基于SAE深度神经网络的自主循环恢复辨识算法研究

目的:提出一种新的胸部按压过程中人体自主循环恢复辨识算法,以实现对按压急救过程中自主循环恢复的准确辨识,指导胸部按压的启停。方法:对10头实验猪进行室颤诱导及电击除颤以采集包含自主循环恢复阶段的数据,期间持续记录脉搏波信号的变化,数据采集完成后对脉搏波进行处理并得到能量图谱,基于栈式自编码(stacked autoencoder,SAE)深度神经网络进行建模预测,实现自主循环恢复的准确辨识。结果:实验结果显示,在心脏骤停心肺复苏自主循环恢复过程中,基于SAE深度神经网络的自主循环恢复辨识算法对无胸部按压情况下自主循环恢复的平均辨识准确度达95.0%,对有胸部按压情况下自主循环恢复的平均辨识准确度达86.5%。结论:基于SAE深度神经网络的自主循环恢复辨识算法的辨识准确度较高,可以为伤员心肺复苏按压过程提供指导,辅助医学救援人员实施高效率的检伤和救治工作。

一种深度小波过程神经网络及在时变信号分类中的应用

针对多通道非线性时变信号分类问题,提出一种基于稀疏自编码器的深度小波过程神经网络(SAE-DWPNN)。通过构建一种多输入/多输出的小波过程神经网络(WPNN),实现对时变信号的多尺度分解和对过程分布特征的初步提取;通过在WPNN隐层之后叠加一个SAE深度网络,对所提取的信号特征进行高层次的综合和表示,并基于softmax分类器实现对时变信号的分类。SAE-DWPNN将现有过程神经网络扩展为深度结构,同时将深度SAE网络在信息处理机制上扩展到时间域,扩展了两类模型的信息处理能力。该网络可提取多通道时序信号的分布特征及其结构特征,并保持样本特征的多样性,提高了对信号时频特性和结构特征的分析能力。文中分析了SAE-DWPNN的性质,给出了综合训练算法。以基于12导联ECG信号的7种心血管疾病分类诊断为例,实验结果验证了模型和算法的有效性。