腔内ECG定位技术联合体外测量法在PICC中的应用

目的:探讨腔内心电图(ECG)定位技术联合体外测量法在经外周静脉穿刺的中心静脉导管(PICC)中的应用。方法:选取2021年1月—2023年1月阜宁县人民医院收治的100例行上肢PICC置管的患者作为研究对象。根据抛币法将其随机分为观察组和对照组,各50例。两组均进行PICC,对照组PICC应用体外测量法,观察组PICC应用腔内ECG定位技术联合体外测量法。比较两组一次性置管情况、导管相关并发症、置管满意度。结果:观察组置管准确率为98.00%,高于对照组的86.00%,置管过深率低于对照组,差异有统计学意义(P<0.05)。两组并发症发生率比较,差异无统计学意义(P>0.05)。观察组总满意度为100%,高于对照组的92.00%,差异有统计学意义(P<0.05)。结论:腔内ECG定位技术联合体外测量法可提高一次置管准确率,提高患者满意率。

基于深度学习的ECG信号分类与诊断

心电图(ECG)信号描绘了心脏的电活动,提供了有关心脏状态的重要信息。ECG信号分类可用于临床预测、诊断、评估的成果,对于心脏病的自动诊断非常重要。但是基于机器学习的ECG信号分类研究也存在一些如模型复杂度与临床数据实时传输和及时更新等未能解决的问题。因此,笔者首先对近10年来基于机器学习的ECG信号分类从波形形态分类、疾病诊断分类和纯粹的机器学习分类研究进行了回顾与综述,总结出了目前的研究遇到的困境,最后对未来面临的问题进行展望。深入学习模型在现实应用中仍存在一些挑战,未来的研究将进一步探索在芯片中实现机器学习模型的便携性和成本效益的硬件解决方案。此外,机器学习算法应寻求最佳的计算开销平衡,并重视在现实世界环境中的应用。在未来研究中,ECG应多进行临床试验,以评估机器学习模型在处理实际生物医学信号时的有效性和可行性,同时构造性价比高的深度学习模型,以帮助医学专家进行精确和及时的预测和诊断。

以BP神经网络为工具的短时ECG信号情感分类

针对目前生理信号情感识别领域采用的生理信号种类太多或使用的生信号长度较长的问题,本文使用BP神经网络对单一、短时ECG信号进行情感识别分类,并对识别时间进行了估计。通过诱发被试喜、怒、哀、惧和平静5种基本情感状态,采集到ECG生理信号,处理后利用神经网络建立模型。实验结果表明,本文方法得到的情感分类的平均识别率为89.14%,且生理信号进行特征提取和识别分类的时间总和小于0.15s,有效地降低了对生理信号种类和窗口长度的依赖。

基于卷积神经网络的ECG心律失常分类研究

基于心电信号进行心律失常自动检测和分类识别研究,辅助临床医生进行心血管相关疾病诊断。采用MIT-BIH数据库作为数据源,对该数据库心电数据进行小波分解与重构去噪后,构建卷积神经网络模型,结合Adam优化器,并优化丢弃值、训练步数和批大小三个超参数来优化模型,使用准确率、灵敏性和正预测率三个指标评价模型性能。实验结果表明,模型实现心律失常五分类的整体准确率大于99%,与现有模型性能相比,准确率提升1.2%。

全面解读IA ECG广色域测试版ICC文件

七色分色技术已发展多年,欧美印刷机构和协会相继投人研发和制定更新相关标准体系,当前色彩校准技术手段等条件正走向成熟,本文对IAECG广色域测试版ICC文件进行全面解读。

