心電信號中的R峰是確定心率和節(jié)律、以及檢測其它波形特征點(圖1A)的基礎。R峰的準確檢測是心率變異性分析、心拍分割和心律失常識別重要的處理步驟。
現(xiàn)有的心電信號R峰檢測方法主要為基于規(guī)則的決策法和基于深度學習的檢測方法?;谝?guī)則的決策法通常對心電信號進行時域或頻域變換,增強R波分量,抑制其他波形和各種噪聲分量,在增強R波分量的變換信號中以閾值法進行點檢測,再通過啟發(fā)式的后處理校正R峰位置。然而,規(guī)則難以涵蓋心電信號的各種復雜情況,如QRS波群具有多種形態(tài)(圖1B)、可穿戴式心電信號存在復雜干擾(圖1C)、以及不同病人的心率差異大等;另外,規(guī)則的歸納依賴于豐富的領域知識,難以在各種心律失常事件中精確地檢測出R峰,漏檢率和誤檢率高?;谏疃葘W習的檢測方法比基于規(guī)則的決策法更魯棒,文獻[16]使用LSTM檢測R峰,文獻使用UNet檢測R峰,存在模型的參數(shù)量和推理速度無法滿足移動端R峰檢測的實時性需求等問題。
針對上述問題,我們提出心拍感知卷積網(wǎng)絡用于預測可穿戴式心電信號的心拍數(shù)量和R峰熱圖,對熱圖進行峰值定位獲得R峰位置。心拍感知(HA)模塊通過預測心電信號的心拍數(shù)量,為R峰檢測任務引入全局上下文信息,提高卷積網(wǎng)絡提取心電信號全局信息的能力,以實現(xiàn)R峰的準確檢測。同時,心拍感知模塊預測的心拍數(shù)量還可估計R-R間期用于輔助熱圖峰值定位,提高R峰檢測的魯棒性。進一步地,為實現(xiàn)移動端的實時R峰檢測,我們采用深度可分離卷積來輕量化卷積網(wǎng)絡模型,減小模型的參數(shù)量和計算量。為檢驗模型的魯棒性和泛化能力,本文實驗中用可穿戴式心電數(shù)據(jù)訓練模型,用可穿戴式心電數(shù)據(jù)和可公開獲取的ECG數(shù)據(jù)集測試模型。
實驗數(shù)據(jù)包含兩個獨立的心電信號數(shù)據(jù)集,數(shù)據(jù)已經(jīng)過脫敏處理,以實現(xiàn)病人信息的保密。私有數(shù)據(jù)集為心韻恒安醫(yī)療科技(北京)有限公司建立的可穿戴式12導聯(lián)心電數(shù)據(jù)集,采集設備為可穿戴式心電記錄儀CONX CC1612,收集日期為2020 年9 月~2021 年9月。信號的采樣頻率為500 Hz,時長為15 s。可穿戴式心電數(shù)據(jù)集共有1056條來自不同受試者的數(shù)據(jù),包含各種復雜的心電模式,涵蓋ST段改變、房顫、房性心律、室性心律、房性早搏、室性早搏、束支阻滯等多種心律失常類型的數(shù)據(jù)。其中,訓練集和測試集分別包含950和106條心電信號。可穿戴式心電數(shù)據(jù)集的R峰由三名心電專家進行標注和交叉驗證。R峰位置的標注以心電信號Ⅱ?qū)?lián)為基準、其他導聯(lián)為參考。
公開數(shù)據(jù)集為Lobachevsky大學建立的12導聯(lián)心電信號特征點檢測數(shù)據(jù)庫Lobachevsky University Database(LUDB)。信號的采樣頻率為500 Hz,時長為10 s。LUDB包含200條來自不同受試者的數(shù)據(jù),在本實驗中均作為測試集。數(shù)據(jù)的每個導聯(lián)均具有R峰標注,為保持數(shù)據(jù)集間心電信號R峰標簽的統(tǒng)一,實驗中僅采用II導聯(lián)的R峰位置作為標簽。
