查詢結果分析
相關文獻
- 利用小波與類神經網路進行心電圖特徵擷取與病症分類
- A Fast and Efficient Competitive Learning Design Algorithm Based on Weight Vector Training in Transform Domain
- 以小波轉換與自適性向量量化作近乎無失真心電圖資料壓縮
- 類神經網路在心電圖分類之應用
- 小波轉換與類神經網路應用於電力干擾波形辨識
- 再生能源雙向市電併聯轉換器類神經故障診斷系統之判讀--以反流器為例
- 結合紋理分析與影像增強技術於電腦斷層影像中輔助診斷急性缺血性腦中風
- 基於RRO-NRDPWT心電圖資料壓縮法中之線性PRD-CR規劃
- 心電圖(ECG)資料壓縮使用基於SAA架構之非遞迴式小波轉換
- 鑰匙辨識之評估與比較
頁籤選單縮合
題 名 | 利用小波與類神經網路進行心電圖特徵擷取與病症分類=Automatic ECG Classification Using Wavelet and Neural Networks |
---|---|
作 者 | 楊銘燿; 徐良育; 胡威志; 張恆雄; 高材; | 書刊名 | 中華醫學工程學刊 |
卷 期 | 17:4 1997.12[民86.12] |
頁 次 | 頁265-275 |
分類號 | 415.12 |
關鍵詞 | 心電圖; 小波轉換; 最小乘方近似法; 類神經網路; ECG; Wavelet transform; Least squares approximation; Neural networks; |
語 文 | 中文(Chinese) |
中文摘要 | 本研究提出以小波轉換擷取特徵結合類神經網路分類辨識的整合性心電圖自動診 斷系統。 利用 2 元次方小波轉換能客觀準確的偵測心電圖 QRS 綜合波、P 波和 T 波的起 始點與終止點,並且能克服其他偵測心電圖特徵點所遇到的瓶頸。心電圖基準線的估算是使 用 2 階離散最小乘方近似法,即使心電圖受低頻準線漂移的干擾,以 2 階最小乘方計算心 電圖基準線可得較佳的近似估算。 在分類辨識方面, 本研究利用監督式倒傳遞網路, 以 MIT/BIH 資料庫作類神經網路的訓練學習與評估測試。選擇現有資料庫所儲存的病症本研究 將針對正常( NOR )、左束枝傳導阻滯( LBBB )、 右束枝傳導阻滯( RBBB )、早期心 室收縮( PVC )、W-P-W 徵候群( WPE )、心肌缺血( MIS )及心肌損滯( MIJ )等七 類病症作診斷。整個心電圖自動診斷即是以小波轉換自動偵測擷取特徵值再以類神經網路進 行分類辨識。 使用 MIT/BIH 資料庫評估本自動診斷系統,即使心電圖訊號受高頻或低頻準 線漂移的干擾,自動偵測分類的正確率達 99.04 %以上。 最後以臨床心電圖訊號做測試, 自臺北榮總收集的臨床心電圖中, 由心臟專科醫師判讀確定有 2 組為 RBBB 心電圖,4 組 為 NOR 心電圖,以此 6 組測試本自動診斷系統結果完全正確。 |
英文摘要 | An integrated system for automatic ECG diagnosis that combines the wavelet transform (WT) for features extraction and artificial neural network (ANN) models for disease classification is proposed. By using the dyadic wavelet transform, limitations of other methods in detecting ECG features, such as QRS complex, the onsets and offsets of P and T waves are overcame. The ECG baseline is approximated using discrete least squares approximation of degree two. On classification, the back-propagation neural network was used. Patterns of ECG were collected from MIT/BIH arrhythmia database for neural networks training and evaluation of this system. In addition to normal sinus rhythm (NOR), the proposed system is designed to distinguish seven diseases, including: left bundle branch block (LBBB), right bundle branch block (RBBB) , premature ventricular contraction (PVC) , Wolff-Parkinson-White syndrome (WPW), myocardial ischemia (MIS), and myocardial injury (MIJ). The features are extracted automatically by wavelet transform and diseases are classified by neural network. The results indicate taht the accuracy of cardiac disease diagnosing using MIT/BIH database is above 99.04%. Lastly, the system is evaluated using six clinical ECG signals. Four of them are normal and two of them are diagnosed as RBBB. The proposed system achieves 100% correct diagnosis. |
本系統中英文摘要資訊取自各篇刊載內容。