基于BP神经网络的心电图ST段的模式识别

心电图ST段对心脏疾病的诊断具有重要意义.在正确读取采集于郑州大学一附院的运动心电图数据基础上,利用小波变换更准确地确定其ST段的起始和终止位置,初步探讨了BP神经网络用于心电图ST段识别的方法,并用此方法识别出心电图ST段的三种类型-正常、水平压低和抬高.实验结果较好.     

基于BP神经网络的心电图ST段的模式识别

心电图ST段对心脏疾病的诊断具有重要意义。在正确读取采集于郑州大学一附院的运动心电图数据基础上,利用小波变换更准确地确定其ST段的起始和终止位置,初步探讨了BP神经网络用于心电图ST段识别的方法,并用此方法识别出心电图ST段的三种类型—正常、水平压低和抬高。实验结果较好。     

基于神经网络的心电图检测分类综述

综述基于神经网络的异常心电图诊断的应用,目的是提供神经网络在该方面的详细研究.概述常见的神经网络算法以及心电信号检测分类的过程.通过回顾近三年的相关文献,重点关注不同网络架构的性能表现,诸如准确度、特异性和敏感性等性能指标.讨论当前研究存在的问题,并进行研究展望.     

基于改进的分块2DPCA和神经网络的掌纹识别

以掌纹为研究对象,提出基于分块2DPCA和二次2DPCA相融合的特征提取算法,并选择RBF神经网络作为系统分类器。首先对提取的ROI区域进行巴特沃斯-小波去噪,然后通过改进的算法提取得到最终的特征向量,最后由RBF神经网络进行分类识别。通过Poly-U掌纹库的仿真实验表明,此方法具有可行性和有效性,识别时间明显缩短,且保持了较高的识别率。     

基于DNA的BP网络在心电图ST段形态识别中的应用

心电图ST段的状态在心脏疾病诊断中有着重要参考价值。本文采用DNA优化的BP网络进行了ST段识别的研究,首先采用小波变换的方法将ST段从心电周期中分离出来,然后建立神经网络并采用DNA算法来优化神经网络,最后采用MIT/BIH数据库的数据对本文的算法进行测试。结果发现,本文的算法识别准确率优于GA-BP和BP,且具有更快的收敛速度。     

心电图的智能识别技术

模糊逻辑、神经网络是人工智能的重要分支,它们从不同角度、在一定程度上模拟了人类智能。本文先后将模糊逻辑、神经网络以及模糊神经网络技术用于心电图识别,获得了良好的效果。在模糊识别方面,从模糊识别矩阵的建立到模糊输入向量的确定,是针对此类具体问题的多传感器模糊信息融合算法,既综合考虑了各输入变量的作用,又突出了识别的主要依据。本文还给出了神经网络识别的三种试验结果及其与模糊神经网络识别的对比。模糊神经网络既充分发挥了神经网络的学习功能,又充分发挥了模糊逻辑的推理功能,因此具有很高的识别精度。     

心电信号ST段形态识别算法

针对目前心电图ST段诊断准确度不高,容易受到噪声干扰的情况,提出了一种基于最小二乘多项式拟合的ST段形态识别算法。首先利用二次样条小波经过Mallat算法检测出心电信号中的QRS波群,然后检测出T波、QRS波群起点、J点、T波起点等特征点,依此判断ST段偏移方向,并将ST段分为直线型和曲线形,最后通过多项式拟合算法来确定直线型ST段的斜率和曲线型ST段的凹凸方向。通过MIT-BIH心电数据库的数据文件的仿真实验验证了该算法用于ST段形态识别的准确度在90%以上,实验表明,该算法减少了ST段特征点检测过程中噪声的干扰,提高了ST段形态识别的准确度。     

基于平移不变核主分量分析的雷达目标识别研究*

雷达目标识别中,核主分量分析（KPCA）算法是一种重要的特征提取算法,但雷达目标高分辨率距离像（HRRP）具有平移敏感性,使得该方法应用于基于雷达目标识别系统中具有其缺陷性。采用零相位表示法得到平移不变的HRRP,利用KPCA进行特征维数压缩,利用BP神经网络分类算法来实现识别。仿真实验结果表明,该方法实现了平移不变和降维的结合,具有较高的识别率和很好的推广性。     

小波变换与概率神经网络的心电图分类

提出了一种实时高效的心电图分类理论与方法。首先对心电图进行六尺度小波分解,将含有主要噪声的尺度进行系数置零,再将剩余层进行小波重构,从而达到除噪的目的。利用数学形态学定位心电图P、Q、R、S、T波位置,并提取计算各波间距离和斜率等12个特征值作为概率神经网络的输入向量,从而实现心电图的六分类。     

单导程心电图的身份识别

提出新的生物识别方法,以心电图信号来识别人员的身份,心电图被用来诊断心脏某些方面的疾病,其与每个人的心脏位置、大小及胸部构造,年龄、性别、体重、情绪、运动状况等因素有关,因此每个人的心电图不尽相同。所采用的单导程心电图为低频一维信号,易于处理,信号直接可由贴在双手上的电极片测得,其量测电路成本低廉．方法是应用遗传算法与粒子群最佳化来调整动态模型参数,使其合成波形与受测者心电图逼近,再将此组参数输入到神经网络来识别个人身份,实验结果显示对于30个人的识别成功率可达96％以上。     

