一、心律失常治疗的现状和展望（论文文献综述）
顾蔚文[1]（2021）在《导师传承吴门名医叶天士中医药治疗心悸经验研究》文中研究表明目的:应用中医传承辅助平台,整理叶天士和导师陈竞纬主任治疗心悸医案和处方,对组方药物进行数据分析,总结两位医家治疗心悸的治则治法、处方思路、用药规律等,探讨导师对叶天士治疗心悸经验的传承与发扬,提炼吴门中医治疗心悸病的特色,更好地指导临床用药。方法:收集吴门名家叶天士现存所有医案着作,整理《临证指南医案》《未刻本叶天士医案》《叶氏医案存真》《眉寿堂方案选存》《种福堂公选医案》《叶天士晚年方案真本》《三家医案合刻·叶天士医案》等着作中与心悸有关医案,以及2018年至2020年三年内导师陈竞纬主任于心内科门诊诊治的心悸处方。统一规范中药名称、性味、归经后录入中医传承辅助平台系统（V2.5）,统计分析药物使用频次及性味归经特点,基于关联规则分析和复杂系统熵聚类分析对数据系统归纳整理,以此分析总结比较两位医师治疗心悸的传承与发扬之处。结果:整理叶天士 91则心悸医案及处方可知,叶天士喜用茯神,人参,炙甘草,白芍,生地黄等治疗心悸,药物四气以温性、平性、寒性居多,药物五味以甘味、苦味、辛味多见,归经多属于肾经、心经、肝经。基于关联规则分析方法,提取出常用药对4对:人参—茯神,炙甘草—白芍,生地—阿胶,大枣一桂枝—炙甘草。基于熵层次聚类分析方法,提取出例如以炙甘草、白芍、大枣为主的8个核心药物,以及4个新候选处方如炙甘草、白芍、大枣、生地黄、阿胶、麦冬等。整理陈竞纬主任121则心悸病例处方可知,导师喜用五味子、龙骨、太子参、酸枣仁、炙甘草、麦冬等治疗心悸,药物四气以温性、平性、寒性居多,药物五味以甘味、苦味、辛味多见,归经多属于心经、脾经、肝经。基于关联规则分析方法,发现常用药对以太子参一五味子、龙骨—五味子、麦冬—五味子、麦冬—太子参、酸枣仁—五味子、龙骨—牡蛎为主。基于熵层次聚类分析方法,提取出例如茯神、当归、远志为主的10个核心药物,以及5个新候选处方如茯神、当归、远志、枳壳、酸枣仁等。结论:通过对叶天士和导师治疗心悸的处方规律及用药思路的分析,可知导师既有一脉相承之处,即二人均主张“心气不足”为心悸的发病基础,将“以补为要”作为治疗心悸的主要治则,注重“补虚固本,益气养阴,宁心安神”的治疗大法,多有“顾护脾胃”“轻、清、灵、巧”的用药特色。在此基础上,导师在治法及处方思路上又有所发挥。二位医家在治法上略有不同,叶天士注重扶正补虚,善用气阴双补之药;导师除此以外更注重“补、养、镇、行”的治法,即灵活运用“重镇安神、疏理气机、活血化瘀”治法治疗心悸。在组方思路方面二者各有侧重,叶天士主张“心肾同治,交通心肾”,而导师则主张“心脾同治,心肝同治”的应用。综上可得导师传承了叶天士的主要治则、治疗大法与用药特色,对治法、处方思路有发扬之处,同时叶天士一些治疗经验例如“心肾同治”等还需我们进一步挖掘与发扬。
梁美玲[2]（2021）在《基于神经网络的心电信号分析系统设计与实现》文中研究表明随着经济的发展和国民生活方式的改变,中国心血管病的发病人数持续增加,心脑血管疾病已成为首位致死原因,防治心血管病刻不容缓。心电图（Electrocardiogram,ECG）用来表征心脏的电活动,是医生诊断和治疗心血管疾病的重要依据。本论文基于深度学习的卷积神经网络,研究了一种心电信号分析系统。本文的主要工作分为:1.提出基于能量分段的心电信号QRS特征波检测算法。利用MIT-BIH心律失常数据库（MITDB）、欧盟ST-T数据库（ESTD）、运动伪影污染心电数据库（MACECGDB）和便携式心电信号检测设备测得的心电信号进行仿真实验,验证算法的有效性。实验结果表明,QRS特征检测的总体准确率为99.14%,灵敏度为99.36%,正检测率为99.78%。基于能量分段的心电信号QRS特征波检测算法的实时性强,噪声稳健性好,对含有运动伪迹的心电信号也能较准确的检测出QRS位置,性能优于其他算法。2.提出以卷积神经网络（Convolutional Neural Network,CNN）为核心的心律失常多分类的混合模型结构。在传统CNN结构的基础上引入空间金字塔池化层（Spatial Pyramid Pooling,SPP）和极限学习机（Extreme Learning Machine,ELM）,提高分类准确率的同时能够缩短训练时间。SPP 3层的金字塔结构一方面能处理可变长的心电信号片段,另一方面不同的池化步长能对卷积层提取到的特征进行二次挖掘;ELM代替原来的Softmax分类器能有效缩短训练时间。使用MIT-BIH心律失常数据库进行仿真实验,验证混合模型4分类的准确性,实验结果表明,在测试集上总体分类的准确率为99.16%,灵敏度为99.85%,特异性为98.89%,精度为99.85%。在相同软件环境下混合模型结构的分类准确率和训练时间都优于单个模型,为快速准确的识别心律失常类型提供了一种可行方案。3.实现了心律失常分类系统的设计。以神念科技Neuro Sky的BMD101芯片为核心设计了一款便携式的心电信号检测设备,用于日常检测。利用MATLAB GUI设计了一款图形用户界面,将心电信号检测设备得到的心电信号保存到指定文件夹,只需要点击界面按钮就能实现心率计算与心律失常分类结果的显示,体积小,操作简单。
徐爽[3]（2021）在《肺癌术后患者并发心律失常危险因素分析及预测模型构建》文中指出目的了解肺癌患者术后并发心律失常现状;分析肺癌患者术后并发心律失常危险因素;构建肺癌患者术后并发心律失常风险预测模型。方法通过文献回顾查找探究与肺癌患者术后并发心律失常相关危险因素的研究,综述肺癌患者术后并发心律失常的研究现状,阅读分析并提取相关可能危险因素,通过专家会议制定《肺癌手术患者信息数据采集表》进一步完善相关危险因素指标。利用《肺癌手术患者信息数据采集表》采集大连市某三级甲等医院2020年4月至2020年12月期间,接受肺癌手术治疗的患者一般及疾病相关信息。采用单道心电记录仪(Ryhthm WatchTM)记录肺癌患者术后完整的心电信息,以患者术后是否出现心律失常为标准分为心律失常组与非心律失常组进行危险因素的分析及风险预测模型的构建。单因素分析时,计量资料采用Mann-Whitney U非参数检验分析;计数资料采用卡方检验分析,所有结果均为P<0.05为差异有统计学意义。多因素分析时,采用Logistic回归分析中的渐进法（Wald）进行分析,采用进入Logistic回归方程中变量的优势比（odds ratio,OR值）对危险因素进行赋值,建立风险预测模型。采用约登指数最大时的诊界值为最佳诊界值,模型效能采用受试者工作特征曲线（Receiver operating characteristic curve,ROC曲线）进行检验。结果1.现状调查在257名患者中,心电报告结果显示术后发生心律失常患者为52人,占比为20.2%。患者出现心律失常类型包括:心房颤动,传导阻滞,室性心动过速,频发室性期前收缩,频发房性期前收缩,频发房性心动过速,其中房性心律失常34人占总人数的13.2%,占心律失常人数的65.4%,心房颤动19人占总人数7.4%,占心律失常人数的36.5%。2.危险因素分析本文对257名患者其中包括发生心律失常者及未发生心律失常者的数据进行统计分析,单因素分析显示:年龄≥60岁（P=0.007）、糖尿病史（P=0.035）、术前心电图异常（P=0.009）、手术方式开胸（P=0.003）、手术范围为肺叶或全肺切除（P=0.007）、手术时间（P=0.01）、病理类型鳞癌（P=0.001）,为肺癌患者术后并发心律失常的危险因素。多因素Logistic回归分析结果显示肺癌患者发生心律失常的独立危险因素为,年龄≥60岁[OR值和95%CI:1.664（0.843-3.287）,p=0.142)]、术前心电图异常[OR值和95%CI:2.427（1.235-4.770）,p=0.010)]、病理类型鳞癌[OR值和95%CI:3.209（1.050-9.807）,p=0.041)]、手术方式开胸[OR值和95%CI:5.539（1.129-27.183）,p=0.035)]、及手术切除范围为肺叶或全肺切除[OR值和95%CI:1.920（1.004-3.672）,p=0.049)]。3.预测模型构建根据多因素分析中进入Logistic回归方程的各阳性危险因素OR值对各危险因素进行赋值,得到肺癌患者术后并发心律失常风险预测模型方程:分数=2*年龄≥60岁+2*心电图异常+3*病理类型鳞癌+6*手术方式开胸+2*切除范围为肺叶或全肺切除。ROC曲线下面积AUC=0.703,P<0.001,95%CI（0.622,0.784）,提示预测模型诊断价值良好。最大约登指数（0.293）选取最佳临界值,最佳临界值为18.5。结论1.本研究中肺癌患者术后心律失常发生率为20.2%,房性心律失常较为常见占比13.2%,其中心房颤动发生率为7.4%。2.肺癌患者术后发生心律失常的危险因素为年龄≥60岁,术前心电图异常,手术范围为肺叶或全肺切除,手术方式开胸,病理类型鳞癌;3.肺癌患者术后并发心律失常风险预测模型方程为:分数=2*年龄≥60岁+2*心电图异常+3*病理类型鳞癌+6*手术方式开胸+2*切除范围为肺叶或全肺切除。模型ROC曲线下面积AUC=0.703,P<0.001,95%CI（0.622,0.784）,提示本模型预测效果良好,护理人员可以根据本预测模型对肺癌术后患者进行评分,加强高危患者心电监护,并实施早期预防。为制定降低肺癌术后患者并发心律失常的预见性护理干预措施提供依据。
