基于相空间重构的心冲击信号房颤检测方法

针对房颤事件中的节律异常特性，提出应用相空间重构算法提取心冲击(ballistocardiogram， BCG)信号的二维节律特征，并对重构过程中的最优嵌入维数和时间延迟参数进行了讨论.首先，将心脏搏动视为非线性动力学系统，应用相空间重构理论将一维时间序列映射到高维相空间中，从而获取BCG信号中表征房颤过程节律异常的相空间轨迹特征.其次，探讨了重构过程中适于房颤诊断的最优嵌入维数和时间延迟参数，并结合卷积神经网络实现了对房颤的智能诊断.最终，通过对59名受试者提取到的2000组BCG数据进行十折交叉验证，所提方法的分类准确率达到91.00%，与基于经典时频特征的机器学习方法相比较，有较为明显的提高，从而验证了所提方法的优越性.     

基于小波相干分析的阵发性房颤自动检测方法

阵发性房颤是一种最为常见的心律失常,发作时心电图主要表现为RR间期绝对不规则以及P波缺失。已有阵发性房颤的自动检测方法仅依赖于心电信号的时域信息,从而使得检测准确率不高。鉴于小波相干分析可以同时展现信号的时域和频域信息,文中提出了一种基于小波相干分析的阵发性房颤自动检测方法。首先,对所有的心电信号预处理;其次,对模板与待测心电信号分别进行小波相干分析得到其小波相干图;进而,计算小波相干值均值、比率和交叉小波相位角方差构成房颤心电特征;最后,将上述特征结合超限学习机完成阵发性房颤的自动检测。文中通过MIT-BIH房颤数据集验证所提算法的有效性与可行性,数值实验结果达到准确率97. 81%,敏感性98. 54%,特异性98. 61%。     

坐立两便式心冲击信号检测系统设计与实现

设计并实现了一种坐立两便式心冲击(BCG)信号检测系统.该系统采用高精度A/D转换芯片TM7708、程控比例放大和数字滤波技术实现了BCG信号检测.采用小波分析技术对信号进行消噪处理,以提取特征波形,并通过VB软件编程实现心率自动检测.采集30例心冲击信号,与同步采集的单通道心电信号进行对比.结果表明,两种信号的节律一致,心率检测准确率达98.2%,验证了系统的正确性.该系统便携式的设计方便受试者随时对心脏机械活动进行监测,也为后续心脏和呼吸信号提取和分析提供了可靠依据.     

基于时域特征的房颤识别方法

针对便携式心电采集设备采集的手部心电信号质量较差、阵发性房颤识别困难问题,提出一种房颤自动识别方法,利用信息熵和连续小波变换(CWT,continuous wavelet transform)筛选奇异波形,准确识别心电信号中的R波,并利用R波信息提取心电信号的时域特征,利用BP神经网络构建阵发性房颤识别模型.在PCinCC2017和AFDB数据集上的实验表明,本文方法的房颤识别的灵敏度和特异性分别高于96%和98%,对失常10秒左右的短时阵发房颤的识别灵敏度和特异性均高于94%,可以应用于家庭便携式房颤监测.     

基于心冲击信号的心率检测

心冲击信号(ballistocardiogram,BCG)是由心脏搏动和大动脉血液循环引起的人体对外压力的变化,可用于无接触心脏活动检测。该文使用PVDF(polyvinylidene fluoride)压电薄膜,研制心冲击信号-心电信号(electrocardiogram,ECG)联合采集设备,并提出自适应模板匹配算法,基于心冲击信号计算心动周期,实现心率实时检测。采集24名健康成年人信号,对比ECG与BCG在心率检测方面的差异,同时评价算法的有效性。结果表明:BCG和ECG在计算心率方面无显著差异,自适应模板匹配算法查准率达到99.77%,查全率达到99.56%,准确性符合要求。     

一种新的房颤心电融合特征提取方法

心房颤动(简称房颤)是临床上最常见的心律失常之一。阵发性房颤的发作具有突发性、反复性且发作时间短暂等特点,因而临床上往往难以及时捕捉到房颤心电而造成误诊漏诊等现象。它在心电图上的表征主要为:①P波缺失,代之房颤波(f波);②RR间期绝对不规则。针对这两个表现,文中提出了一种新的房颤心电融合特征提取方法。首先对心电信号进行去噪处理,并对去噪后的心电信号进行可调品质因子小波变换;其次,对QRS波群频带的重构信号进行R峰的自动检测,并计算RR间期变异系数与子串长度概率分布熵;然后,绘制P波频带范围内小波系数的T-lag散点图,并提取置信散度距离和与置信散度指数;最后将这两类特征构成房颤心电融合特征,并结合MIT-BIH心房颤动数据库与超限学习机完成房颤的自动检测,以验证所提方法的可行性与有效性。文中所提方法的平均检测结果的准确率、敏感度和特异度分别为96. 36%,94. 64%,98. 15%,表明所提方法能够有效地完成房颤心电的自动识别。     

基于心冲击信号的心率提取算法

为了提高基于心冲击(ballistocardiogram,BCG)信号心率提取的准确率,提出了一种新算法.首先通过趋势项消除和小波变换对原始BCG信号进行预处理操作;然后通过单极性信号的频谱分析得出先验心率,据此确定局部心动周期的分段间隔;最后通过阈值处理、分段处理、提取局部极值点等操作得出心率.实验中采集了30例BCG信号,由此得到心率值;与同步采集的单通道ECG信号得到的心率值进行对比分析,结果表明,二者的相对误差最大不超过1.78%,这进一步验证了该算法的可行性和准确性.     