神经网络数据融合模式识别系统性能研究

有效地利用多传感器的信息构建数据融合系统后，其性能优于单传感器系统。该文针对一种多传感器神经网络数据融合模式识别系统，对其分类性能进行了研究，以信息论的观点，从理论上证明了上述结论的正确性。     

基于BP网络的字符模式识别

神经网络理论已经成为解决某些问题的重要手段的方法.但利用神经网络进行解决问题和设计的时候,必定会涉及到大量的有关数值计算等问题,所以利用计算机对神经网络模型进行仿真和辅助设计时,仍是件很麻烦的事情.所以MATLAB的便利受到了青睐,BP网络在人工神经网络中应用最为广泛,而且在理论上十分完善,网络结构也比较直观.在BP网络中,模式识别是应用比较广泛的一个方面.该系统使用MATLAB中神经网络工具箱对英文表中的26个字母进行识别.通过建立网络,训练网络,测试网络,最后进行仿真,完成了正确识别26个英文字母的功能.该系统的操作界面简洁、友好、使用简单方便.     

逻辑神经网络汉字识别部件的硬件设计

介绍由１６位ＣＰＵ，动态ＲＡＭ阵列，训练分类等逻辑组成的印刷体汉字识别部件的设计原理和管理软件。     

基于改进残差网络对心电信号的识别

心血管疾病是当今人类死亡的主要原因之一。本文基于改进的残差网络对心电信号进行识别,并将改进后的残差网络和空洞卷积进行结合,特征提取时保持局部信息不变的同时尽可能地提取全局信息。研究使用K折交叉验证对MIT-BIH心律失常数据集进行训练、验证和测试。首先使用卷积层汇集输入图像,其次利用改进后的网络进行特征提取,最后使用Softmax分类器进行分类。在MIT-BIH心律不齐数据库中,提出的模型在没有任何额外人工特征和数据增强进行辅助的情况下,获得了97.20%的准确度、92.85%的敏感度、 98.29%的特异性、93.16%的精确度和93.00%的 F₁分数。该研究将为医疗机构对于心电信号检测识别提供技术支撑,从而减轻专业医师的工作负荷。     

神经网络在人脸识别中的应用

将BP神经网络用于人脸识别,并建立了人脸识别模型,该识别模型包括图像压缩、图像抽样、输入矢量标准化、BP神经网络与竞争选择处理过程,具有简单,识别率较高的特点。     

神经网络在人脸识别中的应用

将BP神经网络用于人脸识别,并建立了人脸识别模型,该识别模型包括图像压缩、图像抽样、输入矢量标准化、BP神经网络与竞争选择处理过程,具有简单,识别率较高的特点.     

神经网络方法用于分辨三种化学物质

采用了一种基于神经网络的杂交算法，用于识别来自氧化锡传感器阵列的三种化学品：丙酮、甲醇和乙醇的信号．算法利用梯度收敛方法并结合仿真退火和遗传算法进行权值初值化来加速运算速度和提高分类准确度。这种方法能较好地避免局部最小点，大量运算实例用来构造最优网络结构并说明这种方法是较好的模式分类方法并可以作为“人工电子鼻”的数据处理方法。     

基于卷积神经网络的心电信号质量分析

目前,已有一些研究者提出基于规则或基于机器学习的方法,自动将输入的心电信号识别为临床可接受或不可接受,取得了不错的效果。提出基于卷积神经网络的心电信号质量评估方法,通过网络模型自动学习分类特征,减少人工干预。同时,与其他方法从全局角度对心电信号质量进行评估的策略不同的是,采用局部评估方法,既可对心电图的部分片段数据进行质量分析,也可通过简单融合策略对全局信号的质量进行评估。在公开数据集上的测试结果表明,提出的方法比其他几个对比方法的判断准确度高。     

基于卷积自编码神经网络的心电信号降噪

心电信号由于在采集过程中会受到外界环境的干扰导致其形态特征被严重淹没,从而对医生的诊断和远程智能分析造成干扰。基于此,提出了一种基于卷积自编码神经网络的心电信号降噪算法。该方法利用自编码器的编码、解码特性,通过卷积的方法构建深层神经网络来学习从含噪心电信号到干净心电信号的端对端映射。卷积层捕获心电信号的细节特征,同时消除噪声;解码部分能够对特征图进行上采样并恢复心电信号细节,从而得到干净的心电信号。实验中采用信噪比和均方根误差为指标,将该方法与小波阈值法、S变换法、BP神经网络法和指导滤波法进行比较。实验结果表明,该降噪方法整体降噪精度更优,同时信号的低频成分也得到了很好的保持。该方法可做到在消除心电信号中复杂噪声的同时完整保留心电信号的形态,为心血管疾病的智能诊断和心电图的特征检测奠定了基础。     

语音识别及自组织映射神经网络的应用

该文阐述了语音信号的特点，语音识别过程及技术，重点讨论了例谱技术及其在语音信号特征提取中的应用，并将自组织映射神经网络应用到语音识别中，提出了网络模型。