党豪[4]（2020）在《基于深度学习的心脏数据自动分类与分割关键技术研究》文中研究说明目前,心血管病的死亡率处于疾病死亡构成的首要位置,已成为全人类健康的共同威胁。探索一种全自动的心脏数据分类和分割算法对心血管疾病的预防和治疗具有重要的理论研究意义。同时,也可以辅助医生从复杂繁重、费时费力的手动分类与分割工作中解脱出来,具有较大的临床实用价值。心电图数据包含了人体心脏活动的丰富信息,在一定程度上反应了心脏各部位生理活动的健康状况,是评估心脏功能、判定心脏疾病的关键因素之一。心脏核磁共振成像技术是一种无创的心脏成像技术,也是诊断心脏及大血管疾病的重要手段,已成为无创性检测与评价心脏结构和功能的重要依据。本文主要基于深度学习理论,系统地研究一维心电信号的自动检测与分类问题和二维心脏核磁图像的自动分割问题。论文主要包含以下研究内容和创新成果:第一,针对心电信号的预处理技术降噪方向进行研究。由于噪声信号存在高频与低频信号,论文提出了改进的形态学小波变换理论的降噪模型,称为Improved Morphology-WT模型。一方面,理论上分析了形态学滤波和小波变换方法的可行性,小波基函数的选择策略,分解尺度的决策过程,阈值处理方法和改进的阈值估计函数的构建等问题;另一方面,通过大量实验验证了小波基函数和分解层数的决策过程,也证明了 Improved Morphology-WT方法对于ECG信号中的低频和高频信号的降噪是合理可行的,而且为信号检测与分类工作奠定基础。第二,针对于房颤信号的检测与分类问题,本文提出了基于卷积神经网络和双向长短期记忆网络的CB-LinkNet模型。卷积神经网络具有很强的特征学习能力,但由于卷积神经网络的提出主要是解决图像分类、目标检测和图像分割等图像的特征提取任务,并没有重点考虑以信号为核心的一维数据,心电信号本质上是时间序列数据。所以,利用双向长短期记忆网络对卷积神经网络的特征学习能力进行补充和调整,使得网络模型更加适用于时间序列信号的特征提取任务。同时,基于原始房颤数据库（MIT-BIH Atrial Fibrillation database）的数据,论文分割出两种输入型信号:RR间隔数据（数据集A）和心拍序列数据（数据集B）,以验证房颤信号对于输入数据的特征敏感性。论文设计的3组消融性实验最终也验证了模型的鲁棒性和泛化性,模型分类准确率在训练和验证阶段分别达到了 99.94%和98.63%,在测试集上达到了 96.59%,敏感度和特异度在测试集上分别达到了99.93%和97.03%。同时,本文与国内外房颤检测的模型及分类结果进行了比较分析,本文的研究效果更为显着,充分证实了本研究的实际价值。第三,在对心律失常信号深入分析的基础上,本文提出了三个深度神经网络分类模型对多类心律失常信号进行检测与分类,包括plain-CNN 模型和两个 MSF-CNN 模型（A 和 B）。其中,plain-CNN模型是具有多个卷积层的基础网络结构;在plain-CNN模型的基础上提出了 MSF-CNNA,以提高plain-CNN网络的学习能力,主要是增加了并联组卷积操作（包括三个不同的卷积核,分别是1×7,1×5,1×3）;最后,在MSF-CNNA网络的基础上,通过实施串并联组卷积和残差学习模型形成了改进的MSF-CNNA模型,即MSF-CNNB模型,以提高算法的性能。在数据方面,考虑到心律失常类信号的数据特点,本文为模型设计了多尺度的输入信号,以验证数据尺度对于模型性能的影响,同时创造性的在一维信号处理中使用数据增强策略来提高数据的科学性和有效性。六组消融性实验证明了模型泛化能力和鲁棒性,在测试集上,平均准确率、敏感性和特异性分别达到了 96.59%,99.93%,97.03%,也充分体现了模型对于心律失常信号分类任务的重要价值。最后,针对于心脏左心室核磁图像的分割问题,本文提出了 Res-LinkNet分割模型,模型分为Encoder,Center和Decoder三个部分。Encoder的核心部分是模型设计了 ResLink结构模型,这一结构替代了 D-LinkNet中的特征提取器—ResNet结构模型。ResNet网络模型是针对于分类任务而设计的,该设计限制了感受野的范围,而且缺乏跨通道的特征交互与融合,ResLink结构模型可以有效地解决这一问题;Center部分的主要结构是DenseASPP。DenseASPP主要是为了有效解决特征图的感受野问题,其包含一个基础网络,后面分别连接5级空洞卷积层,空洞率分别为3,6,12,18,24,实现了混合空洞卷积。一方面,这一结构使得网络深层的特征图的感受野增大,另一方面,它可以有效缓解普通的空洞卷积运算引起的“网格问题”,同时,对不同通道的特征也进行融合;Decoder部分主要是运用密集上采样卷积操作,通过一系列密集上采样卷积操作来将Encoder阶段下采样的特征图放大至所需尺寸,尽可能地恢复图像特征信息。实验进行了三组消融性分析和一组综合比较分析,结果表明,Res-LinkNet101最终平均准确率达到了 99.88%,mIOU 达到了 94.95%,F1 Score 达到了95.57%,充分体现了模型对于左心室分割的有效性。纵览全文,本文的主要创新点如下:（1）在心电信号降噪技术研究中,论文提出了 Improved Morphology-WT降噪模型,同时也提出了自适应阈值估计方法和改进的阈值函数来完成模型中的小波分解工作。（2）在房颤信号检测与分类研究中,本文提出了融合了卷积神经网络和双向长短期记忆模型的CB-LinkNet模型,同时设计两类输入型信号以评估房颤信号的特征敏感性。（3）在多类心律失常信号检测与分类研究中,本文提出了三个端到端的分类网络模型,同时创新性的在信号中设计了数据增强方法,以有效避免模型过拟合。（4）在左心室分割研究中,论文提出了 Res-LinkNet分割模型,并在Encoder部分设计了基于Attention的ResLink结构模型来完成对心脏核磁影像的特征提取工作。
石用伍[5]（2020）在《面向心肺慢病管理的穿戴式生理参数监测感知技术研究》文中进行了进一步梳理随着社会的发展和全球人口老龄化的趋势越发严重,心肺慢病已成为威胁老龄化人群健康的头等病因,同时,心肺慢病不断呈现年轻化发病趋势。伴随医学科技的发展以及人民健康意识的提高,现代医疗模式更主张实现对“健康人”的生命体征信息动态健康监测管理,提倡“预防重于治疗”,关注治“未病”,让病人得到个体化、动态的医疗服务。心电、心率、脉搏、血氧饱和度、呼吸、体温、血压等这些人体基本的生理参数与疾病的防治密切相关。从技术手段上来说,除了医院专业的医疗设备可以实现对人体健康状态监测外,便捷、灵活的穿戴式生理参数监测系统为个性化实时的生理参数监测提供了技术支撑平台。现代医疗模式的转变,对医疗级穿戴式微型化、智能化设备提出了更高的要求,穿戴式生理参数监测采用微型化、智能化、高精度的各种传感器采集人体的生理参数,实现对人体健康生理参数无创连续的实时监测,是实现全面健康和个性化医疗较为有效的新型医疗监护模式。然而,具备微型化、低功耗、高精度的穿戴式系统感知技术的研究目前仍然是穿戴式医疗研究的难点之一。全面深入地开展穿戴式医疗感知技术的相关研究对于个性化疾病的诊断和治疗、解决健康管理、养老服务、慢病管理和看病难等问题都具有非常重要的意义。本文以“感知”为切入点,根据穿戴式生理参数监测系统感知技术环节存在的关键问题,主要针对脉搏、心率传感器感知材料制备及传感性能测试、面向心肺慢病管理的穿戴式生理参数监测系统、穿戴式心电信号的信息融合分类算法等几个方面进行了深入的研究,具体包含以下内容:（1）多金属盐酸盐/二维氧化石墨烯（polyoxometalate/two dimensional graphene nanosheets,简称POM/2D GNs）柔性穿戴式脉搏、心率传感器感知电极材料制备及传感性能研究。本文制备了POM/2D GNs复合材料,并对该材料进行X射线衍射（X-Ray Diffraction,简称XRD）、透射电镜（Transmission electron microscope,简称TEM）、X射线能谱分析（Energy dispersive X-ray spectroscopy,简称EDS）表征及电化学性能测试。构建了基于POM/2D GNs的水滴监测传感器模型,利用放置和移除水滴的方式对该传感装置的响应能力进行测试,结果表明,测量到的ΔADC值可以很好地响应水滴放置和移除POM/2D GNs传感器时的压力信号变化。