黑龙江省自然科学基金(F200912)
- 作品数：13 被引量：23H指数：3
- 相关作者：宋立新王乾王玉静李东红牛滨更多>>
- 相关机构：哈尔滨理工大学黑龙江省医院聚束科技(北京)有限公司更多>>
- 发文基金：黑龙江省自然科学基金国家自然科学基金国家大学生创新性实验计划更多>>
- 相关领域：电子电信医药卫生自动化与计算机技术更多>>
- 基于判别式深度置信网络的心律失常自动分类方法被引量：6
- 2019年
- 现有的心律失常分类方法通常采用人为选取心电图(ECG)信号特征的方式,其特征选取具有主观性,且特征提取复杂,导致分类准确性容易受到影响等。基于以上问题,本文提出了一种基于判别式深度置信网络(DDBNs)的心律失常自动分类新方法。该方法所构建的生成受限玻尔兹曼机(GRBM)自动提取心拍信号形态特征,然后引入具有特征学习和分类能力的判别式受限玻尔兹曼机(DRBM),依据提取的形态特征和RR间期特征进行心律失常分类。为了进一步提高DDBNs的分类性能,本文将DDBNs转换为使用柔性最大值(Softmax)回归层进行监督分类的深度神经网络(DNN),通过反向传播对网络进行微调。最后,采用麻省理工学院与贝斯以色列医院心律失常数据库(MIT-BIHAR)进行实验验证,对于数据来源一致的训练集和测试集,该方法整体分类精度可达99.84%±0.04%;对于数据来源非一致的训练集和测试集,通过主动学习(AL)方法扩充少量训练集,该方法整体分类精度可达99.31%±0.23%。实验结果表明了该方法在心律失常自动特征提取和分类上的有效性,为深度学习自动提取ECG信号特征及分类提供了一种新的解决方法。
- 宋立新孙东梓王乾王玉静
- 关键词：心律失常特征提取
- 基于EMD方法和加窗的QRS波群检测算法被引量：1
- 2012年
- 提出了一种基于经验模态分解(EMD)方法和自适应加窗技术的QRS波群检测算法,该算法主要是利用Hilbert-Huang变换提出适合QRS波群检测的EMD方法,利用该算法对sddb数据库中第30号信号和mitdb数据库中第208号信号进行处理,得到R波的检测结果;同时,利用自适应加窗技术对Q点和S点的检测技术进行分析。通过对MIT/BIT心率异常数据库的部分数据进行R波检测,结果表明,本文提出的算法具有很好的检测效果,其R波的平均正确检测率达到了99.62%,QRS波群的平均敏感性为98.91%,相应的平均特异性为99.35%。
- 张开玉王立王玉静宋立新
- 关键词：经验模态分解加窗技术
- 一种基于多特征的P波检测方法被引量：1
- 2014年
- 由于P波一般为低频低幅波,容易受到基线漂移,肌电干扰等噪声影响,且不是每个心拍都包含P波,确定某一心拍有无P波也是一难题,针对小波-幅值-斜率的方法对多样形态P波适应的局限性,以及小波变换结合神经网络检测方法中选取伪P波样本的局限性,本文提出了基于小波-幅值阈值并以多特征作为神经网络的输入的P波检测方法,该方法首先利用小波变换对心电(ECG)信号进行去噪,然后利用小波变换求模极大值对的方法确定候选P波的位置,接下来利用幅值阈值初步判断有无P波,最后利用神经网络确定心拍有无P波。本文经由专家注释的QT心电数据库对该算法和传统的小波阈值法及基于小波-幅值-斜率的方法检测ECG信号P波的效果进行了对比,验证了本文提出的算法的可行性,对医院心电科记录的ECG信号进行了检测,其结果与医生的标注基本相同,并对QT数据库中的13份且每份15min的ECG信号进行了检测验证,P波正确检测率达到了99.911%。
- 宋立新关丽丽王乾王宇虹
- 关键词：心电信号小波变换神经网络
- 基于分层的二视图乳腺病灶区域匹配研究被引量：1
- 2014年
- 乳腺图像的非刚体特性使其不能通过刚体的匹配方法进行匹配。为此,提出一种基于分层算法的肿块匹配方法。利用最大类间方差法进行阈值分割以截取胸肌区域,使用最小二乘法进行胸壁线的拟合,找出乳头以及中轴线的位置,建立局部坐标系确定匹配条形区域带。采用分层算法在条形区域带内进行疑似病灶区域的提取,通过加权互信息相似性度量实现肿块匹配。对分层算法肿块匹配方法进行可行性分析和实验验证。选取100对图像进行肿块匹配实验,结果表明,相对于非分层算法,分层算法的匹配结果更有效,匹配精度达到86%。
- 周蕾宋立新
- 关键词：图像匹配相似度量
- 一种基于语义模型的乳腺钙化病灶标注方法
- 2012年
- 为了实现对乳腺X线影像的医学语义标注,提出一种利用贝叶斯网络(BN)的多层乳腺影像钙化点语义建模方法。该方法首先用支持向量机(SVM)得到从图像底层视觉特征到中层特征语义的映射,然后再利用BN融合特征语义,最终提取出高层病症语义即恶性程度的概率表达,完成语义模型。将模型应用于乳腺图像的语义标注,本实验选用142幅图像作为训练集,50幅图像作为测试集,结果表明,样本标注诊断语义的准确率:恶性为81.48%,良性为73.91%。
- 赵可心宋立新
- 关键词：语义建模语义标注贝叶斯网络支持向量机
- 一种改进分水岭乳腺肿块图像分割方法被引量：5
- 2015年
- 针对分水岭算法对噪声敏感、易产生过分割现象的问题,在图像的滤波和区域合并方法上做了改进.该算法首先对肿块图像做初步预处理,设计高斯差分滤波器,实现平滑滤波,增强图像的信噪比,并计算图像的梯度幅值;然后,依据传统分水岭变换算法进行粗分割,计算各个子区域的灰度均值并排序,依次合并灰度均值相似的区域,直到将整个肿块区域完整分割出来;最后,保留合并后灰度均值最大的肿块区域,去除灰度值较小的区域,得到最后的分割结果.实验结果表明:该算法相较于三层地形分割方法、自适应区域生长算法和二次分水岭算法,能够得到更准确的肿块边缘轮廓,误分率减少到23.07%,运行速度高.
