Диагностика заболеваний по ЭКГ с помощью сверточных нейронных сетей
Электрокардиография – простой неинвазивный метод регистрации и исследования электрических полей, образующихся при работе сердца. Сердечнососудистые заболевания - одна из причин смертности людей. Автоэнкодеры - нейронные сети прямого распространения.
| Рубрика | Программирование, компьютеры и кибернетика |
| Вид | диссертация |
| Язык | русский |
| Дата добавления | 17.07.2020 |
| Размер файла | 3,9 M |
Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже
Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.
2) GoodfellowIan, BengioYoshua, CourvilleAaron, Deep Learning Book, 2016. URL:http://www.deeplearningbook.org
3) Hong, S., Zhou, Y., Wu, M., Shang, J., Wang, Q., Li, H., Xie, J.,. Combining deep neural networks and engineered featuresfor cardiac arrhythmia detection from ecg recordings. Physiologicalmeasurement 40, 2009. 054009.
4) Hong S., Zhou Y., Shang J., Xiao C., Sun J. Opportunities and Challenges of Deep Learning Methods forElectrocardiogram Data: A Systematic Review. Opportunities and Challenges of Deep Learning for ECG Data, 2020.
5) FazlulHaqueA.K.M, Md. Hanif Ali, M Adnan Kiber, Md. TanvirHasan, Automatic Feature Extraction of ECG Signal Using Fast Fourier Transform 2009
6) FazlulHaqueA.K.M, Md. Hanif Ali, M Adnan Kiber, Improved Spectrogram Analysis for ECG Signal in Emergency Medical Applications, International Journal of Advanced Computer Science and Applications, Vol. 1, No. 3, September 2010
7) Kiranyaz, S., Ince, T., Gabbouj, M., 2015a. Real-time patient-specific ecg classification by 1-d convolutional neural networks.IEEE Transactions on Biomedical Engineering 63, 664-67
8) Klapuri, A., & Davy, M. (Eds.). (2007). Signal processing methods for music transcription, chapter 5. Springer Science & Business Media.
9) Kuznetsov, V., Moskalenko, V., Zolotykh, N.Y., 2020. Electrocar-diogram generation and feature extraction using a variationalautoen-coder. arXiv preprint arXiv:2002.0025
10) Maknickas, V., Maknickas, A., 2017. Atrial fibrillation classifica-tion using qrs complex features and lstm, in: 2017 Computing inCardiology (CinC), IEEE. pp. 1-4.
11) McCulloch Warren S, Pitts Walter. A logical calculus of the ideas immanent in nervous activity // The bulletin of mathematical biophysics. -- 1943. -- Vol. 5, no. 4. -- Pp. 115-133.
12) PranavRajpurkar, Awni Y. Hannun, MasoumehHaghpanahi, Codie Bourn, Andrew Y. Ng. Cardiologist-Level Arrhythmia Detection with Convolutional Neural Networks / Computer Vision and Pattern Recognition (cs.CV), 2017.
13) Siti Agrippina Alodia Yusuf RisanuriHidayat, MFCC Feature Extraction and KNN Classification in ECG Signals.
14) Tae Joon Jun, Hoang Minh Nguyen, Daeyoun Kang, ECG arrhythmia classification using a 2-Dconvolutional neural network.
15) QinxueMeng, Daniel Catchpoole, David Skillicorn, Relational Autoencoder for Feature Extraction, arXiv:1802.03145v1 [cs.LG] 9 Feb 2018.
16) Uspenskiy V. M., Vorontsov K. V., Tselykh V. R., Bunakov V. A.Information Function of the Heart: Discrete and Fuzzy Encoding ofthe ECG-Signal for Multidisease Diagnostic System // in Advancesin Mathematical and Computational Tools in Metrology andTesting X (vol.10), Series on Advances in Mathematics for AppliedSciences, vol. 86, World Scientific, Singapore (2015) pp. 375-382.