为探索POM/2D GNs传感器在人体脉搏、心率监测领域的应用潜力,我们设计了一种柔性脉搏传感器装置模型,并将其固定于手腕脉搏处,进行连续15秒的脉搏监测记录。结果表明,基于POM/2D GNs的传感器对外部脉冲很敏感,监测结果与PPG技术监测到的脉搏波结果基本一致。因此,POM/2D GNs被证实可用于穿戴式医疗系统用来实现对人体脉搏、心率等生命体征参数的监测。这项工作为柔性穿戴式心电、脉搏传感器的制备开辟了新的途径。（2）2D GNs/ZnS:Mn2+/POM力致发光柔性穿戴式脉搏、心电传感器感知电极材料制备及传感性能研究。在POM/2D GNs脉搏传感器感知材料的基础上,本文进一步制备了2D GNs/ZnS:Mn2+/POM复合材料,并对该材料进行XRD、TEM、PL（光致发光）、ML（力致发光）和电化学性能表征。结果表明,该材料具有压力控制发光性能,ML强度和压力值在一定范围内呈线性关系。由于具有高导电性能的2D GNs和POM的引入,2D GNs/ZnS:Mn2+/POM电极具备对外界的刺激响应敏感和高导电特性。构建了2D GNs/ZnS:Mn2+/POM传感器装置模型,并对脉搏、心电信号进行监测,实验结果表明,该复合材料可以作为脉搏、心电传感器感知电极用于穿戴式脉搏、心率的监测。本文的研究进一步丰富了穿戴式柔性脉搏、心率传感器感知电极材料的制备方法,对柔性石墨烯基材料作为心电、脉搏传感器的新应用提供了一定的借鉴价值。（3）面向心肺慢病管理的穿戴式生理参数监测系统。本文设计的穿戴式心肺慢病生理参数监测系统充分结合了传统的心电监护设备的技术优势,以低功耗、小型化和兼顾生理信号测量的准确性为目标,选取ADS1292、AFE4400、STM32等低功耗模拟前端和芯片方案,设计了集3导联的心电信号采集和血氧饱和度监测模块为一体的穿戴式心肺慢病监测系统,经验证,该系统能有效地采集到心电和血氧饱和度信号。同时利用该系统对本文制备的石墨烯基感知材料POM/2D GNs进行了心电信号的采集验证。（4）深度卷积神经网络（Deep Convolutional Neural Network,简称DCNN）的心律失常分类算法研究。通过对前端采集到的心电信号中获取有用的信息辅助临床医生的诊断具有重要意义,也是智能穿戴设备系统的核心和关键感知技术之一。本文提出了一种基于深度卷积神经网络的心律失常分类算法,生成具有患者特异性的深层结构自动心拍分类模型,提出方法的优点包括减少了前期的心电信号噪声处理、单独的特征提取等步骤。提出模型对MIT-BIH心律失常数据库四类心拍识别的平均准确率为96.79%,平均特效度为97.85%,综合性能评价指标达95.98%。（5）卷积神经网络+长短时记忆网络+注意力机制（Convolutional Neural Network+Long Short-Term Memory+Attention,简称CLSTMA）组合神经网络模型的心律失常分类算法研究。本文在深度卷积神经网络的基础上进一步提出了CLSTMA组合神经网络模型。经过20轮次的训练和调参过程,生成具有患者特异性的深层结构自动心拍分类模型,提出方法减少了前期的心电信号噪声处理、单独的特征提取等步骤的同时,进一步增强了模型的泛化能力。提出的模型对MIT-BIH心律失常数据库四类心拍识别验证结果表明,模型的综合性能评价指标达96.86%,以室性早博为例,模型的准确率达到96.70%,特效度达到98.22%,与已有文献进行比较,该模型的整体性能优于文献报道的模型性能。综上,论文的研究成果进一步拓展和丰富了穿戴式医疗感知技术方面的研究,从感知技术层面上为心肺慢病监测系统乃至利用其他柔性穿戴技术实现对人体健康体征信息的采集、疾病的预防和诊断提供了理论基础和技术支持。
程相前[6]（2020）在《基于CNN与SVR证据理论融合的ECG信号分类》文中研究表明心血管疾病作为威胁人类健康的重要杀手,近年来呈现出逐年增加的趋势。心血管疾病患者早期常常出现心律失常的症状,因此,病人心律失常的早期检查至关重要。传统的临床诊断是医生通过心电图分析心电信号中所含的病理信息,对心律失常进行排查与诊断。自动分析技术则是利用计算机对心电图分析,它能够解放医生的精力和时间,有效地对心电图进行实时监测。因此,构建一个心律失常自动分类系统,对心血管疾病的预防和诊断具有很大的积极作用。本文利用卷积神经网络和支持向量回归进行心拍特征的学习,并用证据理论进行数据融合,具体研究内容如下:（1）心电信号（ECG）的低幅和低频等特性,导致采集过程中容易被噪声所干扰。本文根据噪声的不同频率,分别设计相应的滤波器进行信号还原。对于基线漂移低频噪声,采用中值滤波器进行基线的修正。对于高频噪声,采用小波变换的方法进行信号的还原。还原后的信号能够保留更多的有效病理特征。（2）特征提取中,为了保证心拍中蕴含的病理信息得到充分提取,需要对P波、QRS波和T波三个波段进行完整截取。本文拟采用差分阈值法对QRS波定位以及心拍样本的分割。对分割后的信号,分别提取时域特征和频域特征来表征心拍。（3）心拍分类系统搭建。分别采用卷积神经网络和支持向量回归进行ECG信号的分类。对于时域特征,采用卷积网络进行特征学习。卷积神经网络具有自学习、自适应的特点。并且其自身复杂的网络结构,对高层特征的挖掘也有着自己的优势。本文基于传统的卷积网络模型,搭建出一维CNN网络进行信号的识别分类。对于频域特征,设计多个支持向量回归机,对每种信号进行回归预测。针对两种分类器的预测结果,利用D-S证据理论进行数据融合。相比单个分类器,融合后的预测结果有着更高的准确率。
李泓毅[7]（2020）在《心律失常辅助诊断系统的设计与实现》文中研究说明近年来,由于饮食习惯改变以及人口老龄化等因素,心血管疾病的发病率呈逐年上升的趋势,已成为我国城乡居民发病率最高的疾病。心血管疾病具有隐匿性、发病急和死亡率高的特点,尽早发现是治疗的关键,且心电图是诊断心律失常的金标准,可通过心电图对心律失常进行诊断。心律失常辅助诊断系统在对心电信号实时检测的同时可以对心拍分类进行分类,为医生诊断时提供参考,进而弥补医生水平间的差距。目前常见的心律失常辅助诊断系统仍有许多不足之处,如心电信号检测算法计算复杂度高、对异常心电信号检测效果较差;心律失常分类算法特征提取单一、分类效果较差;心律失常辅助诊断系统缺乏心电信号实时诊断功能等问题。针对以上存在的问题,本文围绕心电信号检测算法和心律失常分类算法展开研究,设计并实现了便携式心律失常辅助诊断系统。本文研究结果如下:1.基于系统实时性的要求,结合香农能量和改进自适应阈值法,提出了一种快速QRS波检测算法。首先对信号进行去噪及归一化预处理;然后计算处理后信号的香农能量,使用改进的自适应阈值法进行定位并结合QRS波增强后的信号对定位结果进行修正;最后,加入回检机制,提高QRS波检测的准确率和稳定性。基于MIT-BIH心律失常数据库的数据对所提出的算法性能进行了评估,分析结果表明,本文QRS波检测算法在信号中存在高大P波和T波、不规则心律、信号受噪声干扰严重等情况下依然能准确定位QRS波的位置,对数据库中共109494个心拍进行检测的敏感性、阳性检测度和准确率分别达到了99.88%,99.85%和99.73%。该算法在保证检测准确率的同时,计算复杂度较低,有利于心律失常辅助诊断系统的快速QRS波检测。2.为提高心律失常辅助诊断系统的心律失常分类准确率,提出了一种基于融合特征和随机森林的心律失常分类算法。本文首先对信号进行去噪,然后对每个心拍分别提取医学特征、统计特征和形态特征,并对三种特征进行级联以增强特征表达能力,其中医学特征为RR间期,可以反映心率变化;统计特征包括峰度系数、偏度系数和标准差,可以反映心电信号的幅值变化趋势;形态特征为主成分分析法降维后的小波包分解系数,可以反映心电信号的形态变化。最后对比了支持向量机、BP神经网络和随机森林三种分类器的心律失常分类准确率。采用MIT-BIH心律失常数据库中5种心律失常类型数据,分别在病人内和病人间两种分类模式下进行测试。对比三种分类器的结果,基于随机森林的分类准确率最高,且模型的训练和单个心拍的分类时间较短。其中病人内分类模式下使用十折交叉验证的方式进行分组,获得的分类准确率、特异性和敏感性分别为99.08%、99.00%和89.31%;病人间分类模式下使用22组数据作为训练集,使用另外22组数据作为测试集,获得的分类准确率和特异性分别为92.31%和89.98%。该算法在常见心律失常分类中达到了较高分类准确率,为心律失常辅助诊断系统提供了心律失常分类方法。3.建立了便携式心律失常辅助诊断系统并进行了系统功能测试。本文通过系统硬件选型、电路搭建和程序设计,建立了便携式心律失常辅助诊断系统。选用AD8232传感器作为信号采集模块,STM32最小系统作为信号采样模块,Raspberry Pi 3b作为信号处理模块并结合显示屏完成结果显示和用户交互操作的功能。在程序设计部分完成了数字滤波器、QRS波检测算法、心律失常分类算法的设计,并设计用户交互界面对算法进行封装。系统测试表明,本文系统能够较好地实现心电信号采集、信号实时显示、心率计算、心拍分类及信号存储的功能,满足便携式心律失常辅助诊断系统的要求。
