导读:本文包含了心电数据论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:心电,数据,卷积,监护仪,分解,小波,信号。
心电数据论文文献综述
杨存,宗会迁,宋登浩,杨磊,柳青[1]（2019）在《大数据下多参数心电监护仪风险因素调查及分析》一文中研究指出目的基于多参数心电监护仪故障数据的统计结果,本研究深入分析影响监护仪使用的安全风险因素。开展风险控制,为加强监护仪安全管理提供循证依据。方法对本院40个临床科室的562台监护仪进行为期一年的质量监控,统计2017年7月至2018年7月监护仪故障信息记录,对所记录的414例故障数据进行分类统计分析。结果数据样本的统计学分析结果表明,心电导联线破损、血氧探头故障、血压测量不准是监护仪故障发生的主要影响因素。结论通过对故障类型的分析研究,发现监护仪使用过程中的不安全因素,明确故障风险原因,建立风险控制对策,加强监护仪的安全维护和使用管理,减少此类设备使用过程中的安全隐患,减少不良事件的发生,降低设备的使用风险。(本文来源于《中国医疗设备》期刊2019年12期）
陶华岳,缪帅,薛政凯,张亚茹,陈康寅[2]（2019）在《基于移动端及临床大数据的远程心电会诊系统开发》一文中研究指出临床大数据远程心电会诊系统能够有效支持心血管疾病分级诊疗和临床科研,为基层医院和患者提供先进的医疗服务。整套系统以临床大数据为核心,制定个性化基线特征,对海量心电信息进行筛选并给出辅助诊疗建议;通过移动端App进行心电报告的申请、接收、分析和回馈。实现心电信息远程、高效判读,提升心电诊断效率及准确性,提升临床大数据应用水平、临床辅助深度,为实现对心血管病全程管理,建立一个基于移动终端、信息共享、实时互动的大数据平台势在必行。(本文来源于《中国数字医学》期刊2019年09期）
张凯[3]（2019）在《机器学习在心电数据分析中的研究和应用》一文中研究指出在全民健身广泛普及的今天,运动安全的话题也开始被人们普遍提及。无论是专业运动员还是普通群众,在运动后都需要对自身的身体状况有一个全面的了解,以确保不会出现运动过量导致的身体损伤。同样,监测身体状况能够为自己制定合适的训练计划,提高运动质量。在人体的各项生理指标中,心电指标是非常重要的一部分,由于心电数据异常容易导致猝死以及其他类型的心脏疾病,因此对心电数据的监测和异常类型分析就显得尤为重要。本文深入研究了心电信号异常类型检测技术及理论知识,并对异常检测过程中的相关步骤进行了优化,利用机器学习与信号分析相融合的方法实现对心电信号异常类型的自动检测。并将该算法集成于一个针对马拉松比赛中运动员身体状况监控及分析的管理系统。本文主要内容和创新点如下:1、本文采用小波分解法对信号进行去噪,由于噪声信号分布在不同的小波分解层中,因此本文采用组合阈值法对不同层小波系数进行去噪,提高去噪效果。2、对心电数据进行波形检测时,差分阈值法鲁棒性较低,容易受到噪声干扰,因此本文采用动态时间窗和动态阈值来改进差分阈值法,用以进行心拍分割,以降低错检率和漏检率。3、由于心电信号的频域特征难以表现其非线性特征,本文提出一种基于局部均值分解和样本熵相结合的方法用于提取心电信号的频域特征,并与时域特征结合组成样本的特征空间。4、本文采用支持向量机算法,基于上述特征空间对处理后的心电信号进行分类,并通过人工蜂群算法对支持向量机的参数进行迭代优化。最终将该算法集成入一套马拉松比赛管理系统中。(本文来源于《北方工业大学》期刊2019-05-06）
吴琼琼[4]（2019）在《运动心电实时数据异常检测系统研究与应用》一文中研究指出在运动时,有些人会产生身体的不适,严重的会发生猝死现象。因此,运动时人们更要关注自己的心脏状况,及时调整运动量,从而避免出现无法挽回的后果。心电图能对人体的心脏电活动状况进行描述,同时也是医生对心脏病进行诊断治疗的重要依据,对处于运动状态的人进行心电实时监测具有实际应用价值。本文对心电异常检测方法进行研究。心电信号分析主要分为四个过程,其步骤为:数据预处理、QRS波群检测、特征提取和心电异常识别。根据现有的智能分析算法,为保证心电信号的去噪效果和实时性,本文采用的滤波器为级联低通和高通滤波器所组成的带通滤波器,该滤波器能很好的去除运动心电信号中的噪声,并采用Pan-Tompkins算法对QRS波群进行实时检测。在心电数据分析中,提取准确的心电特征是心电数据分析的关键环节,本文提出了一种小波包分解和主成分分析相结合的心电特征提取方法。