Abstract ：

一种基于深度学习的心率变异性特征分析方法涉及计算机领域，能够有效提取心率变异性中包含的信息。本发明包括以下步骤：通过传感器获取心电图数据，并传输至上位机；应用插值和滤波对ECG信号进行预处理；采用滑动窗口对接收到的ECG数据进行截取，并进行实时更新和傅里叶变换以获取频谱特征图；利用深度卷积神经网络解析频谱图并提取有用信息，包括基于Resnet18的残差学习方法的频域特征提取、以及基于注意力机制的时频域特征融合、使用多层感知机对特征信息进行分类并输出。

Cite：

Copy from the list or Export to your reference management。

Abstract ：

目的 初步探讨健康成人睡眠期枕区一过性正相尖波(POSTS)脑磁图与脑电图的对应关系,并总结脑磁图POSTS波形和分布特点.方法 同步采集2020年12月至2021年8月首都医科大学附属北京天坛医院招募的5例健康受试者睡眠期脑磁图与脑电图数据,分析脑磁图POSTS波形特点及其与脑电图POSTS的对应关系,采用单一等效电流偶极子方法对脑磁图POSTS进行溯源分析.结果 共5例受试者共记录到睡眠期脑电图POSTS波形564个,剔除与心电图重合的POSTS波形后,同步出现的脑磁图对应枕区POSTS波形359个,脑磁图POSTS检出率为73.42％(359/489).脑磁图POSTS波形变异性较大,POSTS偶极子主要分布于双侧枕叶中线区,包括距状沟、舌回、楔叶等,部分分布于距中线较远的枕颞内侧回、枕颞外侧回、枕皮质外侧等,少数分布于顶枕沟和楔前叶.结论 脑磁图POSTS具有不同于脑电图POSTS的特点,临床判读时应注意识别,以更好地辨别生理性与病理性波形,为术前评估提供准确参考.

Keyword ：

脑磁图描记术 成年人 睡眠期枕区一过性正相尖波(非MeSH词) 脑电描记术

Cite：

Copy from the list or Export to your reference management。

Abstract ：

近年来,基于ECG/PPG信号的血压测量方法已经在某些可穿戴设备上实现.但此类方法的检测精度尚未达到相关国际标准.本研究利用深度神经网络模型,对基于ECG/PPG信号的血压测量方法进行了深入研究,提高了该类方法的检测精度.首先,采用基于小波包的模态分解技术,从PPG信号中提取出心脏信号和呼吸信号,并将其与ECG信号同步.然后,采用卷积神经网络(convolutional neural network,CNN)基于上述信号建立血压检测模型.通过选用从MIMIC-Ⅲ数据集中筛选出的5776条数据作为实验数据,结果显示,当使用ECG/呼吸/心脏信号测量血压时,CNN模型的收缩压检测精度为(4.6852±6.0730)mm-Hg,舒张压的检测精度为(2.5340±3.9860)mmHg,均达到美国医疗器械促进协会(AAMI)标准和英国高血压协会(BHS)标准的最高级.当使用呼吸/心脏信号测量血压时,CNN模型的舒张压检测精度达到AAMI标准和BHS标准的最高级,收缩压检测精度未达到AAMI标准.结果表明,模态分解技术与ECG信号结合后,可以有效提高对血压的检测精度.

Keyword ：

光电容积脉搏波描记法 心电图 信号处理 小波包变换 卷积神经网络模型 血压

Cite：

Copy from the list or Export to your reference management。

Abstract ：

本发明公开了一种基于NLF‑CNN导联融合深度网络的多导联心电信号分类方法，具体采用运用NLF‑CNN非局部性导联融合的深度卷积神经网络，首先通过深层CNN在单一导联下提取心电信号的深度特征，然后通过浅层CNN将得到的多个导联特征进行交叉组合，设计不同的卷积核的大小组合不同导联的特征，同时，引入Non‑local非局部注意力机制，弥补卷积核感受野受限问题；本发明在心电图检测场景中的多导联心电信号分类方面提供了完整的解决方案，针对在不同心电图导联之间表现不同的关系，构建NLF‑CNN网络实现导联信息的提取和融合，同时在导联融合之前引入Non‑local自注意力机制，关注不同导联特征的差别和联系，大大提高了多导联心电信号检测和分类的准确率。

Cite：

Copy from the list or Export to your reference management。

Abstract ：

本发明公开了一种基于NLF‑CNN导联融合深度网络的多导联心电信号分类方法，具体采用运用NLF‑CNN非局部性导联融合的深度卷积神经网络，首先通过深层CNN在单一导联下提取心电信号的深度特征，然后通过浅层CNN将得到的多个导联特征进行交叉组合，设计不同的卷积核的大小组合不同导联的特征，同时，引入Non‑local非局部注意力机制，弥补卷积核感受野受限问题；本发明在心电图检测场景中的多导联心电信号分类方面提供了完整的解决方案，针对在不同心电图导联之间表现不同的关系，构建NLF‑CNN网络实现导联信息的提取和融合，同时在导联融合之前引入Non‑local自注意力机制，关注不同导联特征的差别和联系，大大提高了多导联心电信号检测和分类的准确率。

Cite：

Copy from the list or Export to your reference management。

Abstract ：

为了适用于长期心电监护和ICU等实时性、数据密集型应用场合,提出可在8 Hz采样频率的1 min心电图(ECG)片段上提前45 min预测阵发性房颤(PAF)发作的实时预测模型.采用概率符号化模式识别方法,在降采样后的ECG序列上提取出1 min窗口内的模式转移特征,降低模型的计算量和对存储空间的需求,确保实时预测的效果.提出卷积神经网络(CNN)和长短-期记忆网络(LSTM)的混合模型(CNN-LSTM),用于提取模式转移特征内隐含的局部空间特征和时间依赖特征.为了提升模型泛化能力,构建基于CNN-LSTM的集成分类器.采用Spark Streaming技术完成对ECG流式数据的读、写和计算...