蔡芸[8]（2020）在《基于Galectin-3介导的TGF-β1/Smad3通路探讨参连复脉颗粒抗炎抗早期纤维化机制》文中认为研究背景:心房颤动（Atrial Fibrillation,AF）是一种常见的心律失常,严重影响患者的生存预期和生活质量。目前,房颤最主要的干预手段为抗心律失常药物（Antiarrhythmic Drug,A AD）及射频消融术,但存在多种不足。心房基质重构是房颤发生和维持的基础,心房纤维化是心房基质重构最主要表现形式,炎症反应为其诱发和加重因素。大量研究表明,TGF-β1/Smad3信号通路与心房纤维化密切相关,是心房纤维化相关因子的重要调控机制。房颤的危险因素可以有效促进巨噬细胞释放Galectin-3,而Galectin-3可通过参与调节成纤维细胞的激活和增殖,最终导致心脏纤维化、心脏重构,导致房颤的发生并维持房颤。因此提出参连复脉颗粒含药血洁及其有效成分小檗碱可能是通过调节TGF-β1/Smad3通路,起到抑制Galectin-3介导的促炎、促心房纤维化反应的作用的假说。研究目的:通过建立内毒素（LipopolySaccharide,LPS）诱导的小鼠单核巨噬细胞（RAW264.7）炎症反应模型、LPS诱导的RAW264.7炎症反应培养液+小鼠心肌成纤维细胞（Mouse Cardiac Fibroblasts,MCFs）共培养模型,从炎症角度探讨参连复脉颗粒含药血清及其有效成分小檗碱抗心房早期纤维化的机制。第一部分:基于Galectin-3介导的TGF-β1/Smad3通路探讨参连复脉颗粒含药血清抗炎抗心房早期纤维化的机制研究方法:实验一:参连复脉颗粒含药血清对LPS诱导的小鼠单核巨噬细胞炎症反应的影响建立LPS诱导RAW264.7炎症反应模型,分为正常对照组、模型组、中药低浓度组、中药中浓度组、中药高浓度组、阳性药组,采用MTT法检测RAW264.7细胞活性及增殖,荧光染色双标法观察RAW264.7极化,ELISA法检测上清液中相关因子水平,Western Blot法检测通路相关蛋白的表达。实验二:参连复脉颗粒含药血清对小鼠心肌成纤维细胞纤维化相关蛋白的影响建立LPS诱导RAW264.7炎症反应培养液+MCFs共培养模型,分为正常对照组、模型组、中药低浓度组、中药中浓度组、中药高浓度组、阳性药组、Galectin-3四肽抑制剂（AC-SDKP）组,Western Blot法检测通路相关蛋白的表达。研究结果:实验一:细胞活性及增殖情况:与正常对照组比较,模型组MTTOD值显着升高（P<0.01）,提示LPS可促进RAW264.7细胞增殖;与模型组比较,低浓度、高浓度含药血清组和阳性药组OD值显着下降（P<0.01）,中浓度含药血清组OD值有下降趋势,但差异无统计学意义（P=0.07）;与阳性药组比较,低、中、高浓度含药血清组无统计学差异（P>0.05）;与中浓度含药血清组比较,低浓度、高浓度含药血清组OD值显着降低（P<0.01）。RAW264.7极化:与正常对照组比较,模型组CD163（+）/CD68（+）值显着降低（P<0.01）;与模型组比较,低、中、高浓度含药血清组和阳性药组显着升高（P<0.01）;与阳性药组比较,低、中、高浓度含药血清组无统计学差异（P>0.05）。CD68荧光强度:与正常对照组比较,模型组CD68荧光强度升高（P<0.05）;与模型组比较,高浓度含药血清组和阳性药组强度降低（P<0.05）,低浓度和中浓度含药血清组无统计学差异（P>0.05）;与阳性药组比较,各含药血清组差异无统计学差异（P>0.05）。CD163荧光强度:各组间比较无统计学差异（P>0.05）。上清液炎症因子水平:Galectin-3、TNF-α水平:各组间结果比较无统计学差异（P>0.05）。IL-6水平:与正常对照组比较,模型组IL-6水平显着升高（P<0.01）;与模型组比较,低、中、高浓度组、阳性药组IL-6水平均显着下降（P<0.01）;与阳性药组比较,低、中、高浓度组IL-6水平无统计学差异（P>0.05）。炎症因子蛋白表达水平:Galectin-3、INOS蛋白表达水平:各组间结果比较无统计学差异（P>0.05）。与正常对照组相比,模型组INOS蛋白表达水平有升高趋势（P=0.1）;与模型组比较,低浓度、高浓度含药血清组INOS蛋白表达水平有降低趋势（P=0.08）。IL-6蛋白表达水平:与正常对照组相比,模型组IL-6蛋白表达水平显着升高（P<0.01）;与模型组比较,低浓度、高浓度含药血清组IL-6蛋白表达水平降低（P<0.05）,阳性药组IL-6蛋白表达水平呈下降趋势,但差异无统计学意义（P=0.09）,中浓度组IL-6蛋白表达水平差异无统计学差异（P>0.05）;与阳性药组比较,各含药血清组差异无统计学意义（P>0.05）。TNF-α蛋白表达水平:与正常对照组相比,模型组TNF-α蛋白表达水平显着升高（P<0.01）;与模型组比较,低浓度含药血清组TNF-α蛋白表达水平降低（P<0.05）,中浓度、高浓度含药血清组和阳性药组TNF-α蛋白表达水平呈下降趋势,但差异无统计学意义（P=0.1）。实验二:Galectin-3、TGF-β1、Smad3、p-Smad3、MMP-3、TIMP-3 蛋白表达水平:各蛋白表达水平组间比较差异均无统计学意义（P>0.05）。研究结论:参连复脉颗粒含药血清可促进LPS诱导的RAW264.7细胞向M2型极化,抑制LPS诱导的炎症反应,但是否基于Galectin-3介导的TGF-β1/Smad3信号通路起到抗早期纤维化的作用有待于进一步研究。第二部分:基于网络药理学研究黄连治疗心房颤动的活性成分及作用机制研究目的:本研究拟通过网络药理学的方法,分析、预测黄连治疗房颤的药效基础、作用靶点,为阐明黄连的分子作用机制提供参考依据。研究方法:TCMSP（Traditional Chinese Medicine Systems Pharmacology Data-base and Analysis Platform）数据库中检索黄连所有成分及靶点,以“Atrial Fibrillation”为关键词分别检索TTD、DrugB ank、美国国家生物技术信息中心（NCBI）数据库,获得疾病靶点,通过Cytoscape3.2.1软件进行相关靶点可视化构建,利用 Bisogenet 插件构建相关靶点蛋白-蛋白相互作用（Protein-protein interactions,PPI）网络,通过Merge功能得到药物-疾病共同相关的靶点,CytoNCA插件对“成分-靶点-疾病网络”进行拓扑分析,计算出度值,进行核心网络构建与分析,利用David数据库将药物-疾病共同相关靶点进行Go注释与KEGG富集通路分析,通过OmicShare平台以高级气泡图进行可视化。研究结果:结果显示有11个活性成分可以直接或间接作用于159个靶点,5106条边,涉及20条疾病通路,其中针对房颤有效的黄连活性成分主要包括小檗碱、小檗红碱、巴马汀等,它们可能通过调节基因表达、蛋白代谢、巨核细胞分化等生物过程及 PI3K-AKT、MAPK、HIF-1、Notch、Hippo、TGF-β 和 NF-kappa B等信号通路来发挥治疗房颤的作用。研究结论:本研究初步探索和预测了黄连治疗房颤的药效物质基础与分子生物学机制,并在后续实验中验证盐酸小檗碱是否可能通过TGF-β信号通路发挥抗房颤的作用。临床应用主要为小檗碱的盐酸盐和硫酸盐,两者药理作用相似,而硫酸小檗碱为兽用非处方药,故选取盐酸小檗碱进一步实验。第三部分:基于Galectin-3介导的TGF-β1/Smad3通路探讨参连复脉颗粒有效成分小檗碱抗炎抗心房早期纤维化的机制研究方法:实验一:参连复脉颗粒有效成分小檗碱对LPS诱导的小鼠单核巨噬细胞炎症反应的影响建立LPS诱导的RAW264.7炎症反应模型,分为正常对照组、模型组、盐酸小檗碱0.1 μM组、盐酸小檗碱1 μM组、盐酸小檗碱10μM组、阳性药组,采用MTT法检测RAW264.7细胞活性及增殖,荧光染色双标法观察RAW264.7极化,ELISA法检测上清液中相关因子水平,Western Blot法检测通路相关蛋白的表达。实验二:参连复脉颗粒有效成分小檗碱对小鼠心肌成纤维细胞纤维化相关蛋白的影响建立LPS诱导的RAW264.7炎症反应培养液+MCFs共培养模型,分为正常对照组、模型组、盐酸小檗碱0.1 μM组、盐酸小檗碱1 μM组、盐酸小檗碱10 μM组、阳性药组、AC-SDKP组,Western Blot法检测通路相关蛋白的表达。研究结果:实验一:细胞活性及增殖情况:与正常对照组比较,模型组OD值显着升高（P<0.01）,提示LPS可促进RAW264.7细胞增殖;与模型组比较,0.1 μM、1 μM、10 μM盐酸小檗碱组和阳性药组OD值显着降低（P<0.01）;与阳性药组比较,1 0 μM盐酸小檗碱组OD值显着降低（P<0.01）,0.1 μM、1μM盐酸小檗碱组OD值无统计学差异（P>0.05）;与0.1 μM盐酸小檗碱组比较,10 μM组OD值显着降低（P<0.01）,1 μM组OD值无统计学差异（P>0.05）。