基于希尔伯特黄变换和深度卷积神经网络的房颤检测

房颤是一种常见的心律失常,其发病率会随着年龄增长而升高。因此,从心电(ECG)信号中尽早识别出房颤,有助于降低中风风险和心源性死亡率。为有效提高其检测准确率,该文提出一种基于希尔伯特黄变换(HHT)和深度卷积神经网络的房颤检测方法。1维的时域心电信号通过希尔伯特黄变换,转换为时频域信号,旨在通过时频分析,丰富原始信号的特征。进而,采用DenseNet深度卷积神经网络来处理精细的时频图,并在迭代过程中选出最佳检测模型。该方法获得的最佳检测模型在麻省理工学院-贝斯以色列医院(MIT-BIH)和2017年生理信号竞赛(2017 PhysioNet Challenge)的房颤数据集上分别取得了99.11%和97.25%的检测准确率。此外,该文将希尔伯特黄变换与其他时频分析方法以及稠密网络(DenseNet)与其他卷积神经网络进行了对比。相比于其他检测方法,实验结果表明希尔伯特黄变换和深度卷积神经网络(DCNN)为房颤检测提供了更加准确的识别方式。

融合多特征嵌入与注意力机制的中文电子病历命名实体识别

中文电子病历文本包含大量嵌套实体、句子语法结构复杂、句式偏短.为有效识别其医疗实体,提出一种融合多特征嵌入与注意力机制的命名实体识别算法,在输入表示层融合字符、单词、字形三个粒度的特征,并在双向长短期记忆网络的隐含层引入注意力机制,使算法在捕获特征时更加关注于医疗实体相关的字符,最终实现对中文电子病历中疾病、身体部位、症状、药物、操作五类实体的最优标注.面向开源和自建糖尿病数据集的实验结果中所提算法的实体识别准确率、召回率和F1值都达到97%以上,表明其可以更加有效地识别中文电子病历中各类实体.