为了提高心电数据异常识别时的准确率,本文采用遗传算法对支持向量机的参数C(惩罚参数)和g(核函数参数)进行寻优操作,设计了GA-SVM分类器。本文使用北京麦邦光电仪器有限公司提供的踏车运动心电数据及国际心率失常数据库MIT-BIH的四类心电数据:正常心跳、室性早搏、左束支传导阻滞、右束支传导阻滞进行实验,测试集分类效果良好,准确度优于其他分类预测模型。实验结果表明本文提出的特征提取算法稳定有效,通过遗传算法优化支持向量机参数提高了分类器性能。因此,本文采用的心电数据异常检测方法能够对心律失常进行有效地识别,对于心脏疾病的诊断和及时治疗具有重要意义。最后,本文开发了一款基于Android的运动心电异常检测系统,该App软件与相应的心电采集设备配套使用。系统能够完成心电数据的实时传输,并能在手机端进行心电数据分析。此外,该系统还具有显示用户的运动轨迹及对用户位置进行实时定位的功能,一旦发现用户心电出现异常,能够及时报警。经测试,该软件性能及功能运行良好。(本文来源于《北方工业大学》期刊2019-05-06）
何紫阳[5]（2019）在《基于神经网络的心电数据分类算法研究》一文中研究指出多年来心脏病是威胁人类生命的主要疾病之一,全球因心脏病而死亡的人数仍然不断增长。心电图是心脏活动的直观反映,从心电图中提取心电数据并对其进行分析,对诊断和防止心脏疾病具有重要意义。全球每天都会产生海量的心电数据且因医疗专家人数有限,无法及时处理大量心电数据,且目前大多数用于心电分类的神经网络算法只关注提高准确率而忽视计算代价,无法在受限设备上部署运行。为此,本文基于神经网络对心电数据分类算法进行研究,并在此基础上搭建了心电存储及标注平台。主要研究内容如下:(1)针对当前神经网络算法参数过大,分类时间长等问题。本文提出一种基于神经网络的轻量级神经网络算法LiteNet(Liteweight Neural Network)。该算法采用独特的卷积结构与卷积方式使其能够充分提取数据特征的同时提高算法的分类效率。为了验证LiteNet的分类性能,本文采用两种不同的心电数据集对算法进行训练并测试,实验结果证明LiteNet在数据集MIT-BIH和数据集CCDD上都取得了较好的分类效果,分别达到了97.87%和92.5%的准确率。同时设计其它叁个模型与LiteNet对比,充分证明LiteNet的结构优势。(2)针对海量心电数据的存储格式不规范和心电诊断效率低等问题。本文构建了一个心电存储及标注平台,该平台将心电数据以HL7-aECG(Health Level7 Annotation Electrocardiogram)的标准格式存储,有利于实现存储格式的统一。同时根据MongoDB数据库特点对每条心电数据样本进行分割实现高效存储。最后,将训练好的LiteNet模型部署到本平台,在提供手动标注功能的基础上为心电专家提供自动标注功能进行辅助诊断,提高工作效率。本文针对心电数据的分类设计一种新的神经网络算法,该算法在保证数据分类准确率的同时减少计算代价以及计算时间的消耗。并在此基础上构建了心电存储及标注平台,实现心电数据合理化存储的同时提供逐个心拍的手动与自动标注等功能,为心电数据的诊断提供有效的手段。(本文来源于《郑州大学》期刊2019-05-01）
易力,李祥,何俊德,李伟,郑大[6]（2019）在《心电动力学信号数据特征提取与模式识别的研究进展》一文中研究指出现代控制理论和计算机技术的进步,为深入研究心电信号内在动态病理特征创造了良好条件,并推动了相关学者在基于心电信号转化数据的神经网络模型构建、心电信号异质度特征的量化指标提取、心脏疾病辅助诊断等方面的早期探索。本文综述了心电动力学信号数据特征的研究现状,并介绍了心电动力学信号数据特征的提取方法、模式识别及其在心肌缺血辅助诊断、心肌缺血引发心脏疾病早期筛查和疗效评估等方面的应用。(本文来源于《实用心电学杂志》期刊2019年02期）
赖杰伟,陈韵岱,韩宝石,季磊,石亚君[7]（2019）在《基于DenseNet的心电数据自动诊断算法》一文中研究指出目的使用卷积网络训练多导联心电图数据,并将新的心电数据准确地分类,为医生提供可靠的辅助诊断信息。方法先用带通滤波器对数据进行预处理,使用信号分帧的方式调整不同长度的数据处于同样的大小,便于网络的训练测试;同时采用增加样本的方法扩充数据整体,增加异常样本的检出率;针对不同导联的差异性使用深度可分离卷积更有针对性地提取不同通道的特征。使用基于DenseNet的分类模型对多个标签分别训练二分类器,完成多标签分类任务。结果对数据的正异常识别准确率可以达到80.13%,灵敏度,特异度和F1分别为80.38%,79.91%和79.35%。结论本文提出的模型能快速并有效地对心电数据进行预测,在GPU上单个数据的运行时间约在33.59 ms,实时预测结果能满足应用需求。(本文来源于《南方医科大学学报》期刊2019年01期）