缓慢型心房颤动(Af)伴发长R-R间期在静态心电图(ECG)中发生率及意义

探讨ECG(静态心电图)在缓慢型Af(心房颤动)伴发长R-R间期中的应用意义。方法 截选2021年03月至2022年03月54例ECG提示缓慢型心房颤动患者,按照有无伴随相关症状(头晕、黑朦、晕厥等),分为甲组33例(有相关症状)和乙组21例(无相关症状);按照年龄,分为老年组30例(≥80岁)和非老年组24例(<80岁);比较各组伴发长R-R间期发生率。结果 本试验中,甲、乙组伴发长R-R间期发生率差异明显,甲组发生率显著更高(P<0.05)。老年组、非老年组伴发长R-R间期发生率差异明显,老年组发生率显著更高(P<0.05)。结论 缓慢型心房颤动行静态心电图检查,能够准确诊断患者有无伴发长R-R间期;针对老年患者和伴随头晕、黑朦、晕厥等症状患者,应加强其静态心电图检查,以便更好诊断、鉴别其病情,促使患者尽早接受专业治疗和干预,保证其生命安全与预后质量。

基于卷积神经网络与ECG信息的多模态疲劳驾驶检测研究

为解决驾驶员疲劳驾驶引发的交通事故问题,本研究致力于设计一款高精度、及时预警的疲劳驾驶检测与预警装置。文章提出了一种基于卷积神经网络与ECG信息的多模态疲劳驾驶检测方法:首先,通过训练数据集获取模型文件,并将其与预设行为进行对比,得出预警结果;接着,结合ECG信号对驾驶员的驾驶状态进行进一步分析,输出最终结果并触发预警。实验结果表明,该方法能够准确识别驾驶员的疲劳状态并及时发出预警,最高检测正确率达到了99%,验证了方法的可行性。

基于LSTM网络与ECG信号的青少年运动强度识别方法

适当的体育运动有利于青少年身体健康,但是大多数青少年在运动过程中,盲目地进行高强度的体育锻炼,很容易造成身体的损伤甚至危及生命。因此,为了实现对青少年运动的合理安排和监测,本研究提出了一种基于长短期记忆人工神经网络(Long Short-Term Memory,LSTM)与心电图(Electrocardiogram,ECG)信号的青少年运动强度识别方法。该方法可以在体育锻炼中实时监测运动强度,防止体育运动中不合理锻炼带来的危险。本研究算法采用多层的LSTM网络提取运动过程中的ECG信号特征,在网络中加入注意力机制,模仿生物的视觉注意力行为,对一段时间序列中的不同区域区别对待,重点关注特征区域,抑制无用信息,进一步提升监测效率和准确率。实验识别准确率可达99.40%,表明所提方法所构建的青少年运动强度诊断模型具有较高的诊断精度,且具有较强的泛化能力。

基于VMD和平滑滤波的ECG去噪方法

针对目前变分模态分解法在心电信号降噪时存在模态分量难以取舍的问题,提出了一种改进的变分模态分解方法。首先对含噪心电信号进行变分模态分解,通过各模态分量的中心频率和模态分量与原始心电信号的互相关来确定噪声占优的模态分量与信号占优的模态分量。然后选取中心频率处于医学心跳频率范围的模态分量来提取心跳频率对应的采样点数,根据心跳频率对噪声占优的模态分量和信号占优的模态分量分别进行平滑滤波。最后使用处理过的模态分量重构心电信号,完成基线漂移和肌电噪声的去除。实验结果表明该方法的去噪效果优于小波阈值法、变分模态分解法及两者相结合的方法。

基于fNIRS和ECG的大脑警觉度客观检测研究

航天员执行操纵和维护设备等任务时需保持高警觉状态,以便应对突发情况,保护自身安全。针对目前警觉度检测尚无统一标准,单生理参数检测法可靠性差的问题,利用多模态参数检测法,采用PVT任务与2-back任务组合诱导警觉度降低,通过功能性近红外光谱技术(fNIRS)和心电技术(ECG)采集14名被试前额部分的氧合血红蛋白(HbO)信号、脱氧血红蛋白(Hb)信号以及ECG信号,并记录被试的行为学数据。结果表明:此实验范式成功诱导警觉度下降,在低警觉度状态下大脑代谢水平增加,复杂度增加,大脑前额区活跃度增加;心率降低,副交感神经活性增强。二者特征相结合增大了警觉度识别三分类准确度。在支持向量机模型下,14名被试的平均三分类正确率达到(80.37±5.76)%,较之前文献报道的正确率有所提升。验证了此特征模型检测警觉度水平的有效性及使用混合特征矩阵提高警觉度模型的鲁棒性。