Keyword ：

Spark Streaming 卷积神经网络(CNN) 心电图(ECG) 概率符号化模式识别 长短-期记忆网络(LSTM) 阵发性房颤 预测

Cite：

Copy from the list or Export to your reference management。

Abstract ：

目的:针对目前心电监护系统在穿戴式、实时性和数据分析上存在的不足之处,设计一种基于穿戴式智慧衣的心电远程实时监护系统.方法:该系统包括穿戴式智慧衣、Android智能手机App和私有云服务器3个部分.通过穿戴式智慧衣实时采集老年人心电信号.Android智能手机App通过无线蓝牙技术接收心电数据,实时传输心电数据到私有云服务器.私有云服务器接收智能手机传输的心电数据,采用基于机器学习的心电分类算法对心电数据进行房颤检测.云端服务器的云端心电图实时监护平台实时显示心电图和心电分析结果,辅助社区监护人员监护老年人心电.结果:心电分类算法的房颤检测效果较好,该系统的心电数据采集和数据远程传输可靠,监护功能运行正常.结论:该系统可以在社区中对老年人进行心电远程实时监护和房颤检测.

Keyword ：

Android智能手机 穿戴式智慧衣 私有云 心电分类 心电监护

Cite：

Copy from the list or Export to your reference management。

Abstract ：

目的:探讨PPARα的激动剂非诺贝特对心肌缺血再灌注损伤大鼠心肌保护作用及对NF-κB通路的影响.方法:健康雄性SD大鼠45只,随机分为3组:假手术组、缺血再灌注模型组、非诺贝特组.采用左冠状动脉前降支结扎30 min,再灌注2h方法,建立大鼠心肌缺血再灌注损伤模型.非诺贝特组于手术前以80 mg· kg-1·d-1灌胃(ig)给药2周,最后1次于术前1h给药,假手术组及模型组每天予以等量的生理盐水.观察心电图变化、心功能指标,计算心肌梗死百分比,蛋白免疫印迹法检测心肌组织PPARα,NF-κBp65蛋白核转移及IκBα蛋白磷酸化水平.结果:与假手术组比较,模型组心肌组织PPARα蛋白表达明显下降、NF-κB蛋白核内转移及IκBα蛋白磷酸化水平上调,同时心电图ST段明显抬高、心脏室壁运动减弱、射血分数下降、心肌梗死面积百分比增加;与模型组比较,非诺贝特组明显逆转上述指标、提高心功能、保护缺血损伤心肌.结论:非诺贝特对大鼠心肌缺血再灌注损伤有一定的保护作用,其机制可能是通过激活PPARα进而调节NF-κB信号通路有关.

Keyword ：

心肌缺血再灌注损伤 过氧化物酶体增殖物激活受体α 非诺贝特 核因子-κB

Cite：

Copy from the list or Export to your reference management。

Abstract ：

为了适用于长期心电监护和ICU等实时性、数据密集型应用场合,提出可在8 Hz采样频率的1 min心电图(ECG)片段上提前45 min预测阵发性房颤(PAF)发作的实时预测模型.采用概率符号化模式识别方法,在降采样后的ECG序列上提取出1 min窗口内的模式转移特征,降低模型的计算量和对存储空间的需求,确保实时预测的效果.提出卷积神经网络(CNN)和长短-期记忆网络(LSTM)的混合模型(CNN-LSTM),用于提取模式转移特征内隐含的局部空间特征和时间依赖特征.为了提升模型泛化能力,构建基于CNN-LSTM的集成分类器.采用Spark Streaming技术完成对ECG流式数据的读、写和计算,实现数据和模型之间的低延迟通信.所提模型在公开数据集上的准确率、灵敏度和特异度分别为91.26％、82.21％、95.79％.模型处理总延迟平均为2 s,满足实时PAF预测需求.

Keyword ：

长短-期记忆网络 心电图(ECG) 概率符号化模式识别 阵发性房颤 预测 卷积神经网络(CNN)

Cite：

Copy from the list or Export to your reference management。

Abstract ：

本发明公开了一种用Apriori算法识别短期单导联心电图心房颤动的方法，具体采用了一种基于Apriori算法的数据挖掘算法，用来从短期单导联心电图中识别房颤。本发明提出的算法基于Bin等人提出的37个特征，利用数据挖掘的思想，进行与房颤强关联的重要特征的筛选，用关联规则识别房颤，不仅提高了识别精度，而且为临床医师的房颤检测提供了客观的参考。在来自2017 PhysioNet/CinC Challenge数据集上采用10交叉进行了实验，数据库中共包含8528组心电数据，在识别房颤类别的F1平均分数约为0.94，而Bin等人的算法中，房颤类别的F1平均分数约为0.78，可以证明本文算法的有效性。

Cite：

Copy from the list or Export to your reference management。