力条件下具有显著性差异。在高速条件下,PNN50、HF、LF/HF减小,NN50增加,其中LF/HF值显著降低。此外,特征选择和特征标准化均有助于提高模型的表现;相比KNN和RF,径向基为核函数(RBF)的SVM分类器模型在检测驾驶压力方面的效果最好,准确度为71.2%。
-
关键词
心电(ecg)信号
驾驶压力
列车司机
驾驶速度
机器学习
-
Keywords
electrocardiogram(ecg)signal
drivers'stress
train driver
driving speed
machine learning
-
分类号
X912
[环境科学与工程—安全科学]
-