模拟ECG信号在320排CT冠脉成像中的应用价值

目的探讨模拟ECG信号在320排CT冠脉成像中的应用价值。方法收集和分析我院2015-01-01至2021-10-01期间,使用模拟ECG信号成像的20例患者(A组),与同时期,随机抽取的,常规技术成像的20例患者(B组)的冠脉成像结果,实行对照研究。结果A、B两组图像质量主观法评价,图像质量无显著差异(P=0.3758>0.05);A、B两组图像质量客观法评价,升主动脉根部,右冠状动脉近端,左前降支近端,左旋支近端CT值以及升主动脉根部层面噪声均无明显差异(P>0.05);A、B两组辐射剂量对比有显著差异(P<0.01)。结论模拟ECG信号在320排CT冠脉成像中的应用是可行的,值得推广。

基于AI-ECG的区域胸痛综合管理平台的建设与实践

目的针对区域胸痛中心建设中存在的问题,提出一种利用信息手段优化区域胸痛综合管理平台的设计方案及具体实现路径。方法在现有胸痛管理系统的基础上,加入人工智能心电图(Artificial Intelligence Electrocardiograph,AI-ECG)系统、整合多个医疗救治系统、打造移动应用服务,建立“患者-基层-急救中心-胸痛中心”四方联动的区域协同救治体系。采集区域心电中心海量标准化数据,训练AI-ECG模型,并将AI算法应用于疾病筛查、快速甄别和术后监测等方面。结果通过AI-ECG及胸痛管理平台的优化,提高了基层医院的诊断准确性和效率,心电图十八分类诊断模型诊断特异性、敏感度、准确率均值分别是95.79%、87.88%和96.74%;AI辅助诊断平均每份心电图的分析时间约为0.12 s,心内科临床医生诊断时间约为1 min;发病到首次医疗接触和首次医疗接触到球囊再灌注的平均时间均明显缩短。结论平台的建设及应用,实现了胸痛患者院前、院中、院后的全流程闭环管理,增强了胸痛患者自我健康管理意识,对智慧胸痛中心的建设具有一定的参考价值。

基于ECG的活体检测与身份验证SOC设计

由于心电图的活体指示特性和独特而复杂的信号特征,采用心电图进行身份识别是最安全的生物识别方法之一。提出了一种在FPGA上搭建适用于ECG身份识别的专用片上系统(SOC)设计方案。该设计利用基于主成分分析(PCA)与欧几里得距离度量的ECG身份识别算法进行身份识别,并利用FPGA并行运算的优势对该识别算法实现硬件加速。最后基于ARM公司开源的DesignStart Cortex-M3 IP核,在Xilinx FPGA上实现了该片上系统。结果显示:所设计的片上系统识别正确性可达96.8%,运行性能最高可达90 MHz,满足实时性需求。

基于VMD算法的ECG信号基线漂移校正研究

针对现有方法校正ECG信号基线漂移的缺陷,提出基于VMD算法校正ECG信号的基线漂移。首先获取含真实基线漂移的ECG信号;然后基于最佳参数的VMD将含噪ECG信号分解为多个IMF分量,利用各IMF分量频谱图的峰值频率判断基线漂移;最后将含基线漂移的IMF分量舍弃,将其他IMF分量叠加得到去除基线漂移的ECG信号。同时将EMD算法和该方法对相同含基线漂移的ECG信号进行去噪,结果表明,该方法能更好地校正ECG信号基线漂移,且去噪后与原信号的相关系数更大。

