基于短时心电信号的疲劳驾驶检测算法

心率变异性分析是最常用的一种基于心电信号的疲劳驾驶检测方法.然而,该方法需要被检测信号时间足够长,且准确率较低.因此提出一种基于短时心电信号的疲劳驾驶检测算法.首先,按照30s的时长截取短时心电信号序列,利用差分阈值法确定R波位置,根据R-R间期差值大小剔除不合格的噪声样本;然后,计算R-R间期序列的时域/频域特征并与利用ImageNet数据集预训练的深度卷积神经网络模型提取的特征相结合;最后,设计了一种随机森林分类器并基于这些特征进行分类.结果表明,该算法在疲劳驾驶检测上具有良好的分类效果,平均准确率达到91%.因此,相较于心率变异性分析方法,本算法检测所需心电信号更短,且在准确率上具备显著优势.     

采样频率与数据长度对中心动脉波形重建的影响

传递函数法重建CAP(central aortic pressure)多是基于自回归各态历经(auto regressive eXogenous, ARX)模型或傅里叶变换,未考虑采样频率、数据长度.为了研究采样频率和数据长度对重建CAP的影响,基于ARX模型和傅里叶变换,重建CAP并分析误差.结果表明,采样频率100Hz,数据长度大于3s时,基于ARX模型重建CAP效果较好(均方根误差(306.6±80.0)Pa,波形匹配度89%);基于傅里叶变换的算法对采样频率不敏感,数据长度为6s时效果较好(均方根误差(493.3±320.0)Pa,波形匹配度84%).     

基于Lognormal函数的脉搏波分解可行性研究

探讨利用Lognormal(对数正态)函数构建血流流量波进行脉搏波分解的可行性.研究对象为23名健康在校大学生,利用无创主动脉脉搏分析仪(AtCor Medical SphygmoCor)获取无创主动脉脉搏波形.分别利用Lognormal函数和三角波函数构建血流波形,采用阻抗分析技术将主动脉压力波形分解为前向波和反向波并计算反射幅度(RM_log,RM_tri)、反射指数(RI_log,RI_tri),然后对参数进行Bland-Altman法分析和回归分析.两种方法计算的RM,RI一致性良好,其回归方程分别为:RM_log=1.009RM_tri-0.007,RI_log=1.008RI_tri-0.004;RM_log和RM_tri显著相关(r=0.999; P<0.001),RI_log和RI_tri显著相关(r=0.999; P<0.001),且从波形上分析,基于Lognormal函数的脉搏波分解较三角波更好.因此,基于Lognormal函数对主动脉压力波形分解是可行的,而且效果优于三角波函数分解的结果.     

基于传递函数和指端脉搏波的桡动脉脉搏波重建

桡动脉脉搏波的检测方法易受人体运动影响,因此提出了传递函数法通过指端脉搏波来估计桡动脉脉搏波.首先,通过分析窗宽和模型阶次建立指端脉搏波到桡动脉脉搏波的传递函数FIR模型;然后,使用测试数据评估模型对桡动脉脉搏波估计的精度.通过对10个受试者10d的样本数据进行分析处理,发现估计的桡动脉脉搏波与实测的桡动脉脉搏波最佳波形匹配度均在70%至92%范围内.结果表明使用传递函数法可以实现对桡动脉脉搏波的初步估计,该方法的提出为桡动脉脉搏波的检测提供了一种更简便的手段.     

基于重建图像全角度前投影的硬化校正方法

现有的硬化效应校正方法依赖于射线频谱等先验条件,校正过程较为复杂,因此提出一种基于重建图像全角度前投影的硬化校正方法.对重建后的图像进行区域分割,提取出杯状伪影主要影响的组织区域;然后进行基于像素点的全角度前投影,获得校正基算子;再将校正基算子及其高次方乘积进行线性组合获得校正算子,并将此校正算子应用于原图像从而达到校正的目的.水模、头模和西瓜的校正结果显示,本方法对单物质及近人体的物质重建图像的硬化效应均有较好的校正效果.     

