华西医学期刊出版社
关键词
  • 标题
  • 作者
  • 关键词
  • 摘要
高级搜索
高级搜索

搜索

找到 关键词 包含"长短时记忆网络" 2条结果
  • 基于长短时记忆网络的医疗设备故障智能诊断研究

    为解决当前医疗设备维修难等问题,本研究提出一种基于长短时记忆网络(LSTM)的医疗设备故障智能诊断方法。首先,在无电路图纸、未知电路板信号走向情况下,采集 7 种不同故障类别的医疗设备电路板征兆现象及端口电信号两种类别特征,并进行特征编码、归一化以及融合筛选等预处理;其次,基于 LSTM 搭建故障智能诊断模型,使用融合并筛选的多模态特征,进行故障诊断分类识别实验,然后实验结果与使用端口电信号、征兆现象及两种类别特征融合等方式进行故障诊断识别对比;此外,与 BP 神经网络(BPNN)、循环神经网络(RNN)、卷积神经网络(CNN)等算法进行故障诊断性能对比和评估。结果表明:基于融合并筛选的多模态特征,LSTM 算法模型的分类诊断准确率平均达到 0.970 9,较单独利用端口电信号、征兆现象及两种类别特征融合的故障诊断准确率更高;较 BPNN、RNN、CNN 等算法也具有更高的故障诊断准确率,为同类设备的故障智能诊断提供了一种相对可行的新思路。

    发表时间: 导出 下载 收藏 扫码
  • 一种基于遗传算法优化的长短时记忆网络胎儿心电信号提取方法

    胎儿心电信号提取对围产期胎儿监护具备重要意义。为提高胎儿心电信号的预测精度,本文提出一种基于遗传算法(GA)优化的长短时记忆(LSTM)网络胎儿心电信号提取方法(GA-LSTM)。首先根据母体腹壁混合心电信号的特征,利用 GA 的全局搜索能力对 LSTM 网络中隐层神经元个数、学习率和训练次数进行寻优,计算参数的最优组合,使网络拓扑结构与母体腹壁混合信号的特征相匹配;然后,使用 GA 求出的最优网络参数构建 LSTM 网络模型,并利用 GA-LSTM 网络模型估计母体胸部心电信号传输到母体腹壁时的非线性变换;最后,利用母体胸部心电信号和 GA-LSTM 网络模型求得的非线性变换,估计腹壁信号中所含的母体心电信号,从腹壁混合信号中减去估计出的母体心电信号,得到纯净的胎儿心电信号。本文实验应用两个数据库的临床心电信号进行实验分析,最终结果表明:与传统归一化最小均方误差(NLMS)方法、支持向量机(SVM)方法、遗传算法支持向量机(GA-SVM)方法和 LSTM 网络方法相比,本文所提出的方法可以提取出更为清晰的胎儿心电信号,其准确率、灵敏度、精确性和总体概率均有较好的提高,表明本文方法可以提取出较为纯净的胎儿心电信号,对围产期胎儿健康监护具有一定的应用价值。

    发表时间: 导出 下载 收藏 扫码
共1页 上一页 1 下一页

Format

Content