一种新的房颤心电特征提取方法

心房颤动(简称房颤)是一种常见的心律失常疾病。由于阵发性房颤持续时间短暂、发作难以捕捉且易诱发形成致死性心血管疾病,故阵发性房颤的及时诊断具有非常重要的临床意义。为了提高诊断的准确性和实时性,文中提出一种新的房颤心电特征提取方法。首先采用50Hz陷波滤波器、35Hz低通数字滤波器、0.2Hz巴特沃兹高通滤波器进行数据去噪;其次,提取刻画心电信号散点图差异的度量指标作为房颤心电特征;最后,采用MIT-BIH房颤数据库并结合超限学习机完成阵发性房颤的自动检测,以验证所提方法的可行性与有效性。     

一种基于体震信号的快速ICA胎儿心搏信号提取方法

常规胎儿心搏检测方法为胎儿心电信号检测,针对其需要在母体体表粘附多个电极,对检测环境和受试者的状态要求较高等问题,提出一种应用快速独立分量分析算法提取胎儿心搏信号的方法.该方法利用体震信号无需在体表安装电极的非接触检测优势,通过对母体体震信号主成分的分析,获取胎儿心搏成分分量,更适用于日常家庭无感监测的要求.通过采集45组母体体震信号及同步胎儿心电信号,验证算法的准确率为91.3%.     

运用双向长短期记忆模型的心拍分类算法

为提高心拍的分类效果,研究基于双向长短期记忆(BiLSTM)模型的深度学习算法.首先,采用“双斜率”法对心电信号进行预处理;然后,设计自适应阈值对预处理后的心电信号进行QRS波定位,并依据R波波峰分割截取心拍;最后,采用BiLSTM模型的深度学习算法对获取的心拍形态进行分类.使用MIT-BIH心率失常数据库验证算法有效性,实验结果表明:文中算法对正常或束支传导阻滞(N)、室上性异常(S)、心室异常(V)、融合(F)类型的敏感性分别为98.56%,97.10%,93.33%,79.52%,特异性分别为98.38%,98.08%,98.54%,99.65%;与传统的支持向量机等方法相比,文中算法能够进一步提高心拍分类的正确率.     

面向蓄意攻击的网络异常检测方法

针对复杂网络受蓄意攻击频繁，而现有的检测方法大多忽略全局拓扑突变特征的问题.从网络全局拓扑的异常演化特征出发，提出网络路径相对变化系数(network path change coefficient，NPCC)r，量化节点间传输路径的变化.由斐波那契数列衍生出斐波那契演化域，用于区分正常和异常演化.将r作为核心度量参量，构建斐波那契演化域，形成网络异常检测方法，实现对异常的判定.结果表明，该检测方法的平均准确率为90%以上，高于最大公共子图(maximum common subgraph，MCS)及图编辑距离(graph edit distance，GED)的准确率，证明了所提检测方法的有效性.     

无线三轴振动测试系统的设计

目前我国对于发动机振动参数的故障检测技术仍采用传统的人工经验与技师测试的方法，在检测过程中 存在一定的主观性问题。针对此现象设计了一种基于微机电系统(MEMS: Micro-Electro-Mechanical System)加 速度传感器和蓝牙无线通信的无线三轴振动测试系统，并配备有上位机，可以用于发动机的故障检测与状态诊 断。首先通过安装在发动机外侧的传感器得到振动曲线; 然后通过无线模块发送至相应的上位机中，继而进行 相应振动参数的判断，确定发动机的运行状态。经过振动系统测试和实际现场实验表明，该无线三轴振动测试 系统性能指标满足发动机振动检测要求，能应用于发动机在线故障的监测和故障诊断，同时，设计的无线三轴 振动测试系统具有易安装、测量快速准确等特点。     

公共资源网络中资源滥用行为检测研究仿真

传统网络资源行为检测方法无法准确确定资源行为的符号观测，导致检测效果较差，整体检测严重受 限。为此，提出一种新的基于隐马尔科夫模型的公共资源滥用行为检测方法。构建隐马尔科夫模型，通过数据 分析，确定当前观测符号序列，利用Windows 操作系统信息为蓝本进行行为检测。建立敏感文件信息集，并使 其分布在系统敏感文件夹中。在此基础上确定当前隐马尔科夫模型参数。计算对应序列概率差值，根据当前 公共资源网络信息安全要求，设定实际阈值，确定资源滥用行为。仿真实验结果表明，该监测方法真实有效， 具有较高的推广和应用价值。     

