基于生成对抗网络的PPG⁃ECG信号转换方法

心电(Electrocardiogram,ECG)信号的长期检测与评估对心血管疾病的诊断和预防至关重要。心电信号的检测通常需要在患者身上安装电极,易使受试者产生不适感,适用范围有限。相对而言,使用光电容积描记法(Photoplethysmography,PPG)检测得到的脉搏波(Pulse wave)信号不仅包含丰富的心血管生理和病理信息,而且易于测量。考虑到PPG与ECG信号间存在固有的映射关系,本文基于生成对抗网络(Generative adversarial network,GAN)提出了一种将PPG转换为ECG信号的模型。该模型生成器由Unet模型组成,并且在特征图融合方面参考了Unet++的结构,而其判别器由卷积神经网络组成。在训练过程中,采用梯度惩罚方式增加了生成模型的稳定性。基于公用数据集进行了实验,通过对比53名受试者样本的处理结果,新模型所生成ECG信号的均方根误差(Root mean square error,RMSE)、Pearson相关系数(ρ)和Fréchet距离(Fréchet distance,FD)三个指标分别提升了3.4%、5.5%和0.4%,证明新模型具有更好的PPG⁃ECG转换效果。

基于深度学习的指-桡端脉搏波信号转换方法

针对目前市面上大多数脉搏波检测仪器检测的是指端脉搏波信号,提出一种基于卷积神经网络的指-桡端脉搏波信号转换方法,在仅获取指端脉搏波信号的情况下得到对应的桡动脉脉搏波信号。该方法主要由一维卷积神经网络通过端到端的训练实现,模型包含编码器、解码器和跳跃连接3个部分,通过编码器网络提取指端脉搏波信号的特征,再通过解码器网络将特征图进行扩展,并且利用跳跃连接的方式实现特征图的融合。采集60份指端和桡端的脉搏波信号进行实验,并与传递函数模型和弹性腔模型进行对比。实验结果表明,该模型转换所得的桡端脉搏波信号在MAE和PRD的指标上分别达到1.4%±0.3%和3.6%±1.2%,优于其他模型。研究表明,该模型能够较精确地实现指端脉搏波信号到桡端脉搏波信号的转化。

基于CT影像的肺叶分割技术研究进展

肺叶的鉴别对于肺部疾病类型以及严重程度的鉴别具有重要的临床意义,但由于部分容积效应,患者运动以及病理因素等导致CT图像模糊,肺叶分割成为一项具有挑战性的分割难题。本文主要对国内外肺叶分割算法的发展情况进行综述:首先对肺叶分割的研究背景及意义进行介绍;然后以肺裂检测步骤以及肺裂曲面生成步骤为区分标志,分别对各类肺叶分割算法的优点及其存在的缺陷进行分析;最后对肺叶分割算法未来的发展进行展望。