医疗工程杂志

医疗工程杂志
期刊指标
录取率 37%
提交最终决定 99天
接受出版 48天
CiteScore 2.600
影响因子 1.803

KecNet:一种基于知识强化的心律失常分类轻神经网络

阅读完整的文章

杂志简介

医疗工程杂志为交流高级知识,新兴技术以及与涉及医疗保健交付流程和系统的所有方面相关的新兴知识和创新思想提供车辆。

编辑焦点

Zollo教授主编在神经科技,康复和援助机器人,以及用于个人援助和服务机器人的机器人和机电设备的研究专业知识。

特殊的问题

我们目前有若干特刊可供提交。特刊突出了一个领域内的新兴研究领域,或为现有研究领域提供了一个更深入的调查场所。

最新的文章

更多的文章
研究文章

软壳橄榄球头盔降低线性冲击加速度的潜力

本研究的目的是研究软壳橄榄球头饰降低线性冲击加速度的潜力。在跌落试验台上,使用了一种带有三轴加速度计的混合III头形来评估头饰的性能。本研究检测了6种头饰:坎特伯雷服装公司(CCC)通风机,Kukri, 2nSkull,N-Pro和两种不同尺寸的Gamebreaker头饰单位(分别为1-6个)。下降高度为238,300,610和912 mm,每个高度(前额,前老板,后凸台和侧面)有5个取向。使用峰值线性加速度(PLA)和头部损伤标准(HIC)量化影响严重程度。与无头盔状况(适用于所有高度)进行测试,所有头饰都被测试。与无头盔病症相比,所有头饰均明显减少PLA和HIC,238毫米(16.2-45.3%PLA和29.2-62.7%的HIC减少; η.P.2= 0.987 - -0.991)。随着落点高度的增加,头套冲击衰减显著降低(912 mm时PLA降低32.4 ~ 5.6%,HIC降低50.9 ~ 11.7%)。在1-3头戴单位之间PLA和HIC减少没有显著差异。事后测试显示头饰4 - 6显著优于头饰1-3,另外头饰5和6显著优于头饰4 ( ).头戴单元1 ~ 4(3.3±3.6% ~ 11±5.8%)后冲击方向PLA和HIC的降幅最低。相比之下,头饰5和6在这个方向上的表现明显优于其他所有头饰( η.P.2 = 0.982–0.990). Side impacts showed the greatest reduction in PLA and HIC for all headgear. All headgear units tested demonstrated some degree of reduction in PLA and HIC from a linear impact; however, units 4–6 performed significantly better than headgear units 1–3.

研究文章

基于伪均值学习的磁共振脑图像对称形变配准

图像配准是医学图像分析中的一项基本任务,在图像引导的干预和数据融合中经常用到。在本文中,我们提出了一种深度学习架构,以一种无监督的方式对称地学习和预测一对图像之间的变形场。为了实现这一点,我们设计了一个深度回归网络来预测变形场,可以用来对齐模板-主题图像对。具体来说,我们不是估计单一的变形路径来对齐图像,这里,我们预测两个中间变形,这可以同时移动原始模板和主体到一个伪平均空间。因此,本文训练了一个对称配准网络(S-Net)。通过使用对称策略,配准可以更加准确和鲁棒,特别是在具有较大解剖变化的图像。此外,变形的平整度也得到了显著提高。实验结果表明,训练后的模型可以直接预测来自不同数据库的新图像对的对称变形,一致地产生准确和鲁棒的配准结果。