基于运营系统的出租车出行需求短时预测模型

出租车系统作为城市交通运输系统的重要组成部分,其宏观规划和调度管理的合理性决定了出租车服务质量.本文主要研究出租车乘客出行需求估计及预测,为出租车规划和实时调度提供数据支持.首先,分析了出租车定位系统和计费系统,改进了传统出租车需求网格划分方法,考虑了地形、建筑群和道路网络特征,保持了网格自身出行特性的完整性.其次,根据实时收集的出租车数据,建立了易于计算的出行需求估计方法.最后,以实际数据为基础,对影响短时出行量的主要变量进行了相关性分析,提出了基于人工神经网络的短时需求预测模型,根据相关性分析确定了模型结构.以实际获取的出租车数据为例,验证了提出的需求估计和预测模型.结果证明:相比于传统自回归滑动平均模型,提出的人工神经网络模型其平均绝对误差百分比提高了32%.此外,人工神经网络模型的绝对误差百分比超过50%的概率低于10%,而自回归滑动平均模型高达23%.     

基于云模型的体震信号智能诊断方法

研究了使用云模型理论智能诊断体震信号中心率异常信息的方法.利用云模型将定性的专家诊断体系与定量的计算机辅助诊断系统相结合,模拟了专家诊断过程.建立了心率异常智能诊断规则云模型,构造了体震信号JJ间期分布曲线图,以此自动校正模型参数,最终建立智能诊断机制.采用实验室搭建的体震信号实时采集系统提取2 000组样本作为采样对象,并与传统标准阈值法进行对比,验证了所提方法的可行性.实验结果表明:该方法自动聚类的准确率达到90.2%,高于传统方法 2个百分点.     

基于变权重奇异谱分析的心律不齐识别方法

现有心律不齐研究多数围绕心电信号中不同频率特性成分的分离展开，而不同子序列的信息量对于最终目标决策的贡献则缺少研究与分析.为增强高贡献度子序列对于分类器的影响，提出了一种变权重奇异谱分析与深度学习结合的识别方法.通过奇异谱分析获得多个子序列，结合各个子序列的奇异值计算随机森林下的基尼系数，并将其作为权重.变权重的序列样本用于训练神经网络模型，更高效地挖掘了有用信息，进一步提高了识别精度，最终的心律不齐识别准确率为98.35%，Macro-F1为97.95%.相对于传统的定值权重，本文提出的变权重识别方法在各个性能指标上均有明显提升.     

基于单目视觉的车辆3D空间检测方法

针对基于单目车辆检测的3D包围框检测精确率比较低的问题，提出了一种基于改进的FPN特征融合、ResNet残差单元、全连接层组合而成的新网络方法.在训练阶段，回归车辆的三维尺寸、残差角度和置信度;在推理阶段，检测出所属类别车辆的三维尺寸和局部角度(α).由车辆的3D包围框中心点坐标、车辆的三维尺寸、车辆偏航角(θ)和相机内参矩阵复原绘制出车辆的3D包围框.所提方法在KITTI验证集上进行了实验，与原方法的检测结果相比，改进的方法在容易、适中、困难三个检测等级下提升了车辆3D包围框平均精确率(AP_3D)为0.60%，1.37%，1.41%.     

林木虫害大数据的网络科学分析方法

择取国家森防总站2009—2013年辽宁省林木虫害大数据,根据林木虫害时空复杂性,提出一种基于时空影响域的虫害关系网络构造方法.以昆虫生活习性确定时间影响范围,以虫害危害等级确定空间影响范围,并将松毛虫作为研究对象.结果表明,松毛虫虫害关系网络为无标度网络,服从幂律分布;松毛虫传播扩散快;虫害易聚集发生;网络拓扑具有鲁棒性.该建网方法能够反映真实世界,是解读林木虫害大数据的有效方法.期待通过本文对松毛虫虫害关系网络的复杂网络理论分析,能对实际林木虫害防治工作中防治策略的制定及防控力度的估计提供理论指导.     

车载动力电池放电过程健康状态在线估计

针对电动汽车无规则随机充放电特点及在线检测需求，考虑到由于电池一致性问题导致难以保证离线实验数据分析法估计精度的问题，提出一种以离线获取的电池健康状态(SOH)外在指征函数为基础的基于无迹卡尔曼滤波(unscented Kalman filter，UKF)思想的在线闭环校正SOH估算架构.该方法优点在于:能够在随机放电过程中快速估算出高精度的SOH值，算法复杂度相对降低，易于实际工程实现且具有较好的鲁棒性.通过验证可以证明，提出的车载动力电池放电过程SOH估算方法具有较好的实用性及较高的估算精度.