RAW264.7极化:与正常对照组比较,模型组CD163（+）/CD68（+）显着降低（P<0.01）;与模型组比较,0.1 μM盐酸小檗碱组和阳性药组显着升高（P<0.01）;与阳性药组比较,0.1 μM盐酸小檗碱组无统计学差异（P>0.05）。CD68荧光强度:各组间比较差异无统计学意义（P>0.05）。CD163荧光强度:各组间比较差异无统计学意义（P>0.05）。上清液炎症因子水平:Galectin-3水平:与正常对照组比较,模型组OD值显着升高（P<0.01）;与模型组比较,10μM盐酸小檗碱组和阳性药组OD值显着升高（P<0.01）,0.1μM、1 μM盐酸小檗碱组OD值无统计学差异（P>0.05）;与阳性药组比较,10μM盐酸小檗碱组OD值显着升高（P<0.01）,0.1 μM、1 μM盐酸小檗碱组OD值显着降低（P<0.01）;与0.1μM盐酸小檗碱组比较,10 μM组OD值显着升高（P<0.01）,1μM组OD值无统计学差异（P>0.05）。IL-6水平:与正常对照组比较,模型组IL-6水平显着升高（P<0.01）;与模型组比较,1 μM、1 0 μM盐酸小檗碱组IL-6水平显着降低（P<0.01）,0.1 μM盐酸小檗碱组和阳性药组IL-6水平无统计学差异（P>0.05）。TNF-α水平:与正常对照组比较,模型组TNF-α水平显着升高（P<0.01）;与模型组比较,0.1 μM盐酸小檗碱组TNF-α水平显着降低（P<0.01）,1μM、10μM盐酸小檗碱组和阳性药组TNF-α水平无统计学差异（P>0.05）。炎症因子蛋白表达水平:Galectin-3蛋白表达水平:各组间结果比较均无统计学差异（P>0.05）。IL-6蛋白表达水平:与正常对照组比较,模型组IL-6蛋白表达水平显着升高（P<0.01）;与模型组比较,各组IL-6蛋白表达水平无统计学差异（P>0.05）。INOS蛋白表达水平:与正常对照组比较,模型组INOS蛋白表达水平增加（P<0.05）;与模型组比较,10 μM盐酸小檗碱组INOS蛋白表达水平降低（P<0.05）,0.1 μM盐酸小檗碱组INOS蛋白表达水平呈下降趋势（P=0.09）,1μM盐酸小檗碱组和阳性药组无统计学差异（P>0.05）。TNF-α蛋白表达水平:与正常对照组比较,模型组TNF-α蛋白表达水平显着升高（P<0.01）;与模型组比较,0.1μM、10 μM盐酸小檗碱组TNF-α蛋白表达水平明显降低（P<0.01）,1 μM盐酸小檗碱组和阳性药组无统计学差异（P>0.05）。实验二:Galectin-3、TGF-β1、Smad3、p-Smad3、MMP-3、TIMP-3 蛋白表达水平:各蛋白表达水平组间比较差异均无统计学意义（P>0.05）。研究结论:盐酸小檗碱可促进LPS诱导的RAW264.7细胞向M2型极化,抑制LPS诱导的炎症反应,但是否基于Galectin-3介导的TGF-β1/Smad3信号通路起到抗早期纤维化的作用有待于进一步研究。
高俊丽[9]（2020）在《不均衡心律失常智能检测关键问题研究》文中提出心电图（Electrocardiogram,ECG）是最常用的记录心脏一段时间内生理活动的无创诊断工具。心电图有助于诊断许多心血管疾病,如心房过早收缩、心室过早收缩、心房颤动和心肌梗死等。近年来,随着便携式心电监护仪（例如,Holter）以及可穿戴设备（例如,Apple Watch）在医疗领域的飞速发展,心电数据的数量迅速增长,导致心血管疾病自动诊断系统在分析这些数据时出现了不足。因此,如何自动准确地分析心电数据成为多年来的研究热点。针对目前心电数据库中数据分布和其心电数据自身的特点,基于不均衡数据处理技术以及深度学习网络（Deep learning）技术,依据MIT-BIH Arrhythmia Database中心电图数据分布的特点和The China Physiological Signal Challenge2018数据集中ECG信号的特点,围绕心律失常分类优化策略和心律失常自动分类环节中的关键问题,提出了有效的心律失常自动检测算法。论文的主要研究内容总结如下。（1）提出了一种基于长短记忆神经网络（Long-short term memory,LSTM）的类不均衡心律失常自动分类模型。针对ECG信号存在复杂的变化和不平衡的特性,LSTM网络用于提取复杂ECG信号中的时序特征;并使用Focal loss函数缓解ECG数据不均衡带来的梯度优化问题,从而提高了少样本异常ECG信号的识别率。最后,使用MIT-BIH Arrhythmia Database对模型的有效性进行验证;（2）提出了一种新颖的多路卷积神经网络（Multi-channel Convolutional Neural Network,MC-CNN）的节律型心律失常自动分类模型。针对12导联短时ECG信号存在不同的时长的特性,设计12路CNN处理12个导联的ECG数据,每路又结合重叠切片技术,搭建了CNN网络结构提取变长ECG记录的特征进行分类。设计的多路卷积神经网络可以实现基于12导联可变长度ECG记录的心律失常筛查。最后,使用The China Physiological Signal Challenge 2018的短时心电数据验证所提出网络模型的有效性。
李雅静[10]（2020）在《基于生理时间序列的冠心病诊断模型研究》文中认为冠心病是威胁人类健康的主要疾病之一。临床上冠心病诊断主要依赖人工判读和生化指标等间接诊断方式,这种方法诊断效率低、主观因素强。所以基于生理时间序列的冠心病诊断模型研究具有重要意义,可以辅助医生诊断。然而,已有研究存在诸多不足,如信号处理易受人为干扰、冠心病分类模型使用数据多为单导心电（ECG）信号而临床使用多导ECG、临床目前没有很好的定量诊断指标能够对比病情发展。因此,本文使用信号分析技术、深度学习和动态复杂度等理论与方法,研究基于生理时间序列的冠心病诊断模型,主要研究内容如下:首先,基于单导ECG信号提出经验模态分解卷积神经网络（EMDNet）,实现冠心病分类。由于健康人和冠心病患者ECG在时频域上存在显着差异,本文使用经验模态分解技术得到在不同频谱带上的时间变化节律,采用注意力机制学习更为关键的时频域表示,二者共同构成时频域特征表示学习机制;然后使用卷积神经网络进行分类。因此,该模型可自适应地学习信号特征表示,不受人为干扰。其次,基于多导ECG信号提出多元经验模态分解卷积神经网络（MEMDNet）,进行冠心病分类。考虑到临床使用的多导ECG较单导ECG包含更多信息,本文采用多元EMD解决信号分解产生的频谱带不对应问题,同时结合注意力机制共同构成时频空特征表示学习机制,从而深度挖掘多导ECG在空间、时间和频率维度上更为关键的特征表示。因此,该模型未来可以推广至临床使用。然后,基于动态复杂度理论构建冠心病病情发展诊断指标:平均多尺度熵（?）和复杂度-活动量相关系数。本文利用心电信号构建（?）,其值越大说明健康程度越高;结合三轴加速度反映的人体活动量大小,得到复杂度-活动量相关系数,其绝对值越小说明人体对不同活动量的适应能力越强。因此,构建的评价指标可以动态反映病人的整体健康水平变化情况。最后,实验验证构建模型。一方面,将本文提出的EMDNet、MEMDNet和基准模型在公共数据集对比分析,结果表明:提出模型分别取得99.51%和99.80%的准确率,对七种ECG的分类精确率均超过99.44%,均高于基准模型。另一方面,将构建的（?）、复杂度-活动量相关系数应用于收集的临床数据,与生化指标和医生评价进行对比分析,结果表明:构建指标与临床判定病情的生化指标存在强相关性（Pearson相关系数绝对值均超过0.8）,同时基于小时粒度和天粒度的评价结果均与临床医师评价吻合。因此,本文提出的模型可以为未来冠心病诊断和病情发展诊断的相关研究提供新思路。
二、心律失常治疗的现状和展望（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、心律失常治疗的现状和展望（论文提纲范文）
（1）导师传承吴门名医叶天士中医药治疗心悸经验研究（论文提纲范文）
| 摘要 |
| Abstract |
| 前言 |
| 第一部分 文献研究 |
| 1. 心悸的中医研究现状 |
| 1.1 中医对心悸病名病机的认识 |
| 1.2 中医对心悸辨证分型的认识 |
| 1.3 吴门名医治疗心悸经验 |
| 1.4 现代医家治疗心悸经验 |
| 1.5 中药与中成药治疗心悸的研究 |
| 1.6 中医其他治法治疗心悸的研究 |
| 2. 心悸的西医研究现状 |
| 2.1 心悸与心律失常的关系 |
| 2.2 心律失常的流行病学现状 |
| 2.3 心律失常的分类与发病机制 |
| 2.4 心律失常的药物治疗与存在问题 |
| 2.5 心律失常的非药物治疗与存在问题 |
| 3. 总结与分析 |
| 第二部分 叶天士治疗心悸用药规律研究 |
| 1. 资料与方法 |
| 1.1 数据来源与筛选 |
| 1.2 数据的规范化 |