基于人体ECG信号监测的汽车座椅研究

设计了一种基于驾驶员生命信息个性化监测的汽车座椅,通过安装在汽车座椅上的集成医疗传感器系统,对驾驶员生命信号进行监测。使用容性耦合传感器,对驾驶员运用电容式心电检测技术,获取人体ECG(心率)信号。设计了系统硬件结构,设计了包括数据采集和处理在内的电路,比较了传感器组处于不同位置的下QRS(心电图波群)值,解决了传感器最佳安装位置问题。实验结果证明:该系统能够较好的记录驾驶员人体ECG信号,测试结果能够在医学上判断出驾驶员身体状况是否处于良好状态。

多模型投票的深度学习ECG分类方法设计与研究

由于经典机器学习算法在心电信号(Recording of electrocardiograms,ECG)分析中存在特征表征能力不足等原因,基于深度学习投票机制,提出了一种基于多模型投票的深度学习ECG波形分类方法。利用多个具有不同网络参数的深度神经网络对ECG信号进行分类,并通过加权投票来提高ECG信号的分类准确率。实验的平均分类准确率为98%,与传统方法以及其它深度学习方法比如支持向量机,卷积神经网络,深度神经网络以及长短期记忆网络的结果比较,验证了上述方法在分类精度上有显著提高。

基于深度卷积神经网络的ECG信号分类研究

心血管疾病的发病率、死亡率都很高,心电图作为心血管疾病患者必要的辅助检查项目,在心血管疾病诊断上具有重要作用。主要研究利用ECG信号具有大数据特征的优势,通过人工智能方法建立模型对ECG信号进行分析,可以抽象输入信号的深层次特征,利用深度神经网络提取信号鲁棒性特征的能力,最终通过深度学习理论技术对心拍、心律失常类信号进行有效的分类与识别,探索了深度学习技术在由心肌缺血引发的心血管类疾病识别中的研究与应用。

基于ECG的可电击复律心律自动判别算法研究

体外自动除颤器(AED)是挽救心脏骤停(SCA)患者生命的重要设备。可电击复律心律自动判别算法(SAA)是AED的核心技术。本研究在构建包括8 s的2024段可电击复律心律(SHR)心电图(ECG)和7884段不可电击复律心律(NSHR)ECG数据集的基础上,提出了一种基于机器学习的SAA。首先提取ECG的时域、频域、复杂度相关的32个特征,经筛选得到6个有效特征;之后用支持向量机实现SHR和NSHR自动分类。根据500次按患者随机分组的实验,敏感度、特异性、准确率的均值±标准差分别为97.62%±0.18%、99.15%±0.04%、98.79%±0.08%。所提出的SAA符合美国心脏病协会对AED中SAA敏感度超过90%,特异性超过95%的要求,可作为AED算法模块进行SHR的自动判别。

结合卷积神经网络与注意力机制的多域特征融合ECG心率失常分类

心率失常是心血管疾病诊断的重要手段,其自动分类具有重要的临床意义。为了提高心率失常分类的准确性,结合一维卷积神经网络(Convolutional Neural Networks,CNN)和注意力机制(Attention)提出了一种CNN+Attention的深度学习模型,使用CNN提取心电信号的一维时域特征。针对一维时序心电信号时域特征表征能力有限的问题,使用短时傅里叶变换(Short-Time Fourier transform,STFT)将心电信号变换到时频域,通过Attention提取心电信号的时频域全局相关依赖关系,将时域与时频域特征融合对5种类型心电信号进行分类。在MIT-BIH数据集上验证了模型的有效性,所提模型对5种类型心电信号的平均分类准确率、精准率、召回率、灵敏度以及F1_Score分别为99.72%、98.55%、99.46%、99.90%以及99.00%。与已有先进方法对比,验证了所提模型具有先进的性能表现。

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。