基于全卷积网络的左心室射血分数自动检测

提出了一种基于全卷积网络(fully convolutional networks, FCN)的左心室射血分数自动估测的方法.利用全卷积网络对心脏磁共振图像中的左心室进行内轮廓分割,计算心脏左心室在一个心动周期中各时间点的容积,提取左心室舒张末期与收缩末期的容积,最后推导出左心室的射血分数.使用700组图片对全卷积网络进行训练以及440组图片进行测试,并将最后计算结果与美国国立卫生研究院和儿童国家医疗中心提供的射血分数(ejection fraction, EF)金标准进行了对比,计算准确率为89.8%,结果处在合理的误差范围内.     

基于体动射频信号的睡眠分期

为了减轻传统接触式睡眠生理监测系统对人体造成的负担,设计了一种基于微波技术的非接触式睡眠生理信号采集与分析系统,提出一种基于体动射频信号的睡眠分期识别算法.通过小波变换对射频运动传感器(RFMS)采集的体动信号进行预处理,再计算出体动信号的能量值,最后通过判别式处理和阈值法实现了睡眠分期:醒觉期、浅睡期、中睡期、深睡期.实验采集分析了8个实验者为期46天的睡眠生理信号,同时同步采集视频信息、TANITA水床睡眠信息、接触式呼吸脉搏信号.与视频结果比较发现醒觉期正确率达到90%;与TANITA水床睡眠结果相比,本系统的结果与其吻合程度达到70%;与不同睡眠状态下呼吸率、心率的变化相比,本系统的结果吻合度达到80%.     

脉率变异性估计心率变异性的可行性分析

研究了心率变异性(heart rate variability,HRV)是否可以由脉率变异性(pulse rate variability,PRV)替代,以及HRV与PRV之间的定量关系.同步采集了健康青少年、老年人与心血管病人组各25人的脉搏和心电数据,并通过定量对比分析了HRV与PRV在时域、频域和非线性三个方面的特征参数.结果表明,HRV与PRV二者不是完全一致的,其中健康青少年组的全部参数(SDNN,RMSSD,PNN50,HF,LF,SD_1,SD_2,α_1,α_2,SE,CD和AE;Ratio0.2)均具有一致性,故二者在一定程度上可以互相替代分析;而老年人组和心血管病人组只有部分参数(老年:SDNN,SD_1,SD_2,α_1,α_2,CD,SE和AE;病人:SDNN,SD_2,α_1,α_2,CD和AE;Ratio0.2)具有一致性,其余参数(老年:PNN50,RMSSD,LF和HF;病人:PNN50,RMSSD,LF,HF,SD_1和SE;Ratio≥0.2)都不具有充分的一致性,故二者不可以互相替代分析.     

基于全卷积网络迁移学习的左心室内膜分割

为了避免过拟合现象，提出了基于全卷积网络迁移学习的左心室内膜分割方法.该方法在已用自然图像训练好的VGGNet模型的基础上对参数进行微调;其次，利用了心室内膜位于MRI图像中心处的先验信息作为选取准则来优化分割结果.将该方法对2009 MICCAI数据集的45个病例进行测试，其DICE指数、APD距离和GC率分别为0.91，1.73mm和97.81%.测试结果表明该方法对于心脏MRI图像的左心室内膜的分割结果较好，当引入一定的先验信息后可以优化测试结果.     

基于深度嵌入聚类的ICU患者生理数据缺失插补

电子病历数据经常存在缺失,严重影响分析结果.基于MIMIC数据库中的重症监护单元(intensive care unit,ICU)患者数据研究缺失值插补,数据集由23组临床常用生理变量以及不存在缺失的5260例样本构成.提出了一种基于深度嵌入聚类的K近邻插值方法.该方法以深度嵌入聚类为核心,通过多次聚类构造样本邻近度矩阵,再选择缺失样本的K个近邻样本,以这些近邻样本的平均值填补缺失.与均值插补、中值插补、后验分布估算插补和条件均值插补相比,该方法插补后的结果与原数据相似度更高,且更好地保留了样本间的差异性.