心電圖是當(dāng)前心臟疾病診斷的主要手段之一,然而心電圖無(wú)法提供直觀的心臟圖像,心臟電功能成像技術(shù)就是解決這一弊端的有效方式。心臟電功能成像問(wèn)題研究可以根據(jù)心臟模型的幾何結(jié)構(gòu)信息和體表電位分布實(shí)現(xiàn)對(duì)心臟電活動(dòng)信息的實(shí)時(shí)成像,其本質(zhì)是一個(gè)基于橫跨膜電位的心電逆問(wèn)題,即根據(jù)身體表面電位（BSP）無(wú)創(chuàng)地重建心臟跨膜電位（TMP）,從而更好地反映出心臟電活動(dòng)信息的細(xì)節(jié)。心電逆問(wèn)題可視為一種多輸入多輸出的非線性回歸問(wèn)題（即根據(jù)多個(gè)體表電位分布輸入通過(guò)回歸模型重構(gòu)多個(gè)心臟跨膜電位分布輸出）,而基于數(shù)據(jù)驅(qū)動(dòng)的機(jī)器學(xué)習(xí)算法是解決非線性回歸問(wèn)題的一種有效手段。深度學(xué)習(xí)作為一類(lèi)強(qiáng)大的機(jī)器學(xué)習(xí)算法是當(dāng)前人工智能領(lǐng)域研究的前沿和熱門(mén)方向,使用深度學(xué)習(xí)解決非線性回歸任務(wù)可以實(shí)現(xiàn)更準(zhǔn)確的預(yù)測(cè)精度和更良好的泛化能力。本文通過(guò)卷積神經(jīng)網(wǎng)絡(luò)（CNN）構(gòu)建深度學(xué)習(xí)模型,使用Caffe框架對(duì)模型進(jìn)行GPU并行訓(xùn)練。本文使用CNN構(gòu)建深度學(xué)習(xí)模型。CNN具有強(qiáng)大的特征學(xué)習(xí)和表達(dá)能力,可以對(duì)心臟跨膜電位實(shí)現(xiàn)良好的逼近。實(shí)驗(yàn)結(jié)果表明,與極限學(xué)習(xí)機(jī)（ELM）和核極限學(xué)習(xí)機(jī)（ELM-kernel）方法相比,CNN方法具有更高的預(yù)測(cè)精度和泛... 

【文章來(lái)源】：浙江理工大學(xué)浙江省

【文章頁(yè)數(shù)】：56 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景和意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
    1.3 本文研究?jī)?nèi)容及論文結(jié)構(gòu)
第二章 逆問(wèn)題研究的基礎(chǔ)理論和方法
    2.1 心電逆問(wèn)題研究總體框架
    2.2 建立心電逆問(wèn)題模型
    2.3 心電仿真數(shù)據(jù)
        2.3.1 基于肯特束綜合征的心電仿真數(shù)據(jù)
        2.3.2 基于正常心臟的心電仿真數(shù)據(jù)
        2.3.3 模型評(píng)價(jià)準(zhǔn)則
    2.4 HDF5文件簡(jiǎn)介
    2.5 本章小結(jié)
第三章 基于卷積神經(jīng)網(wǎng)絡(luò)的心電逆問(wèn)題研究
    3.1 引言
    3.2 卷積神經(jīng)網(wǎng)絡(luò)的理論及方法
        3.2.1 CNN前向傳播算法
        3.2.2 CNN反向傳播算法
        3.2.3 建立CNN模型
    3.3 卷積神經(jīng)網(wǎng)絡(luò)模型優(yōu)化算法
        3.3.1 隨機(jī)梯度下降算法
        3.3.2 小批量梯度下降算法
        3.3.3 涅斯捷羅夫梯度加速算法
        3.3.4 自適應(yīng)梯度算法
    3.4 使用Caffe框架訓(xùn)練模型
        3.4.1 Caffe框架簡(jiǎn)介
        3.4.2 GPU并行訓(xùn)練
    3.5 基于CNN算法與極限學(xué)習(xí)機(jī)算法比較分析
        3.5.1 對(duì)心臟跨膜電位進(jìn)行重構(gòu)
        3.5.2 誤差比較和分析
        3.5.3 結(jié)論
    3.6 本章小結(jié)
第四章 KPCA-CNN深度神經(jīng)網(wǎng)絡(luò)的理論及方法研究
    4.1 引言
    4.2 數(shù)據(jù)降維方法
        4.2.1 主成分分析方法
        4.2.2 核主成分分析方法
    4.3 稀疏的網(wǎng)絡(luò)連接
        4.3.1 Dropout策略
        4.3.2 Maxout激活函數(shù)
    4.4 建立KPCA-CNN模型
    4.5 本章小結(jié)
第五章 基于KPCA-CNN深度神經(jīng)網(wǎng)絡(luò)的心電逆問(wèn)題研究
    5.1 引言
    5.2 KPCA降維處理
    5.3 基于KPCA-CNN模型與常規(guī)CNN模型的比較分析
        5.3.1 對(duì)心臟跨膜電位進(jìn)行重構(gòu)
        5.3.2 算法性能對(duì)比分析
        5.3.3 結(jié)論
    5.4 本章小結(jié)
第六章 總結(jié)與展望
    6.1 論文工作總結(jié)
    6.2 未來(lái)工作展望
參考文獻(xiàn)
攻讀學(xué)位期間的研究成果
致謝


