相关实验视频
Updated: Jul 9, 2025
09:55
Three-Dimensional Imaging of Aortic Tissues in Atherosclerosis
Published on: October 25, 2024
945
适应性卷积字典学习,用于 denoising seismocardiogram,以提高大动脉狭窄的分类性能
Bowen Xu1, Fangfang Jiang1, Ziyu Zhu1
1College of Medicine and Biological Information Engineering, Northeastern University, Shenyang, 110169, China; Key Laboratory of Medical Image Computing, Ministry of Education, Shenyang, 110169, China.
Computers in biology and medicine
|December 6, 2023
概括
这项研究引入了一种用于地震心电图 (SCG) 信号的新方法,显著提高了大动脉狭窄症 (AS) 分类的准确性. 该技术有效地消除了传感器和量子化噪声,增强了用于心脏病诊断的可穿戴心脏监测.
科学领域:
- 生物医学工程 生物医学工程
- 信号处理 信号处理
- 心血管诊断心血管诊断服务
背景情况:
- 大动脉狭窄 (AS) 是一种常见的膜性心脏病 (VHD).
- 震心图 (SCG) 提供了一种通过可穿戴传感器进行AS诊断的非侵入性,具有成本效益的方法.
- 心脏病患者的弱SCG信号容易受到噪音的影响,阻碍了准确的分类.
研究的目的:
- 开发一种新的方法来消除SCG信号的噪声,特别是解决被忽视的传感器和量子化噪声.
- 为了提高AS分类的准确性,使用已删除的SCG数据.
- 克服基于SCG的心脏监测中的仪器限制.
主要方法:
- 采用了基于稀疏建模的卷积字典学习方法.
- 从杂的SCG测量生成了一个个性化,适应大小的字典.
- 在转换域中使用稀缺的编码和重建来消除SCG,同时保留波形特征.
主要成果:
- 使用自主收集的SCG数据集建立了最佳的词典学习参数.
- 该方法成功地对50名受试者 (25名AS,25名非AS) 的SCG数据进行了反.
- 一个双层神经网络分类器在无声化后实现了90.2%的准确性,提高了13.8%.
结论:
- 拟议的基于稀疏性的无噪技术有效地从SCG中去除传感器和量子化噪声.
- 这种方法显著提高了AS分类的性能,显示了基于SCG的诊断的前景.
- 该方法解决了仪器仪表的限制,提高了可穿戴心脏监测的实用性.
