發(fā)布時(shí)間：2024-06-02 08:12

　　隨著我國(guó)人口結(jié)構(gòu)和社會(huì)環(huán)境的改變,心血管病已經(jīng)超越腫瘤成為致死率第一的疾病。每年居民疾病總死亡人數(shù)中40%以上是由心血管病導(dǎo)致的,并有逐年上升的趨勢(shì)。更為嚴(yán)峻的是,隨著大氣污染的加劇和不良生活習(xí)慣的蔓延,心血管病患病人群呈現(xiàn)逐年年輕化趨勢(shì)。心血管病的監(jiān)控與防治,耗費(fèi)國(guó)家大量的資金和資源,其已經(jīng)成為提升國(guó)民健康水平,加快國(guó)家健康事業(yè)發(fā)展中的一大難題。心血管病高致死率的主要原因是其發(fā)病具有隱蔽性和突發(fā)性,作為臨床診斷心血管病最有效的工具心電圖和醫(yī)學(xué)影像具有各自的特點(diǎn)。動(dòng)態(tài)心電圖的可便攜性使其可實(shí)時(shí)監(jiān)測(cè)和預(yù)警突發(fā)心血管病,在心血管病預(yù)測(cè)方面具有突出作用,但其為體外微弱電信號(hào),不能窺視內(nèi)因;醫(yī)學(xué)影像的高精度使其可發(fā)掘心血管病本質(zhì)原因,在心血管病精確診療方面起著突出作用,但其不具有實(shí)時(shí)性。因此,將人工智能技術(shù)與它們結(jié)合,充分發(fā)揮出心電圖和醫(yī)學(xué)影像各自的優(yōu)勢(shì),能夠有效提高心血管疾病預(yù)防和診療的效率,降低心血管病的致死率。針對(duì)以上問(wèn)題和挑戰(zhàn),本文從動(dòng)態(tài)心電圖和醫(yī)學(xué)影像兩個(gè)數(shù)據(jù)層面出發(fā),研究了心血管疾病的智能預(yù)測(cè)和精確診斷算法。在動(dòng)態(tài)心電圖數(shù)據(jù)層面,研究高危心血管病智能預(yù)測(cè)與實(shí)時(shí)預(yù)警算法。在醫(yī)學(xué)影像數(shù)...

【文章頁(yè)數(shù)】：98 頁(yè)

【學(xué)位級(jí)別】：博士

【文章目錄】：
摘要
Abstract
英文縮略詞
第一章 緒論
    1.1 課題研究背景和意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
    1.3 本文主要內(nèi)容
    1.4 論文的組織和安排
第二章 基于堆棧稀疏自動(dòng)編碼網(wǎng)絡(luò)的心律失常自動(dòng)識(shí)別
    2.1 心律失常的心電圖表現(xiàn)
        2.1.1 心電圖概述
        2.1.2 常見(jiàn)的心律失常及心電圖特征
    2.2 心律失常識(shí)別的研究現(xiàn)狀
    2.3 堆棧稀疏自動(dòng)編碼網(wǎng)絡(luò)
        2.3.1 稀疏自動(dòng)編碼器
        2.3.2 堆棧稀疏自動(dòng)編碼網(wǎng)絡(luò)
    2.4 心律失常自動(dòng)識(shí)別的實(shí)現(xiàn)
        2.4.1 心拍構(gòu)建
        2.4.2 堆棧稀疏自動(dòng)編碼網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)及深度特征提取
        2.4.3 Softmax分類器
    2.5 實(shí)驗(yàn)結(jié)果與討論
        2.5.1 數(shù)據(jù)來(lái)源
        2.5.2 實(shí)驗(yàn)結(jié)果分析
    2.6 本章小結(jié)
第三章 基于回聲狀態(tài)網(wǎng)絡(luò)的心源性猝死智能預(yù)測(cè)
    3.1 心源性猝死的心電圖特征
    3.2 心源性猝死預(yù)測(cè)的研究現(xiàn)狀
    3.3 心源性猝死的智能預(yù)測(cè)
        3.3.1 信號(hào)預(yù)處理
        3.3.2 數(shù)據(jù)集構(gòu)建
        3.3.3 回聲狀態(tài)網(wǎng)絡(luò)構(gòu)建
    3.4 實(shí)驗(yàn)結(jié)果與討論
        3.4.1 數(shù)據(jù)來(lái)源
        3.4.2 數(shù)據(jù)庫(kù)信號(hào)分析
        3.4.3 實(shí)驗(yàn)結(jié)果
    3.5 本章小結(jié)
第四章 基于光學(xué)相干圖像的冠脈血管內(nèi)膜輪廓自動(dòng)提取
    4.1 冠脈光學(xué)相干圖像介紹
        4.1.1 光學(xué)相干圖像原理和應(yīng)用
        4.1.2 冠脈光學(xué)相干圖像在心血管方面應(yīng)用的特點(diǎn)
    4.2 冠脈光學(xué)相干圖像中血管內(nèi)膜輪廓自動(dòng)提取研究現(xiàn)狀
    4.3 基于線性標(biāo)簽最大流算法的冠脈血管內(nèi)膜輪廓自動(dòng)提取
        4.3.1 OCT圖像的小波分解及灰度分布分析
        4.3.2 線性標(biāo)簽最大流算法實(shí)現(xiàn)過(guò)程
    4.4 評(píng)價(jià)指標(biāo)
    4.5 實(shí)驗(yàn)結(jié)果討論與分析
        4.5.1 數(shù)據(jù)來(lái)源
        4.5.2 參數(shù)選取分析
        4.5.3 特殊情況討論
        4.5.4 實(shí)驗(yàn)結(jié)果分析
    4.6 本章小結(jié)
第五章 冠脈OCT圖像中斑塊和易損斑塊的自動(dòng)識(shí)別
    5.1 冠脈OCT圖像中斑塊特征
        5.1.1 冠脈OCT圖像中斑塊的形成原理及圖像特征
        5.1.2 冠脈OCT圖像中易損斑塊分類及其特征
    5.2 斑塊自動(dòng)識(shí)別的研究現(xiàn)狀
    5.3 基于A-line深度建模的斑塊和易損斑塊識(shí)別
        5.3.1 OCT圖像展開(kāi)及A-line提取
        5.3.2 A-line深度建模與分類網(wǎng)絡(luò)構(gòu)建
        5.3.3 斑塊區(qū)域自動(dòng)生成
        5.3.4 TCFA自動(dòng)檢測(cè)
    5.4 實(shí)驗(yàn)結(jié)果分析與討論
        5.4.1 A-line分類
        5.4.2 斑塊和易損斑塊識(shí)別
        5.4.3 與其他方法結(jié)果對(duì)比
    5.5 本章小結(jié)
第六章 總結(jié)和展望
    6.1 總結(jié)
    6.2 展望
參考文獻(xiàn)
致謝
個(gè)人簡(jiǎn)介及攻讀學(xué)位期間取得的研究成果



本文編號(hào)：3987062