检索历史 清除

摘要由于我国人口老龄化和城市建设化进程不断加快，公民受环境和生活方式的影响也在加深，导致患心血管病的人数持续增加。临床上用于心功能检测的医疗仪器和方法不能实现非接触和无创采集的要求，虽然这些方法产生了不错的效果，但在检查过程中会对身体产生些许伤害。因此开发一种无创便捷式的家庭心脏监护系统显得尤为重要。<br>　　心冲击信号(Ballistocardiogram，BCG)是心脏收缩和舒张时对血管冲击引起的身体微小震动，反映出心血管系统的状态。对BCG信号的分类进行研究，能够有效预防心血管疾病，同时有利于合理分配社会医疗资源。目前针对BCG信号的分类问题有一个共同的方法，特征提取和对提取的特征进行训练分类。结果表明，BCG信号分类性能的好坏很大程度上取决于特征的表征能力，而卷积神经网络(Convolutional Neural Network，CNN)的出现可以有效解决上述问题。为此，本文提出了一种基于1-DCNN网络模型为分类框架的BCG信号分类方法。论文的主要研究内容如下：<br>　　(1)分析并提取BCG信号切片谱特征。采用双谱非参数化直接估计方法，对比分析不同状态BCG信号的差异性。为减少双谱计算量，同时契合本文1-DCNN的网络输入，切片谱完整地保留信号幅度、频率和相位等信息，提出基于切片谱方法提取BCG信号的幅值和相位特征，生成128xl的一维向量。<br>　　(2)设计基于一段BCG信号的1-DCNN1多分类算法。针对传统机器学习算法分类效果依赖于人工特征提取的质量问题，采用1-DCNN1模型研究不同输入数据长度时BCG信号的分类效果。结果显示输入4000数据长度比2000数据长度在特异性、灵敏度和准确率方面分别提升了3.53%，4.57%和1.38%。说明随BCG信号数据长度的增加，其包含的信息也就越丰富，从而获得更优的分类结果。<br>　　(3)设计基于切片谱特征的1-DCNN2多分类算法。针对一段BCG信号的1-DCNN1算法因数据量大、处理结果慢的问题，采用切片谱特征提取后128的数据长度代替原本4000的数据长度，节约时间成本。结果显示1-DCNN2在准确率、灵敏度和特异性方面分别提升了1.03%、0.8%和0.24%，说明切片谱特征能够有效增强BCG信号特征。