(3.238.173.209) 您好!臺灣時間:2021/05/09 15:20
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果

詳目顯示:::

我願授權國圖
: 
twitterline
研究生:林俊榮
研究生(外文):Lin ,Jun Rong
論文名稱:自動心電圖特徵值擷取與病症分類之研究
論文名稱(外文):The study of ECG features extraction and classification
指導教授:胡威志胡威志引用關係
指導教授(外文):Hu,Wei Chi
學位類別:碩士
校院名稱:中原大學
系所名稱:醫學工程學系
學門:工程學門
學類:綜合工程學類
論文種類:學術論文
論文出版年:1995
畢業學年度:83
語文別:中文
論文頁數:114
中文關鍵詞:即時類神經網路特徵值向量
外文關鍵詞:Real timeNeural networkFeatures vector
相關次數:
  • 被引用被引用:14
  • 點閱點閱:533
  • 評分評分:系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔
  • 下載下載:0
  • 收藏至我的研究室書目清單書目收藏:1
為達到即時辨識ECG輔助診斷之目的,利用自組織映射圖(Self
Organizing Map,SOM)類神經網路模式,藉由自動時域心電圖特徵值擷取
方法,製作檢測心電圖的工具。當SOM網路經心電圖訓練範例訓練完成時
,網路輸出層結點形成病狀聚類區之拓撲座標,結合拓撲座標上各聚類中
心與特徵值向量連結之權值,構成最小尤拉(Euler)距離方程式,如此可
以標出不正常之心電圖信號。心電圖是診斷心臟疾病最主要的工具之一,
一般病患的心電圖變異常發生於某幾個單一或連續的脈波波形的改變。所
以對病患作全天候心電圖信號之檢測,如霍特(Holter)ECG記錄器、床邊
監視器(Bedside monitor)、運動(exercise)心電圖等儀器,以便能夠在
病變發生時,產生急救的警訊。檢測之方法,利用自動時域心電圖特徵值
擷取方法,擷取 MIT/BIH資料庫導程II心電圖之特徵值,取得訓練範
例1150組,經特徵值正規化後,再輸入自組織映射圖網路進行訓練。當網
路收斂時,輸出層結點被訓練範例特徵值向量映射成為聚類區,由特徵值
向量與各聚類中心所連結之權值,構成病症分類方程式,再將已正規化之
測試範例923組,輸入已完成訓練之網路進行辨識測試。並利用網路輸出
拓撲座標,進行病症轉移之實驗,獲得各病症轉移之主要特徵值參數。本
研究亦探討影響網路辨識能力之因素,如特徵值正規化、網路鄰近半徑參
數、拓撲座標數目等。本研究針對四種病狀:早期心室收縮(PVC)、融合
性早期心室收縮(FUS PVC)、右束枝傳導阻滯(RBBB)、左束枝傳導阻滯(
LBBB)及正常(NOR)等五種心電圖波形,擷取十二個特徵值,配合網路架
構採用20×20=400個輸出處理單元,鄰近半徑等於20,學習循環八十次
,學習常數等於0.5,供網路學習後進行辨識,結果辨識MIT/BIH資料庫之
訓練範例、測試範例及結合心電圖儀作即時正常心電圖辨識,其正確辨識
率均達百分之九十八以上,而且測試14位正常參與者心電圖可以檢測出
PVC病狀。另外,由病症轉移實驗可化簡構成正常方程式為八個主要特徵
值,如此可以快速經由此正常方程式檢測出不正常之心電圖信號。
For the purpose of real time ECG diagnostic, the paper
discusses the method to recognize ECG pattern. The ECG is one
of the main cardiac diagnosis tools. The abnormal ECG in the
sequential Heart beat is the most difficult to identify, e.g.
the data of Holter ECG recording, bedside monitor, or exercise
ECG recording. When the training of SOM neural network
finished, the output layer would classify pattern. The
weighting values of the features vector and the center node
would be fixed. We combined the weighting values with features
vector using Euler distance equation to pick out the abnormal
ECG signal. Using MIT/BIH arrhythmia database. The total of
1150 training samples has been used as training groups. The
total of 923 samples has been used as to test the method. The
feature of lead II ECG has been automatic extracted. A
normalized data is fed to SOM neural network for pattern
classification. From the classified pattern of SOM, the
weighting value of the center node and features vector are
forming a pattern distance equation(minimum Euler distance
equation). Then, put in all training samples to normal equation
that a interval range of NOR value can be obtained. In this
thesis, five different ECG patterns has been tested which are
normal(NOR), premature ventricular contraction(PVC), fusion
premature ventricular contraction (FUS PVC), right bundle
branch block(RBBB) and left bundle branch block(LBBB). To test
the method, the study extracted 12 features of ECG. The SOM
uses 400 processing elements. The neighborhood radius is 20.
The learning cycle is 80 iterations. The learning rate
coefficient is 0.5. Using ECG pattern in MIT/BIH database, the
system demonstrates more than 98 percent correct
classification. For the purpose of labeling the abnormal ECG,
the equation can be further reduced to only 8 dominant
features. Therefore, the method can be implemented into real
time process to screen the ECG data. The method has been tested
in screen 14 adult subjects to real
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
無相關期刊
 
系統版面圖檔 系統版面圖檔