研究文章

基于智能电子医学的直肠癌腹部镜手术后胃肠蠕动功能恢复的护理

近年来,随着结直肠手术技术和腹腔镜器械的快速发展,腹腔镜结直肠癌根治术得到了广泛的应用。虽然腹腔镜手术创伤小、出血量少、住院天数少、切口感染等不良反应发生率低等特点,但术后仍不可避免地会出现不同程度的胃肠功能障碍。本文主要研究基于智能电子医学的直肠癌患者腹部镜术后胃肠蠕动的康复护理。本文设计了一种基于腹部镜像图像的直肠癌患者术后护理智能医疗监护系统,实现了直肠癌术后患者无线信号参数的采集与传输,提高了医疗工作中术后监护的效率。所有参数数据通过Lora无线通信实时发送到Lora基站,然后上传到医疗监测平台。实验结果显示,治疗组使用智能医疗监护系统术后首次排气时间明显缩短,差异有统计学意义( ).首次排便时间缩短,差异有统计学意义( ).全流质饮食的恢复时间缩短,差异有统计学意义( ).以上结果表明,本文设计的智能医疗监护装置对提高医院的工作效率,提高直肠癌腹腔镜手术患者的临床经验,实时监测重症监护患者的体征具有积极意义。

研究文章

使用Apache Spark结构化流实时检测心律失常

世界上死亡的主要原因之一是心律失常。在医疗保健领域,医生使用患者的心电图(ECG)记录来检测心律失常,表明患者心脏的电力活动。问题是症状并不总是出现,医生可能会在诊断中误导。因此,患者通过实时ECG分析需要连续监测,以及时检测心律失常,并防止威胁患者生命的最终事件。在本研究中,我们使用结构化流模块在开源Apache Spark平台上建立了顶部,首次实现了用于实时心律失常检测的机器学习管道,并评估使用这个新模块对分类性能度量的影响和心律失常检测延迟速率。从MIT / BIH数据库收集的ECG数据,用于检测三类标签:正常节拍,RBBB和心房颤动心律失常。我们还开发了三个决策树,随机森林和逻辑回归多条比例的数据分类,其中随机林分类器在比其他两个分类器的分类中显示出更好的性能。结果显示,通过使用更多类标签与以前的研究相比,分类模型的性能度量和管道运行时间的显着降低。

研究文章

利用机器学习技术来预测基于心肺运动测试的有氧运动干预对年轻高血压患者的疗效

近年来,年轻人中高血压的发病率明显上升。虽然有氧运动干预(AEI)长期以来被认为是一种有效的治疗方法,但个体对AEI反应的差异可能严重影响临床医生的决定。特别是,目前只有少数研究预测AEI对年轻高血压患者的降压效果。因此,本文在制定治疗计划前,通过挖掘患者心肺运动试验(CPET)数据,探讨各种心肺代谢指标在该领域的意义。CPET数据是通过附着在面罩上的氧合分析仪“一口气一口气”收集的,然后分为四个阶段:休息、热身、运动和恢复。针对CPET数据中冗余信息和噪声的影响,设计了一种基于解析字典学习的稀疏表示分类器来准确预测个体对AEI的响应性。实验结果表明,该模型优于基于BP变化的基线方法和传统机器学习模型。此外,与其他阶段的数据相比,锻炼阶段的数据产生了最好的预测。本研究为年轻高血压患者的个性化有氧运动方案的定制奠定了基础。

研究文章

PSR:基于参数学习的MR图像超级化统一框架

磁共振成像具有显着的疾病诊断应用。由于其成像机制的特殊性,硬件成像遭受分辨率并达到其极限,较高的辐射强度和较长的辐射时间将导致人体损坏。该问题预计将通过超级大学算法解决,特别是基于稀疏重建的图像超标度具有良好的性能。字典代代是影响超级化算法的性能的关键问题,而字典绩效受到字典构建参数的影响:余额参数,词典大小,重叠块大小和许多训练样本块。为了响应这个问题,我们通过实验提出了最佳词典构造参数搜索方法,以找到MR图像上的最佳字典构建参数,并将它们与由多组随机字典构建参数获得的字典进行比较。我们搜索了字典施工训练的最佳参数的字典具有更强大的特征表达,可以提高MR图像的超级化效果。

医疗工程杂志
期刊指标
录取率 37%
提交最终决定 99天
接受出版 48天
CiteScore 2.600
影响因子 1.803
提交