17) UspenskiyV. Diagnostic System Based on the Information Analysis of Electrocardiogram. MECO 2012. Advances and Challenges in Embedded Computing (Bar, Montenegro, June 19-21, 2012), pp.74-76.
18) Zihlmann, M., Perekrestenko, D., Tschannen, M., 2017. Convolu-tional recurrent neural networks for electrocardiogram classification,in: 2017 Computing in Cardiology (CinC), IEEE. pp. 1-4.
19) «Global, regional, and national age-sex specific mortality for 264 causes of death, 1980-2016: A systematic analysis for the Global Burden of Disease Study 2016,» Lancet vol. 390, p. 1151-1210, Sept 2017.
20) Григорьев Д.С., Спицын В.Г. Применение нейронной сети и дискретного вейвлет-преобразования для анализа и классификации электрокардиограмм. Известия томского политехнического университета. 2012. т.321. №5.
21) Котельников В. А. О пропускной способности эфира и проволоки в электросвязи -- Всесоюзный энергетический комитет. // Материалы к I Всесоюзному съезду по вопросам технической реконструкции дела связи и развития слаботочной промышленности, 1933. Репринт статьи в журнале УФН, 176:7 (2006), 762--770.
22) Леонова М.Д. Анализ электрокардиограмм посредством нейронных сетей. Международный научно-исследовательский журнал. 2015. №4 (35). С.77-79.
23) СалехМ.А.Исследование нейронных сетей для распознавания патологических отклонений формы электрокардиосигнала. ВлаГУ им А.Г и Н.Г. 2013.-135c.
24) Вариационные автоэнкодеры. URL: https://neurohive.io/ru/osnovy-data-science/variacionnyj-avtojenkoder-vae/
25) Документация Keras. URL: https://keras.io/getting-started/functional-api-guide/
26) Спектральные центроиды. URL: https://ru.qwe.wiki/wiki/Spectral_centroid
27) Электрическая ось и электрическая позиция сердца, 2016. URL: https://meduniver.com/Medical/Therapy/1101.html\
28) Электрокардиография, 2018. URL: https://ru.wikipedia.org/wiki/Электрокардиография
Размещено на Allbest.ru
...Подобные документы
Прогнозирование на фондовом рынке с помощью нейронных сетей. Описание типа нейронной сети. Определение входных данных и их обработка. Архитектура нейронной сети. Точность результата. Моделирование торговли. Нейронная сеть прямого распространения сигнала.
дипломная работа [2,7 M], добавлен 18.02.2017Общие сведения о принципах построения нейронных сетей. Искусственные нейронные системы. Математическая модель нейрона. Классификация нейронных сетей. Правила обучения Хэбба, Розенблатта и Видроу-Хоффа. Алгоритм обратного распространения ошибки.
дипломная работа [814,6 K], добавлен 29.09.2014Возможности программ моделирования нейронных сетей. Виды нейросетей: персептроны, сети Кохонена, сети радиальных базисных функций. Генетический алгоритм, его применение для оптимизации нейросетей. Система моделирования нейронных сетей Trajan 2.0.
дипломная работа [2,3 M], добавлен 13.10.2015Понятие и свойства искусственных нейронных сетей, их функциональное сходство с человеческим мозгом, принцип их работы, области использования. Экспертная система и надежность нейронных сетей. Модель искусственного нейрона с активационной функцией.
реферат [158,2 K], добавлен 16.03.2011Особенности нейронных сетей как параллельных вычислительных структур, ассоциируемых с работой человеческого мозга. История искусственных нейронных сетей как универсального инструмента для решения широкого класса задач. Программное обеспечение их работы.
презентация [582,1 K], добавлен 25.06.2013Принципы организации и функционирования биологических нейронных сетей. Система соединенных и взаимодействующих между собой простых процессоров. Нейронные сети Маккалока и Питтса. Оценка качества кластеризации. Обучение многослойного персептрона.
курсовая работа [1,1 M], добавлен 06.12.2010Искусственные нейронные сети как вид математических моделей, построенных по принципу организации и функционирования сетей нервных клеток мозга. Виды сетей: полносвязные, многослойные. Классификация и аппроксимация. Алгоритм обратного распространения.