| 1.3 数据录入及核对 |
| 1.4 数据分析 |
| 1.5 中医传承辅助平台 |
| 2. 研究结果 |
| 2.1 药物频次结果 |
| 2.2 四气、五味及归经结果 |
| 2.3 基于Apriori算法的关联规则分析的组方规律结果 |
| 2.4 基于熵方法的组方规律聚类结果 |
| 第三部分 导师临床治疗心悸用药规律研究 |
| 1. 资料来源 |
| 2. 病例纳入及排除标准 |
| 2.1 诊断标准 |
| 2.2 纳入标准 |
| 2.3 排除标准 |
| 3. 数据挖掘过程 |
| 4. 研究结果 |
| 4.1 药物频次结果 |
| 4.2 四气、五味及归经结果 |
| 4.3 基于Apriori算法的关联规则分析的组方规律结果 |
| 4.4 基于熵方法的组方规律聚类分结果 |
| 第四部分 分析与讨论 |
| 1. 叶天士治疗心悸用药规律探讨 |
| 1.1 药物频次分析 |
| 1.2 四气、五味及归经分析 |
| 1.3 基于Apriori算法的关联规则分析的组方规律分析 |
| 1.4 基于熵方法的组方规律聚类分析 |
| 2. 导师临床治疗心悸用药规律探讨 |
| 2.1 药物频次分析 |
| 2.2 四气、五味及归经分析 |
| 2.3 基于Apriori算法的关联规则分析的组方规律分析 |
| 2.4 基于熵方法的组方规律聚类分析 |
| 3. 传承与发扬 |
| 3.1 治则治法的传承与发扬 |
| 3.2 处方思路的传承与发扬 |
| 3.3 用药特点的传承与发扬 |
| 4. 结语 |
| 第五部分 不足与展望 |
| 参考文献 |
| 附录 |
| 攻读硕士学位期间取得的学术成果 |
| 致谢 |
（2）基于神经网络的心电信号分析系统设计与实现（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 心电信号QRS特征波的检测 |
| 1.2.2 用于心律失常分类的卷积神经网络 |
| 1.3 本文工作与创新 |
| 1.4 本文结构框架 |
| 1.5 本章小结 |
| 第二章 心电信号分析理论基础 |
| 2.1 心电信号的产生和特点 |
| 2.2 心律失常简介 |
| 2.3 卷积神经网络概述 |
| 2.4 本章小结 |
| 第三章 QRS特征波检测算法 |
| 3.1 QRS特征波检测算法原理 |
| 3.2 数据库简介 |
| 3.2.1 MIT-BIH心律失常数据库 |
| 3.2.2 欧盟ST-T数据库 |
| 3.2.3 含有运动伪迹的心电信号数据库 |
| 3.3 QRS特征波检测算法仿真测试 |
| 3.3.1 QRS特征波检测的评价指标 |
| 3.3.2 与其他算法评价指标的对比 |
| 3.4 本章小结 |
| 第四章 心律失常分类算法 |
| 4.1 心律失常分类算法的原理 |
| 4.1.1 心拍划分 |
| 4.1.2 空间金字塔池化 |
| 4.1.3 极限学习机 |
| 4.1.4 基于卷积神经网络的心律失常分类混合模型 |
| 4.2 心律失常分类算法的仿真实验 |
| 4.2.1 心律失常分类算法的评价指标 |
| 4.2.2 与其他心律失常分类算法的比较 |
| 4.3 本章小结 |
| 第五章 心电信号分析系统设计 |
| 5.1 便携式心电信号检测电路 |
| 5.2 电脑客户端设计 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 发表论文和参加科研情况 |
| 致谢 |
（3）肺癌术后患者并发心律失常危险因素分析及预测模型构建（论文提纲范文）
| 中文摘要 |
| 英文摘要 |
| 前言 |
| 第一部分 《肺癌手术患者信息数据采集表》的构建 |
| (一)文献回顾 |
| 1.1 文献检索策略 |
| 1.2 文献纳入和排除标准 |
| 1.3 文献筛选 |
| 1.4 纳入文献内容分析 |
| 1.5 小结 |
| (二)构建《肺癌手术患者信息数据采集表》 |
| 2.1 专家会议 |
| 2.2 结果与分析 |
| 2.3 确定《肺癌手术患者信息数据采集表》 |
| 2.4 小结 |
| 第二部分 肺癌患者术后并发心律失常风险预测模型构建 |
| (一)资料与方法 |
| 1.1 研究对象 |
| 1.2 研究工具 |
| 1.3 资料收集方法 |
| 1.4 质量控制 |
| 1.5 样本量估计 |
| 1.6 统计方法 |
| (二)研究结果 |
| 2.1 患者一般情况 |
| 2.2 肺癌患者术后发生心律失常现状 |
| 2.3 肺癌患者术后并发心律失常危险因素分析 |
| 2.4 建立预测模型方程 |
| 2.5 讨论 |
| 结论 |
| 局限性及展望 |
| 参考文献 |
| 文献综述 肿瘤心脏病学:护士在跨学科照护中面临的机遇与挑战 |
| 参考文献 |
| 攻读学位期间发表论文情况 |
| 致谢 |
（4）基于深度学习的心脏数据自动分类与分割关键技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 心电信号检测与分类任务国内外研究现状分析 |
| 1.2.2 心脏影像数据分割国内外研究现状分析 |
| 1.2.3 研究发展趋势 |
| 1.3 研究内容 |
| 1.3.1 基于深度学习的心电信号检测与分类 |
| 1.3.2 基于深度学习的心脏影像数据自动分割 |
| 1.4 论文的组织结构 |
| 第二章 研究基础及相关技术理论 |
| 2.1 心电信号分类研究基础理论 |
| 2.1.1 心电信号的产生机理 |
| 2.1.2 心电信号基本波形及意义 |
| 2.1.3 心律失常的分类 |
| 2.2 心脏影像数据分割研究基础理论 |
| 2.2.1 心脏核磁图像数据的产生机理 |
| 2.2.2 短轴核磁序列图像介绍 |
| 2.2.3 心脏核磁共振图像的分割 |
| 2.3 深度学习相关理论 |
| 2.3.1 深度学习的发展 |
| 2.3.2 卷积神经网络 |
| 2.3.3 循环神经网络 |
| 2.3.4 分类与分割任务 |
| 2.4 本章小结 |
| 第三章 心电信号预处理研究 |
| 3.1 引言 |
| 3.2 心电信号的噪声类型 |
| 3.3 基于改进的形态学小波变换理论的心电信号降噪方法 |
| 3.3.1 小波变换理论 |
| 3.3.2 小波变换理论去噪方法 |
| 3.3.3 基于改进的形态学小波变换理论的信号去噪方法 |
| 3.4 实验与结果 |
| 3.4.1 性能评价 |
| 3.4.2 实验数据 |
| 3.4.3 实验结果与分析 |
| 3.5 本章小结 |
| 第四章 基于深度学习的房颤信号分类研究 |
| 4.1 引言 |
| 4.2 基于CB-LinkNet模型的房颤信号分类研究 |
| 4.2.1 数据集分析 |
| 4.2.2 模型结构与参数分析 |
| 4.2.3 模型训练过程分析 |
| 4.3 消融性实验及分析 |
| 4.3.1 评价指标 |
| 4.3.2 实验结果及分析 |
| 4.4 本章小结 |
| 第五章 基于深度学习的心律失常信号分类研究 |
| 5.1 引言 |
| 5.2 基于MSF-CNN模型的心律失常信号分类研究 |
| 5.2.1 数据集分析 |
| 5.2.2 模型结构与参数分析 |
| 5.2.3 模型训练过程分析 |
| 5.3 消融性实验及分析 |
| 5.3.1 评价指标 |
| 5.3.2 实验结果及分析 |
| 5.4 本章小结 |
| 第六章 基于深度学习的心脏核磁影像数据分割研究 |
| 6.1 引言 |
| 6.2 基于Attention机制的左心室分割模型 |
| 6.2.1 数据集分析 |
| 6.2.2 课题研究所涉及的核心技术 |
| 6.2.3 模型结构与参数分析 |
| 6.2.4 模型训练过程分析 |
| 6.3 消融性实验及分析 |
| 6.3.1 评价指标 |
| 6.3.2 实验结果及分析 |
| 6.4 本章小结 |
| 第七章 总结与展望 |
| 7.1 本文工作总结 |
| 7.2 下一步工作展望 |
| 参考文献 |
| 缩略语说明 |
| 致谢 |
| 攻读学位期间发表的学术论文目录 |
（5）面向心肺慢病管理的穿戴式生理参数监测感知技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 柔性可穿戴心率、脉搏传感器系统 |
| 1.2.1 柔性心率传感器监测机制 |
| 1.2.2 柔性传感器的结构组成 |
| 1.2.3 研究现状 |
| 1.3 面向健康生命体征监测的穿戴式系统 |
| 1.3.1 研究现状 |
| 1.3.2 穿戴式生理参数监测系统关键感知技术 |
| 1.4 存在的问题和研究方向 |
| 1.5 论文的研究内容、结构、目的及意义 |
| 1.5.1 研究内容和组织结构 |
| 1.5.2 研究的目的和意义 |
| 第二章 穿戴式心肺慢病生理参数监测的生理学基础 |
