期刊导航
期刊开放获取
上海教育软件发展有限公..
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
1
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
儿童室性期前收缩计算机卷积神经网络模型的建立和评价
被引量:
1
1
作者
刘莉
黄玉娟
+4 位作者
王健怡
罗佳佳
冯飞
徐萌
黄敏
《临床儿科杂志》
CAS
CSCD
北大核心
2019年第2期102-106,共5页
目的运用计算机深度学习的方法,初步建立3个儿童室性期前收缩的卷积神经网络模型,比较并评价其对儿童室性期前收缩的诊断价值。方法采集1 200例儿童室性期前收缩的体表心电图作为室性早博组,并以同期性别、年龄匹配的1 200例正常儿童心...
目的运用计算机深度学习的方法,初步建立3个儿童室性期前收缩的卷积神经网络模型,比较并评价其对儿童室性期前收缩的诊断价值。方法采集1 200例儿童室性期前收缩的体表心电图作为室性早博组,并以同期性别、年龄匹配的1 200例正常儿童心电图作为正常对照组,男女比例3:2,平均年龄均为(6.5±0.5)岁。剔除个别不适于模型训练的心电图,在两组中随机抽取800例样本,运用计算机深度学习的方法,训练建立3种自动诊断儿童室性期前收缩的计算机卷积神经网络模型。另外在室性期前收缩组及对照组剩余的样本中各抽取200例,以心电图专家小组的诊断作为"金标准",利用统计学方法,评价模型的可靠性和真实性。结果利用心电图波形图像建立二维卷积神经网络模型和V3模型,利用心电图时间序列数据建立一维卷积神经网络模型。其中二维卷积神经网络模型的灵敏度65%、特异度71.5%、漏诊率35%、误诊率28.5%、阳性预测值69.5%、阴性预测值67.1%、准确率68.2%、Kappa值0.365;V3模型的灵敏度82%、特异度85%、漏诊率18%、误诊率15%、阳性预测值84. 5%、阴性预测值82. 5%、准确率83. 5%、Kappa值0. 670;一维卷积神经网络模型的灵敏度87.5%、特异度89.5%、漏诊率12.5%、误诊率10.5%、阳性预测值89.3%、阴性预测值87. 7%、准确率88. 5%、Kappa值0. 770。结论运用计算机深度学习方法建立的V3模型与一维卷积神经网络模型性能良好,其中一维卷积神经网络模型真实性和可靠性最佳,与专家小组的诊断高度一致。
展开更多
关键词
室性期前收缩
深度学习
卷积神经网络模型
儿童
在线阅读
下载PDF
职称材料
题名
儿童室性期前收缩计算机卷积神经网络模型的建立和评价
被引量:
1
1
作者
刘莉
黄玉娟
王健怡
罗佳佳
冯飞
徐萌
黄敏
机构
上海
交通大学
附属
上海市
儿童医院急诊科
上海
交通大学
附属
上海市
儿童医院心内科
上海市交通大学密西根学院
出处
《临床儿科杂志》
CAS
CSCD
北大核心
2019年第2期102-106,共5页
文摘
目的运用计算机深度学习的方法,初步建立3个儿童室性期前收缩的卷积神经网络模型,比较并评价其对儿童室性期前收缩的诊断价值。方法采集1 200例儿童室性期前收缩的体表心电图作为室性早博组,并以同期性别、年龄匹配的1 200例正常儿童心电图作为正常对照组,男女比例3:2,平均年龄均为(6.5±0.5)岁。剔除个别不适于模型训练的心电图,在两组中随机抽取800例样本,运用计算机深度学习的方法,训练建立3种自动诊断儿童室性期前收缩的计算机卷积神经网络模型。另外在室性期前收缩组及对照组剩余的样本中各抽取200例,以心电图专家小组的诊断作为"金标准",利用统计学方法,评价模型的可靠性和真实性。结果利用心电图波形图像建立二维卷积神经网络模型和V3模型,利用心电图时间序列数据建立一维卷积神经网络模型。其中二维卷积神经网络模型的灵敏度65%、特异度71.5%、漏诊率35%、误诊率28.5%、阳性预测值69.5%、阴性预测值67.1%、准确率68.2%、Kappa值0.365;V3模型的灵敏度82%、特异度85%、漏诊率18%、误诊率15%、阳性预测值84. 5%、阴性预测值82. 5%、准确率83. 5%、Kappa值0. 670;一维卷积神经网络模型的灵敏度87.5%、特异度89.5%、漏诊率12.5%、误诊率10.5%、阳性预测值89.3%、阴性预测值87. 7%、准确率88. 5%、Kappa值0. 770。结论运用计算机深度学习方法建立的V3模型与一维卷积神经网络模型性能良好,其中一维卷积神经网络模型真实性和可靠性最佳,与专家小组的诊断高度一致。
关键词
室性期前收缩
深度学习
卷积神经网络模型
儿童
Keywords
premature ventricular contractions
deep learning
convolutional neural network models
child
分类号
R725.4 [医药卫生—儿科]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
儿童室性期前收缩计算机卷积神经网络模型的建立和评价
刘莉
黄玉娟
王健怡
罗佳佳
冯飞
徐萌
黄敏
《临床儿科杂志》
CAS
CSCD
北大核心
2019
1
在线阅读
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