реферат [270,4 K], добавлен 07.03.2009Искусственные нейронные сети как одна из широко известных и используемых моделей машинного обучения. Знакомство с особенностями разработки системы распознавания изображений на основе аппарата искусственных нейронных сетей. Анализ типов машинного обучения.
дипломная работа [1,8 M], добавлен 08.02.2017Преимущества нейронных сетей. Модели нейронов, представляющих собой единицу обработки информации в нейронной сети. Ее представление с помощью направленных графов. Понятие обратной связи (feedback). Основная задача и значение искусственного интеллекта.
реферат [1,2 M], добавлен 24.05.2015Простейшая сеть, состоящая из группы нейронов, образующих слой. Свойства нейрокомпьютеров (компьютеров на основе нейронных сетей), привлекательных с точки зрения их практического использования. Модели нейронных сетей. Персептрон и сеть Кохонена.
реферат [162,9 K], добавлен 30.09.2013Рождение искусственного интеллекта. История развития нейронных сетей, эволюционного программирования, нечеткой логики. Генетические алгоритмы, их применение. Искусственный интеллект, нейронные сети, эволюционное программирование и нечеткая логика сейчас.
реферат [78,9 K], добавлен 22.01.2015Нейронные сети как средство анализа процесса продаж мобильных телефонов. Автоматизированные решения на основе технологии нейронных сетей. Разработка программы прогнозирования оптово-розничных продаж мобильных телефонов на основе нейронных сетей.
дипломная работа [4,6 M], добавлен 22.09.2011Характеристика моделей обучения. Общие сведения о нейроне. Искусственные нейронные сети, персептрон. Проблема XOR и пути ее решения. Нейронные сети обратного распространения. Подготовка входных и выходных данных. Нейронные сети Хопфилда и Хэмминга.
контрольная работа [1,4 M], добавлен 28.01.2011Сущность и функции искусственных нейронных сетей (ИНС), их классификация. Структурные элементы искусственного нейрона. Различия между ИНС и машинами с архитектурой фон Неймана. Построение и обучение данных сетей, области и перспективы их применения.
презентация [1,4 M], добавлен 14.10.2013Обучение простейшей и многослойной искусственной нейронной сети. Метод обучения перцептрона по принципу градиентного спуска по поверхности ошибки. Реализация в программном продукте NeuroPro 0.25. Использование алгоритма обратного распространения ошибки.
курсовая работа [1019,5 K], добавлен 05.05.2015Модели оценки кредитоспособности физических лиц в российских банках. Нейронные сети как метод решения задачи классификации. Описание возможностей программы STATISTICA 8 Neural Networks. Общая характеристика основных этапов нейросетевого моделирования.
дипломная работа [1,4 M], добавлен 21.10.2013Задача анализа деловой активности, факторы, влияющие на принятие решений. Современные информационные технологии и нейронные сети: принципы их работы. Исследование применения нейронных сетей в задачах прогнозирования финансовых ситуаций и принятия решений.
дипломная работа [955,3 K], добавлен 06.11.2011Механизм работы нервной системы и мозга человека. Схема биологического нейрона и его математическая модель. Принцип работы искусственной нейронной сети, этапы ее построения и обучения. Применение нейронных сетей в интеллектуальных системах управления.
презентация [98,6 K], добавлен 16.10.2013Теоретические основы сверточных нейронных сетей. Исследование зависимости качества работы сети от изменения различных характеристик. Сравнение результатов работы сетей типа многослойный персептрон в определении пола и возраста человека по фотографии лица.
курсовая работа [2,5 M], добавлен 18.07.2014Анализ применения нейронных сетей для прогнозирования ситуации и принятия решений на фондовом рынке с помощью программного пакета моделирования нейронных сетей Trajan 3.0. Преобразование первичных данных, таблиц. Эргономическая оценка программы.
дипломная работа [3,8 M], добавлен 27.06.2011
