基于U-Dense-net网络的DSA图像冠状动脉血管分割

冠状动脉血管是研究心血管疾病的重要基础,为准确分割DSA(Digital subtraction angiography)图像冠状动脉血管,提高训练过程中血管特征的有效利用率,提出了一种基于U-Dense-net网络的分割方法.该方法首先对数据集进行限制对比度直方图均衡化预处理;然后对预处理结果进行图像粗分割,基于U-...     

非入侵式睡眠呼吸监测系统的设计与实现

根据养老院、医院等特殊区域人群的睡眠呼吸监护需求,设计了非入侵式柔性压感睡眠呼吸监测系统。系统通过硬件电路设计,采集人体睡眠时的呼吸信号,并进行消噪、去趋势等预处理。在硬件终端中通过呼吸信号的幅度和周期的特征区分呼吸类别,并实时判断是否发生了呼吸暂停,记录暂停的时刻与持续时长,并将数据通过蓝牙传至手机,在手机APP上可绘制实时波形,手机把数据上传至云平台。PC端软件可从云平台获取数据,绘制拟合呼吸信号曲线,判定记录睡眠数据。经实验测试,系统判定呼吸次数与实际基本一致,并可准确判断呼吸暂停情况,满足长程实现睡眠呼吸监测的要求。     

一种新型氯气浓度在线检测装置

针对国产氯气浓度在线检测装置的测量精度低、功能单一,国外产品价格昂贵、通信距离短的缺点.研制了一种新型氯气浓度在线检测装置.该装置以MSP430单片机为处理器,使用恒电位电解式传感器对空气中的氯气浓度进行测量,当氯气浓度超标时报警,并可通过GPRS网络与控制中心连接.测试情况表明,装置的设计方案切实可行,达到了检测范围0～2×10-5、误差小于2%、响应时间小于30 s的性能指标,可广泛应用于造纸、纺织、制药、水处理等场合,完全满足使用需要.     

高速铁路网络环境下掉话率分析

在不考虑多普勒频移对网络掉话率影响的前提下,分析高速铁路网络环境下由于越区切换引起的网络掉话率.从高铁网络的越区切换研究出发,得出不同位置的越区切换概率,获得不同位置的掉话概率,提出掉话分析模型.通过对高铁GSM-R和LTE-R网络进行掉话率对比仿真发现,LTE-R网络的掉话率比GSM-R网络减小了约29.23%;通过对不同列车穿透损耗下的掉话率进行对比仿真发现,穿透损耗越大,掉话率越高,24dB的穿透损耗下掉话率达到0.8%;通过对不同运行速度下的网络掉话率对比仿真发现,列车运行速度越高,网络掉话率越高,LTE-R网络下540km/h相比60km/h的掉话率提高了151.56%;通过对基站故障情况下的网络掉话进行仿真发现,基站正常时的平均掉话率仅为基站故障后平均掉话率的36.3%.     

基于变分模态分解的心冲击信号和呼吸信号分离

为了在睡眠时以非侵入方式监测心冲击信号（BCG）和呼吸信号,使用电阻式薄膜压力传感器嵌入床垫中,将变分模态分解（VMD）算法引入到二维生理信号提取过程. 信号经床垫中的柔性压力传感器,通过硬件低通滤波、数字去趋势（DFA）后,利用VMD算法分解出生理信号中心冲击信号与呼吸信号的潜在分量,通过自适应选取有效分量重构BCG信号与呼吸信号. 基于Hilbert变换,对比VMD、经验模态分解（EMD）、互补集合经验模态分解（CEEMD）分量的瞬时频率. VMD在0~3.0 Hz内的混叠情况相对于EMD与CEEMD得到改善. 采用Bland-Altman法,对标准结果和实验重构结果进行一致性评价. 结果表明,利用VMD法所得BCG与呼吸信号分别有93.75%和92.5%的点在95%一致性标准界限内,有较高的一致性.     

心血管造影图像分割方法综述

由动脉粥样硬化病变引起的血管狭窄是冠心病的最大诱因,其发病率高,致死率高,因此研究冠状动脉的狭窄程度对于冠心病的早期诊断和评估十分重要.数字减影血管造影(DSA)图像是冠心病诊断的"金标准".医疗辅助仪器在处理DSA造影图像对狭窄程度进行评估时,首先需要对血管进行分割,才能进行后续的狭窄程度分析.血管的分割提取是进行疾病的量化描述和血管三维重建的重要前提,也是辅助医生临床诊断和治疗的重要手段.本文针对心血管的数字减影血管造影(DSA)图像进行研究,从预处理、分割方法、评价标准3个方面总结近几年国内外针对心造影图像中血管的分割方法.     

基于深度学习的运动目标实时识别与定位

针对人体运动目标的实时检测与定位问题,采用深度学习的方法进行研究.在Caffe框架下,采用SSD （Single Shot multibox Detector）检测方法.以VGG16作为基础网络模型,增加额外特征卷积层,提取多尺度的卷积特征.然后对实验数据集进行迭代训练,得到运动目标检测模型.利用训练好的模型,通过2路摄像机检测运动目标,并双目视觉定位.实验结果表明,整个系统运行速度可达40 fps,在10 m×10 m的场景下,平均定位误差在6 cm以内,在速度和精度上均有很好的表现,为大中型场景的人体运动实时检测定位问题提供了有效的解决方案.     

基于Bi-LSTM-Attention的癫痫发作检测方法

本文针对癫痫脑电图(EEG)信号中的发作检测问题,分析了癫痫患者EEG信号中的特异性特征,在传统EEG信号时频域基础上提出了改进的脑网络特征。本文对EEG信号进行分解,并重构了EEG信号,发现在重构信号上癫痫发作和癫痫未发作表现出较大差异。因此在重构EEG信号上通过皮尔逊系数(PCC)构建脑网络,并在该网络上提取脑网络特征,最后将这些特征输入Bi-LSTM-Attention混合网络检测癫痫发作。该网络可以筛选出对癫痫发作检测结果具有决定性因素的特征,捕捉EEG时间序列中最重要的信息。为了评估本文的方法,在公开的CHB-MIT数据集上进行实验,获得了96.20%的准确率、96.80%的特异性和95.31%的敏感性,实验结果表明该方法在癫痫发作检测这个任务上具有不错的性能。