【參考文獻(xiàn)】：
期刊論文
[1]深度卷積神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)視覺(jué)中的應(yīng)用研究綜述[J]. 王琳,趙耀,余靜華,陳曦.  農(nóng)村經(jīng)濟(jì)與科技. 2017(14)
[2]基于深度學(xué)習(xí)和醫(yī)學(xué)圖像的癌癥計(jì)算機(jī)輔助診斷研究進(jìn)展[J]. 陳詩(shī)慧,劉維湘,秦璟,陳亮亮,賓果,周煜翔,汪天富,黃炳升.  生物醫(yī)學(xué)工程學(xué)雜志. 2017(02)
[3]惡性腫瘤動(dòng)態(tài)對(duì)比增強(qiáng)磁共振成像計(jì)算機(jī)輔助診斷研究進(jìn)展[J]. 周煜翔,秦璟,賓果,陳漢威,馮仕庭,汪天富,黃炳升.  生物醫(yī)學(xué)工程學(xué)雜志. 2016(04)
[4]常規(guī)12導(dǎo)聯(lián)心電圖與24h動(dòng)態(tài)心電圖診斷起搏器植入患者心律失常檢出率的對(duì)比觀察[J]. 鄭光卓.  臨床和實(shí)驗(yàn)醫(yī)學(xué)雜志. 2016(09)
[5]DropConnect Regularization Method with Sparsity Constraint for Neural Networks[J]. LIAN Zifeng,JING Xiaojun,WANG Xiaohan,HUANG Hai,TAN Youheng,CUI Yuanhao.  Chinese Journal of Electronics. 2016(01)
[6]向量相似度測(cè)度方法[J]. 張宇,劉雨?yáng)|,計(jì)釗.  聲學(xué)技術(shù). 2009(04)
[7]基于最大似然算法的心電逆問(wèn)題研究[J]. 高飛,劉華鋒.  生物醫(yī)學(xué)工程學(xué)雜志. 2008(04)
[8]EEG動(dòng)力學(xué)模型中混沌現(xiàn)象的研究[J]. 王興元,駱超,譚貴霖.  生物物理學(xué)報(bào). 2005(04)
[9]心臟模型中興奮傳播算法的改進(jìn)[J]. 周荷琴,郭永剛,馮煥清,王恒良.  生物醫(yī)學(xué)工程學(xué)雜志. 2002(03)

博士論文
[1]正則化技術(shù)與動(dòng)態(tài)心電逆問(wèn)題研究[D]. 蔣明峰.浙江大學(xué) 2008

碩士論文
[1]基于差分進(jìn)化優(yōu)化算法和極限學(xué)習(xí)機(jī)的心電逆問(wèn)題研究[D]. 張恒.浙江理工大學(xué) 2015
[2]基于智能優(yōu)化算法和支持向量機(jī)的心電逆問(wèn)題研究[D]. 蔣姍姍.浙江理工大學(xué) 2014
[3]智能降維技術(shù)的研究與應(yīng)用[D]. 安亞靜.江南大學(xué) 2012



本文編號(hào)：3581399