| 2.1 心脏的电生理学 |
| 2.2 心电图各波段含义及临床意义 |
| 2.3 心率、脉搏产生及临床意义 |
| 2.3.1 心率的产生及临床意义 |
| 2.3.2 脉搏的产生及临床意义 |
| 2.3.3 心率与脉搏的关系 |
| 2.4 血氧饱和度的产生及意义 |
| 2.5 心律失常类型和指标 |
| 2.6 本章小结 |
| 第三章 POM/2D GNs柔性穿戴式脉搏传感器制备及传感特性 |
| 3.1 多金属氧酸盐概述 |
| 3.2 石墨烯和氧化石墨烯概述 |
| 3.3 石墨烯基复合材料在柔性传感器中的应用 |
| 3.4 实验部分 |
| 3.4.1 2DGNs悬浮液的制备 |
| 3.4.2 POM/2D GNs柔性材料制备 |
| 3.5 仪器与材料表征方法 |
| 3.6 结果与讨论 |
| 3.6.1 样品的XRD表征 |
| 3.6.2 样品的TEM、EDS表征 |
| 3.6.3 样品电化学性能 |
| 3.7 POM/2D GNs传感器模型构建及传感特性 |
| 3.7.1 POM/2D GNs传感器工作电路 |
| 3.7.2 POM/2D GNs传感特性测试 |
| 3.8 本章小结 |
| 第四章 2D GNs/Zn S:Mn~(2+)/POM柔性心率传感器制备及传感特性 |
| 4.1 力致发光材料及其在健康监测领域的应用 |
| 4.2 实验部分 |
| 4.2.1 ZnS:Mn~(2+)纳米材料制备 |
| 4.2.2 2D GNs/Zn S:Mn~(2+)/POM复合材料制备 |
| 4.3 仪器与材料表征方法 |
| 4.4 结果与讨论 |
| 4.4.1 样品的XRD表征 |
| 4.4.2 样品的TEM表征 |
| 4.4.3 样品的电化学性能 |
| 4.4.4 样品的光致发光性能测试 |
| 4.5 2D GNs/Zn S:Mn~(2+)/POM柔性心率传感器构建及传感特性 |
| 4.5.1 样品的发光与压力关系的实验验证 |
| 4.5.2 2D GNs/Zn S:Mn~(2+)/POM柔性传感器工作电路 |
| 4.5.3 2D GNs/Zn S:Mn~(2+)/POM心率监测实验 |
| 4.6 理论分析与探讨 |
| 4.7 本章小结 |
| 第五章 心肺慢病穿戴式生理参数监测系统 |
| 5.1 心肺慢病穿戴式生理参数监测系统设计 |
| 5.1.1 系统设计核心目标 |
| 5.1.2 系统结构 |
| 5.2 心电信号采集监测模块设计 |
| 5.2.1 心电信号采集模拟前端 |
| 5.2.2 心电信号处理MCU |
| 5.2.3 心电信号采集硬件电路设计 |
| 5.3 血氧饱和度监测模块设计 |
| 5.3.1 血氧信号采集模拟前端 |
| 5.3.2 血氧信号处理MCU |
| 5.3.3 指套式血氧传感器 |
| 5.3.4 血氧饱和度信号采集硬件电路设计 |
| 5.4 电源模块设计 |
| 5.5 穿戴式心肺慢病信号采集及性能测试 |
| 5.6 穿戴式心肺慢病监测系统样机 |
| 5.7 柔性石墨烯基电极的心电信号采集实验 |
| 5.8 本章小结 |
| 第六章 基于DCNN模型的智能心律失常分类识别算法 |
| 6.1 智能心拍分类技术研究 |
| 6.2 深度卷积神经网络的心电分类原理 |
| 6.3 心律失常分类的深度卷积神经网络模型 |
| 6.3.1 心电信号数据源 |
| 6.3.2 心拍数据集生成 |
| 6.3.3 ECG深度卷积神经网络结构及参数 |
| 6.4 实验结果及分析 |
| 6.4.1 实验平台及评价指标 |
| 6.4.2 结果与分析 |
| 6.5 本章小结 |
| 第七章 基于CLSTMA组合模型的智能心律失常分类识别算法 |
| 7.1 CLSTMA组合模型心电分类基本原理 |
| 7.1.1 长短时记忆网络 |
| 7.1.2 注意力机制 |
| 7.2 ECG时序信号预测分类算法 |
| 7.3 心律失常分类的CLSTMA组合模型 |
| 7.4 实验与结果分析 |
| 7.4.1 实验平台 |
| 7.4.2 心电信号数据来源 |
| 7.4.3 CLSTMA组合神经网络模型参数及评价指标 |
| 7.4.4 结果与分析 |
| 7.5 讨论 |
| 7.6 本章小结 |
| 第八章 总结与展望 |
| 8.1 研究内容总结 |
| 8.2 主要创新点 |
| 8.3 研究展望 |
| 致谢 |
| 参考文献 |
| 附录 Ⅰ 英文缩略词表 |
| 附录 Ⅱ 研究生期间取得成果 |
（6）基于CNN与SVR证据理论融合的ECG信号分类（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 本文主要内容 |
| 1.4 本文章节安排 |
| 2 ECG信号分析相关理论 |
| 2.1 引言 |
| 2.2 ECG信号产生机理 |
| 2.3 ECG信号各波段及其意义 |
| 2.4 常见心律失常类型 |
| 2.5 MIT-BIH数据库 |
| 2.6 本章小结 |
| 3 ECG信号预处理与特征提取 |
| 3.1 信号去噪声 |
| 3.2 波形检测 |
| 3.3 特征提取 |
| 3.4 本章小结 |
| 4 分类器搭建与融合 |
| 4.1 方法总体框架 |
| 4.2 基于卷积神经网络的分类模型 |
| 4.3 基于频域特征与支持向量回归的分类模型 |
| 4.4 证据理论融合 |
| 4.5 实验与分析 |
| 4.6 本章小结 |
| 5 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 作者简历 |
| 致谢 |
| 学位论文数据集 |
（7）心律失常辅助诊断系统的设计与实现（论文提纲范文）
| 摘要 |
| Abstrac |
| 1 绪论 |
| 1.1 课题研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 QRS波检测研究现状 |
| 1.2.2 心律失常自动分类研究现状 |
| 1.2.3 便携式心律失常辅助诊断系统研究现状 |
| 1.3 论文主要工作及主要创新点 |
| 1.3.1 论文主要工作 |
| 1.3.2 论文主要创新点 |
| 2 心电信号基础知识研究 |
| 2.1 心电信号产生的基本原理 |
| 2.2 心电信号波形及特点 |
| 2.2.1 正常心电图 |
| 2.2.2 常见的QRS波形态介绍 |
| 2.3 常见的心律失常波形及特点 |
| 2.4 心电信号常见的噪声干扰 |
| 2.5 MIT-BIH心律失常数据库简介 |
| 2.6 本章小结 |
| 3 基于香农能量与改进自适应阈值法的QRS波检测 |
| 3.1 QRS波检测算法设计 |
| 3.2 QRS波检测算法原理及步骤 |
| 3.2.1 心电信号预处理 |
| 3.2.2 香农能量包络提取 |
| 3.2.3 QRS波增强 |
| 3.2.4 QRS波定位 |
| 3.3 实验测试结果 |
| 3.3.1 代表性心电信号的检测结果 |
| 3.3.2 MIT-BIH标准数据库的检测结果 |
| 3.4 结果讨论 |
| 3.4.1 错检和漏检结果分析 |
| 3.4.2 与其他文献方法对比 |
| 3.5 本章小结 |
| 4 基于融合特征与随机森林的心律失常分类算法 |
| 4.1 心律失常分类算法整体设计 |
| 4.2 心电信号预处理 |
| 4.2.1 心电信号去噪处理 |
| 4.2.2 心拍截取 |
| 4.2.3 心电信号去噪与心拍截取结果 |
| 4.3 特征提取 |
| 4.4 特征降维 |
| 4.4.1 特征降维方法分析 |
| 4.4.2 特征降维结果 |
| 4.5 分类器的选择及参数设置 |
| 4.5.1 支持向量机原理及参数设置 |
| 4.5.2 BP神经网络原理及参数设置 |
| 4.5.3 随机森林原理及参数设置 |
| 4.6 实验数据整理与分析 |
| 4.7 分类器性能评估方法 |
| 4.8 实验设置 |
| 4.9 实验测试结果 |
| 4.9.1 不同分类器的分类结果对比 |
| 4.9.2 分类器的训练与分类时间对比 |
| 4.9.3 与其他文献方法对比 |
| 4.10 本章小结 |
| 5 系统的设计与实现 |
| 5.1 系统整体设计 |
| 5.2 系统硬件设计 |
| 5.2.1 心电信号采集模块设计 |
| 5.2.2 信号采样模块设计 |
| 5.2.3 信号处理及分类模块设计 |
| 5.3 系统应用程序相关设计 |
| 5.3.1 数字陷波滤波器程序设计 |
| 5.3.2 用户交互界面程序设计 |
| 5.4 系统调试 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 个人简历、在学期间发表的学术论文与研究成果 |