李帆,唐杰,张雅莉[8]（2018）在《基于大数据对患者心电检查的时间分布研究》一文中研究指出目的了解患者心电检查申请的时间分布特点,为科室管理决策提供依据。方法 HIS系统中提取本院2013年1月至2018年7月间所有患者的心电检查申请数据,按年分别统计和分析门诊、住院、门诊+住院3种情况下的患者心电检查时间分布特征。结果统计区间内累积检查59.03万例患者,每年间,门诊与住院患者心电检查的高峰时间差异都不明显:总体来说,1年中的3、5月都是心电检查高峰月,2月基本都是全年最低;一周内,周一、周二检查量最高,周六周日最低;一日内,患者检查时间显示大小两峰分布,门诊与住院有明显差异,但总体来说上午9～10时检查人数最多,下午16～17时检查人数最多。结论全面了解心电检查的时间分布特征,可为科室精细化管理提供参考。(本文来源于《当代医学》期刊2018年34期）
李帆,唐杰[9]（2018）在《“基于大数据对我院网络心电检查时空分布特征研究”的文献综述》一文中研究指出"大数据"时代,数据成为决策最为重要的参考之一。要想挖掘出大数据中的有用信息,除了数据的量"大"之外,好的分析方法也是必不可少的。该研究首先通过对国内外大数据分析与决策支持的研究成果进行了文献整理和归纳,然后提出采用时空思维对大数据进行分析,也是发现大数据价值、提供优化资源配比等决策依据的一种方法。最后表达出国内医疗大数据进行时空分析研究的现实意义。(本文来源于《中国卫生产业》期刊2018年34期）
任斐,滕艳玲,李明珠,李艳,张洁[10]（2018）在《心电大数据平台的构建和应用》一文中研究指出总结建立心电网络数据平台方法,并对建立运行后的数据平台、心电网络诊断中心进行满意度调查,调查结果显示运行叁年来患者、心电图医师、临床医护人员、行政管理人员满意度逐年提升。心电数据平台是践行叁级诊疗的医改模式,开展区域化合作的重要方法。有助于提高基层医院诊疗水平,有助于开展社区护理、长期家庭护理,减少医疗支出,为心电教学与科研提供数据支撑。(本文来源于《现代仪器与医疗》期刊2018年05期）
心电数据论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
临床大数据远程心电会诊系统能够有效支持心血管疾病分级诊疗和临床科研,为基层医院和患者提供先进的医疗服务。整套系统以临床大数据为核心,制定个性化基线特征,对海量心电信息进行筛选并给出辅助诊疗建议;通过移动端App进行心电报告的申请、接收、分析和回馈。实现心电信息远程、高效判读,提升心电诊断效率及准确性,提升临床大数据应用水平、临床辅助深度,为实现对心血管病全程管理,建立一个基于移动终端、信息共享、实时互动的大数据平台势在必行。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
心电数据论文参考文献
[1].杨存,宗会迁,宋登浩,杨磊,柳青.大数据下多参数心电监护仪风险因素调查及分析[J].中国医疗设备.2019
[2].陶华岳,缪帅,薛政凯,张亚茹,陈康寅.基于移动端及临床大数据的远程心电会诊系统开发[J].中国数字医学.2019
[3].张凯.机器学习在心电数据分析中的研究和应用[D].北方工业大学.2019
[4].吴琼琼.运动心电实时数据异常检测系统研究与应用[D].北方工业大学.2019
[5].何紫阳.基于神经网络的心电数据分类算法研究[D].郑州大学.2019
[6].易力,李祥,何俊德,李伟,郑大.心电动力学信号数据特征提取与模式识别的研究进展[J].实用心电学杂志.2019
[7].赖杰伟,陈韵岱,韩宝石,季磊,石亚君.基于DenseNet的心电数据自动诊断算法[J].南方医科大学学报.2019
[8].李帆,唐杰,张雅莉.基于大数据对患者心电检查的时间分布研究[J].当代医学.2018
[9].李帆,唐杰.“基于大数据对我院网络心电检查时空分布特征研究”的文献综述[J].中国卫生产业.2018
[10].任斐,滕艳玲,李明珠,李艳,张洁.心电大数据平台的构建和应用[J].现代仪器与医疗.2018
论文知识图
