使用深度学习与海马体异构特征融合的阿尔茨海默病分类方法

阿尔茨海默病(Alzheimer’s Disease,AD)是一种目前尚无有效方法治愈的神经系统退行性疾病,其准确分类有助于在AD早期阶段及时采取针对性治疗和干预措施,从而降低AD发病率和延缓AD疾病进展.本文提出一种使用深度学习和异构特征融合的AD分类新方法.针对大脑中的海马体结构,首先构建三维轻量级多分支注意力网络(Three-Dimensional Lightweight Multi-Branch Attention Net-work,3D-LMBAN)提取海马体深度特征;然后设计结合双树复小波变换(Dual-Tree Complex Wavelet Transform,DTCWT)和灰度游程矩阵(Gray-Level RunLength Matrix,GLRLM)的三维多尺度纹理特征提取方法提取海马体纹理特征;再使用传统方法提取海马体体积和形状特征;最后构建异构特征融合网络对提取得到的多种海马体特征进行降维表示、拼接和融合,进而实现AD分类.在EADC-ADNI数据集上进行实验,本文提出的AD分类方法的准确率(ACC)为93.39%,F1分数为93.10%,AUC为93.21%.实验结果表明本文提出的AD分类方法是有效的,且其性能优于传统的AD分类方法.

使用多尺度递归图和视觉转换器的心律失常分类

心电(ECG)信号反映心脏电生理活动状态,其准确分类对于心脏疾病的自动诊断非常重要,为此,提出一种使用多尺度递归图和视觉转换器的心律失常自动分类方法。首先使用小波变换将心电信号分解为低频分量和若干个高频分量,并采用递归图方法将其分别变换为二维纹理图像;然后针对样本不平衡问题,采用多分类Focal loss替代交叉熵损失函数,对视觉转换器模型进行改进;最后基于心电信号的多尺度递归图表示,使用改进的视觉转换器进行心律失常分类。采用MIT-BIH心律失常数据库中的数据进行实验,所提出的心律失常分类方法的平均准确率为97.38%。实验结果表明,提出的方法能有效识别心律失常类型,且其性能明显优于传统的心律失常自动分类方法。

使用信噪比正则化LightGBM的腹部源胎儿心电信号提取方法

胎儿心电信号(Fetal ElectroCardioGram,FECG)能反映胎儿健康状况.但是,由于其信噪比相对较低,FECG仍未能在临床上得到广泛应用.如何有效提取高质量的FECG仍是一个巨大挑战.为此,本文提出一种使用信噪比正则化LightGBM(Light Gradient Boosting Machine)模型的FECG提取方法.针对原始母体腹壁混合信号,首先使用传统滤波方法进行噪声抑制,然后再使用快速独立成分分析(Fast Independent Component Analysis,FastICA)从中分离得到母体心电信号(Maternal ElectroCardioGram,MECG)估计和FECG估计,FECG估计中残留的MECG成分是MECG的一种非线性变换.改进传统LightGBM模型,在目标函数中增加FECG的基于互相关系数的信噪比作为正则项,构建信噪比正则化LightGBM模型,并使用该模型拟合这一非线性变换.将MECG估计经由所拟合的非线性变换得到MECG成分的最优估计,并将其抑制,提取得到高质量的FECG.采用真实腹部源心电信号数据集进行实验,结果显示本文提出的方法的灵敏度为99.9%,阳性预测值为99.1%,F分数为99.5%,基于互相关系数与基于特征值分析的信噪比分别为6.0 dB和6.1 dB.实验结果表明,本文提出的方法是有效的且具有更好的性能.