學位論文
Permanent URI for this collectionhttp://rportal.lib.ntnu.edu.tw/handle/20.500.12235/73894
Browse
1 results
Search Results
Item 基於深度學習之心律不整輔助診斷系統(2017) 游凱翔心臟病一直以來都是人類健康殺手，一旦病發有極高的致命性。而現行心臟病的醫療十分被動，多數情況下於病人發病後，才在緊急狀況下進行治療，容易造成遺憾。因此，近年來心臟病的長期監控逐漸受到重視，藉由攜帶式或居家式心電圖量測儀器，病患可以自行量測心電圖並即時傳送到醫院，使醫生更確實地掌握病患的近況，並在出現異常徵兆時，及時進行治療。 但長期監控同時也會造成資料量上升以及資料品質穩定度下降的問題，本研究針對其提出一套結合深度學習領域中的卷積神經網路架構與k-means演算法的心律不整輔助診斷系統，並在最後對分類結果進行離群資料處理。該系統能對心電圖資料進行初步分析與分類，在診斷時可提供資訊給醫療人員，並標註出危險度較高的區段，減少醫療人員的負擔，並提升診察效率。 本研究提出之系統分為兩個部分，第一部分以k-means演算法對原始資料進行分子類動作，透過此步驟可以使資料特徵更容易被捕捉。第二部分以卷積神經網路為基礎，建構心電圖波形分類器，對分完子類之資料進行分類並將結果進行離群資料處理。有別於傳統類神經網路，卷積神經網路的特點在於該網路能自動提取資料中價值較高的特徵，並運用於資料的辨識，同時卷積神經網路架構還能有效減少網路之參數數量，減少神經網路的訓練時間與消耗資源，提升整體效率。 本研究使用MITBIH心律不整資料庫進行測試，準確度平均可達99.41%，漏診率僅1.23%。整體而言，為一兼具穩定及高效之智慧型診斷輔助系統。