基于弱监督学习卷积神经网络的心脏按压评估

传统的基于加速度波形积分的心脏胸外按压评估方法受噪声和积分时延影响,在计算距离时存在较大误差,评估效果不理想。为此,在弱监督学习策略与波形分割的基础上,提出了一种基于一维卷积神经网络的心脏按压加速度波形识别算法,实验结果表明,一维卷积神经网络达到了99. 4%的正确率,明显优于传统的积分方法和BP神经网络算法。进一步采用GradCAM方法对评估结果进行可视化分析,发现卷积神经网络所关注的特征集中于开始按压至按压到达平衡位置,以及此次按压松手后反向加速度达到最大值至下一次按压开始这2个阶段的加速度波形变化情况。此外该评估模型不再需要对按压距离进行精确测距,因而不受按压遮挡、电磁波干扰等因素的影响,可以实时检测按压是否规范有效,在复杂环境中也具有较高的鲁棒性,在医疗急救领域中具有一定的实用价值。     

基于一维卷积神经网络的实时心脏按压评估

在评估胸外心脏按压加速度波形时,现有的利用加速度波形积分计算胸外心脏按压距离的方法多数存在积分漂移、误差累积的问题。在波形分割和标签修正的基础上,提出一种基于一维卷积神经网络的胸外心脏按压波形的识别算法。对滤波后的数据进行脉冲识别,使用滑动窗口模型分割识别后的脉冲得到单次按压的加速度波形,根据数据离散程度对标签进行修正,解决标签可信度低的问题,在此基础上运用学习率衰减、Adam算法等构建一维卷积神经网络模型并进行优化。实验结果表明,该算法基于一维卷积神经网络的分类正确率达到99.4%,对比传统的积分算法、BP神经网络算法提升近5%,且不受按压遮挡、电磁波干扰等因素的影响,对于胸外心脏按压评估具有良好的效果。