（8）基于Galectin-3介导的TGF-β1/Smad3通路探讨参连复脉颗粒抗炎抗早期纤维化机制（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号说明 |
| 第一部分 文献综述 |
| 综述一 中医药治疗心房颤动的研究进展 |
| 1. 中医对房颤的认识 |
| 2. 中医对房颤的治疗 |
| 3. 参连复脉颗粒治疗房颤 |
| 4. 总结与展望 |
| 参考文献 |
| 综述二 小檗碱治疗心血管疾病的研究进展 |
| 1. 小檗碱与心律失常 |
| 2. 小檗碱与动脉粥样硬化 |
| 3. 小檗碱与高脂血症 |
| 4. 小檗碱与高血压 |
| 5. 小檗碱与缺血性心脏病 |
| 6. 小檗碱与心力衰竭 |
| 7. 总结与展望 |
| 参考文献 |
| 前言 |
| 参考文献 |
| 第一部分 基于Galectin-3介导的TGF-β1/Smad3通路探讨参连复脉颗粒含药血清抗炎抗心房早期纤维化的机制 |
| 实验一: 参连复脉颗粒含药血清对LPS诱导的小鼠单核巨噬细胞炎症反应的影响 |
| 材料和方法 |
| 结果 |
| 实验二: 参连复脉颗粒含药血清对小鼠心肌成纤维细胞纤维化相关蛋白的影响 |
| 材料和方法 |
| 结果 |
| 讨论 |
| 第二部分 基于网络药理学研究黄连治疗心房颤动的活性成分及作用机制 |
| 1. 方法 |
| 2. 结果 |
| 3. 讨论 |
| 4. 总结 |
| 第三部分 基于Galectin-3介导的TGF-β1/Smad3通路探讨参连复脉颗粒有效成分小檗碱抗炎抗心房早期纤维化的机制 |
| 实验一: 参连复脉颗粒有效成分小檗碱对LPS诱导的小鼠单核巨噬细胞炎症反应的影响 |
| 材料和方法 |
| 结果 |
| 实验二: 参连复脉颗粒有效成分小檗碱对小鼠心肌成纤维细胞纤维化相关蛋白的影响 |
| 材料和方法 |
| 结果 |
| 讨论 |
| 结论 |
| 不足和展望 |
| 参考文献 |
| 致谢 |
| 个人简历 |
（9）不均衡心律失常智能检测关键问题研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 课题研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 心律失常检测国内外研究现状 |
| 1.2.2 类别不均衡分类问题的研究现状 |
| 1.2.3 类不均衡心律失常分类研究现状 |
| 1.3 本文的工作内容和章节结构 |
| 1.4 本章小结 |
| 2 研究基础和相关理论背景 |
| 2.1 心电信号基础 |
| 2.1.1 ECG产生的原理及主要波形特征 |
| 2.1.2 心律失常检测 |
| 2.2 深度学习概述 |
| 2.2.1 卷积神经网络 |
| 2.2.2 循环神经网络 |
| 2.3 不均衡算法概述 |
| 2.3.1 数据级方法 |
| 2.3.2 算法级方法 |
| 2.4 本章小结 |
| 3 基于长短时记忆神经网络的类不均衡心律失常检测 |
| 3.1 引言 |
| 3.2 不均衡心律失常检测方法 |
| 3.2.1 问题定义 |
| 3.2.2 数据预处理 |
| 3.2.3 长短记忆神经网络模型 |
| 3.3 实验结果与分析 |
| 3.3.1 实验环境 |
| 3.3.2 MIT-BIH心律失常数据集 |
| 3.3.3 评价标准 |
| 3.3.4 实验结果与分析 |
| 3.4 本章小结 |
| 4 基于多通路卷积神经网络的心律失常自动检测 |
| 4.1 引言 |
| 4.2 节律型心律失常检测方法 |
| 4.2.1 问题定义 |
| 4.2.2 数据预处理 |
| 4.2.3 处理变长ECG信号算法 |
| 4.2.4 多通路卷积神经网络模型 |
| 4.3 实验结果和分析 |
| 4.3.1 实验环境 |
| 4.3.2 2018中国生理信号挑战赛数据集 |
| 4.3.3 评价标准 |
| 4.3.4 结果分析和讨论 |
| 4.4 本章小结 |
| 5 总结和展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 个人简历、在学期间发表的学术论文与研究成果 |
（10）基于生理时间序列的冠心病诊断模型研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 研究背景及意义 |
| 1.2 研究现状 |
| 1.2.1 冠心病心电信号的特征提取研究现状 |
| 1.2.2 基于深度学习的分类模型研究现状 |
| 1.3 主要研究内容 |
| 1.4 论文组织结构 |
| 2 相关知识理论 |
| 2.1 冠心病基础知识 |
| 2.2 心电信号的基础知识 |
| 2.2.1 心电信号产生机理 |
| 2.2.2 心电信号检测 |
| 2.2.3 心电信号基本节律 |
| 2.3 心电信号的处理与分析方法 |
| 2.3.1 经验模态分解 |
| 2.3.2 多元经验模态分解 |
| 2.3.3 多尺度熵分析 |
| 2.4 三轴加速度信号的基础知识 |
| 2.4.1 三轴加速度信号产生机理与检测 |
| 2.4.2 三轴加速度信号的应用 |
| 2.5 深度学习相关理论 |
| 2.5.1 深度学习 |
| 2.5.2 卷积神经网络 |
| 2.5.3 注意力机制 |
| 2.6 本章小结 |
| 3 基于单导心电信号的冠心病分类模型研究 |
| 3.1 研究思路 |
| 3.2 模型框架 |
| 3.3 数据集处理 |
| 3.3.1 原始数据概述 |
| 3.3.2 数据预处理与样本集构建 |
| 3.4 实验平台介绍 |
| 3.5 实验评价指标 |
| 3.6 EMDNet实验结果及分析 |
| 3.6.1 时频域特征表示学习机制实验 |
| 3.6.2 时频域特征注意力分配的参数选择 |
| 3.6.3 与基准模型的对比实验及结果分析 |
| 3.7 EMDNet应用分析与展望 |
| 3.7.1 EMDNet应用分析 |
| 3.7.2 EMDNet应用展望 |
| 3.8 本章小结 |
| 4 基于多导心电信号的冠心病分类模型研究 |
| 4.1 研究思路 |
| 4.2 模型框架 |
| 4.3 数据集处理 |
| 4.4 MEMDNet实验结果及分析 |
| 4.4.1 时频空特征表示学习机制实验 |
| 4.4.2 时频空特征注意力分配的参数选择 |
| 4.4.3 与基准模型的对比实验及结果分析 |
| 4.4.4 与EMDNet的对比实验及结果分析 |
| 4.5 MEMDNet应用展望 |
| 4.6 本章小结 |
| 5 基于动态复杂度理论的冠心病病情发展诊断 |
| 5.1 总体研究思路 |
| 5.2 病情发展诊断指标构建 |
| 5.2.1 平均多尺度熵 |
| 5.2.2 复杂度-活动量相关系数 |
| 5.3 病情发展诊断指标实验 |
| 5.3.1 实验数据收集与处理 |
| 5.3.2 实验平台介绍 |
| 5.3.3 冠心病健康度量临床生化指标 |
| 5.4 实验结果及统计分析 |
| 5.4.1 诊断指标与临床生化指标的相关性分析 |
| 5.4.2 基于天粒度的病情评价结果及分析 |
| 5.4.3 基于小时粒度的病情评价结果及分析 |
| 5.5 病情发展诊断指标的应用展望 |
| 5.6 本章小结 |
| 6 结论 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 作者简历及攻读硕士学位期间取得的研究成果 |
| 学位论文数据集 |
四、心律失常治疗的现状和展望（论文参考文献）
- [1]导师传承吴门名医叶天士中医药治疗心悸经验研究[D]. 顾蔚文. 南京中医药大学, 2021(01)
- [2]基于神经网络的心电信号分析系统设计与实现[D]. 梁美玲. 天津工业大学, 2021(01)
- [3]肺癌术后患者并发心律失常危险因素分析及预测模型构建[D]. 徐爽. 大连医科大学, 2021(01)
- [4]基于深度学习的心脏数据自动分类与分割关键技术研究[D]. 党豪. 北京邮电大学, 2020(01)
- [5]面向心肺慢病管理的穿戴式生理参数监测感知技术研究[D]. 石用伍. 贵州大学, 2020(01)
- [6]基于CNN与SVR证据理论融合的ECG信号分类[D]. 程相前. 山东科技大学, 2020(06)
- [7]心律失常辅助诊断系统的设计与实现[D]. 李泓毅. 郑州大学, 2020(02)
- [8]基于Galectin-3介导的TGF-β1/Smad3通路探讨参连复脉颗粒抗炎抗早期纤维化机制[D]. 蔡芸. 北京中医药大学, 2020(04)
- [9]不均衡心律失常智能检测关键问题研究[D]. 高俊丽. 郑州大学, 2020(02)
- [10]基于生理时间序列的冠心病诊断模型研究[D]. 李雅静. 北京交通大学, 2020(03)
标签：盐酸小檗碱论文;