- 李东红宋立新牛滨
- 关键词：灰度均值
- 结合判别式深度置信网络的乳腺图像微钙化簇区域检测被引量：2
- 2021年
- 为了克服乳腺图像微钙化簇检测中假阳性率高、泛化性差等缺点,本文提出了一种结合判别式深度置信网络(DDBNs)自动快速定位乳腺X线图像中微钙化簇区域的方法。首先,对乳腺区域进行提取及增强,将增强后的乳腺区域进行子块重叠分割和小波滤波;之后,构建用于乳腺子块特征提取和分类的DDBNs模型,将预训练后的DDBNs转换成使用softmax分类器的深度神经网络(DNN),并通过反向传播对网络进行微调;最后,输入待检乳腺X线图像,完成可疑病灶区域的定位。通过对乳腺摄影筛查数据库(DDSM)中的105幅含有微钙化点的图像进行实验验证,本文方法获得了99.45%的真阳性率和1.89%的假阳性率,且检测一幅2888×4680大小图像的时间约16 s。实验结果表明:该算法在保证较高真阳性率的同时有效地降低了假阳性率,检测到的微钙化簇区域与专家标记区域具有高度一致性,为乳腺X线图像中微钙化簇区域的自动检测提供了新的研究思路。
- 宋立新魏雪芹王乾王玉静
- 关键词：特征提取
- 重合波检测的匹配滤波法提取胎儿心电
- 2021年
- 针对当母体腹部心电信号时域上存在母亲心电和胎儿心电重合波时,致使胎儿心电有效提取这个难题,提出了一种重合波检测的改进匹配滤波法的解决方案。首先对信号滤波,去除基线漂移及高频干扰,增强母亲心电信号和胎儿心电信号;然后引入平均心拍得到母亲心电QRS模板信号,并结合匹配滤波法检测腹部心电重合波;最后结合母亲心电QRS波模板的峰的位置调整、匹配滤波法以及相似度的计算,获得胎儿心电。实验结果显示,对MIT Physio Net/Cin C2013数据库中存在母亲心电与胎儿心电重合波的母体腹部心电信号,提取的胎儿心电准确率达到92%,与传统匹配滤波法提取的胎儿心电相比,准确率得到提高。
- 王乾侯世芳张正旭宋立新
- 关键词：小波分析匹配滤波相似度
- 基于关联规则的乳腺肿块多模检索被引量：2
- 2017年
- 乳腺影像案例不仅具有图像的底层特征,同时也有图像的语义特征。为了实现乳腺影像的高效检索,提高计算机辅助诊断的确信度,提出了一种基于关联规则的多模检索方法。首先,采用基于关联规则的特征选择算法选择出与影像语义相关的底层特征,实现特征降维,利用Apriori算法挖掘被选择的特征与语义特征之间的关联规则。然后,利用关联分类引擎算法根据得到的关联规则构建关联分类模型,实现由底层特征获知视觉语义特征的目的。最后,将关联分类模型得到的语义特征作为输入语义,与图像的底层特征相结合,进行图像相似性度量,实现多模检索。通过查准率和查全率以及相关排序平均值等进行了实验对比,实验结果表明,提出的多模检索方法有效的提高了图像的检索精度并且能够由图像的底层特征获知图像的视觉语义特征。该方法缩减了底层特征和视觉语义特征之间的语义鸿沟,提高了图像的检索性能,能够为医生提供更有意义的决策支持。
- 王乾吕亚男李东红宋立新
- 关键词：乳腺影像关联规则
- 一种双尺度模板的双视图乳腺肿块检测匹配
- 2017年
- 为减少乳腺肿块检测到假阳性区域,进而提高可疑病灶区域的匹配率,提出了一种基于双尺度模板检测乳腺肿块可疑病灶区域的方法。该方法首先依据CC视图中可疑病灶区域,在MLO视图中构建条形匹配区域带;然后,基于双尺度Sech模板对肿块图像进行检测后,再做归一化互相关计算,检测出相关性高的区域为肿块的可疑病灶区域,依据基于形状、面积特征的规则删除假阳性区域;最后,根据基于互信息的相似性度量方法实现双视图的可疑病灶区域的匹配。实验结果显示:对DDSM数据库中已确诊的100幅肿块图像进行实验对比,有90幅图像能实现双视图肿块的匹配,匹配率达到90%,与基于灰度分层的乳腺肿块的双视图匹配相比,匹配率得到提高。
- 宋立新李东红裴恒曾皓牛滨
- 关键词：互信息