民族唱法美聲化,美聲唱法民族化,是中西文化相互融合、互相影響的結(jié)果,也是我國聲樂教育發(fā)展取得的一大成果。這種“洋為中用”的做法使得我國聲樂更加成熟化、科學化、國際化。這樣在保留自己本民族特點的基礎上進行學習、借鑒、改革對于我國民族聲樂的發(fā)展,具有很重要的意義。
兩個數(shù)據(jù)集均通過低頻截止頻率為0.05 Hz、高頻截止頻率為35 Hz的五階帶通濾波器進行濾波,以去除基線漂移、工頻干擾、肌電干擾和其他高頻噪聲。LUDB中ECG數(shù)據(jù)已經(jīng)過標準化處理,實驗中僅對可穿戴式心電信號進行z-score標準化,以保持數(shù)據(jù)集間ECG信號幅值分布的一致性。
本文提出的心拍感知方法的總體框架如(圖2)所示,心拍感知卷積網(wǎng)絡預測心拍數(shù)量和R峰熱圖,根據(jù)預測的心拍數(shù)量估計的R-R間期計算峰值定位的峰間最小水平距離,從熱圖中定位峰值,從而獲得R 峰位置。心拍感知卷積網(wǎng)絡包含一個編碼-解碼模塊和一個心拍感知模塊,編碼器從輸入心電信號中提取特征,解碼器將特征解碼,輸出R峰位置的熱圖。為提高編碼-解碼器對全局上下文信息的捕獲能力,引入心拍感知模塊,通過心拍數(shù)量預測任務與R峰檢測任務的多任務聯(lián)合學習,輔助監(jiān)督編碼-解碼器學習R峰的全局位置信息,減少誤檢和漏檢。
1.2.1 心拍感知模塊 針對可穿戴式心電信號中的復雜干擾,專家在定位R峰時通常會從信號全局中尋找模式相同并反復出現(xiàn)的部分,并根據(jù)上下文信息推理出R峰的位置,從而區(qū)分R峰與干擾、噪聲等(圖3)??梢姡珽CG信號的全局上下文信息可輔助檢測可穿戴式心電信號的R峰。
評估方法:網(wǎng)架標準化率(%)=網(wǎng)架結(jié)構(gòu)不達標的線路條數(shù)/線路總條數(shù)×100%。對網(wǎng)架結(jié)構(gòu)不達標的線路進行原因分析,并與上一年10(20)千伏網(wǎng)架標準化率實績值進行比對,對標準化率降低的情況進行原因分析,提出解決建議和規(guī)劃方案。
為獲取全局上下文信息,我們提出心拍感知模塊與編碼-解碼器進行多任務學習(圖2),利用心拍數(shù)量預測任務與R峰檢測任務的相關性,約束編碼器學習兩個任務間的共享表征,為編碼-解碼器引入心拍數(shù)量這一全局特征,監(jiān)督編碼-解碼器學習R峰的位置上下文信息,抑制局部的干擾和噪聲,提升R峰檢測模型的性能。
心拍感知模塊中,編碼結(jié)果先經(jīng)過一個卷積核尺寸為1×3、輸出通道數(shù)為64的卷積層提取特征,再經(jīng)過一個池化核尺寸和步長均為3的平均池化層處理,最后通過一個輸入神經(jīng)元個數(shù)為256的全連接層輸出心拍數(shù)量。與通過注意力機制學習全局上下文信息的方法對比,聯(lián)合簡單的輔助任務進行多任務學習的方式更高效,不會給模型增加過多參數(shù)量和計算量,適用于移動端的實時R峰檢測。此外,心拍感知模塊預測的心拍數(shù)量還可估計R-R間期,用作峰值定位的自適應峰間最小水平距離。
目前,對于鋼鐵生產(chǎn)運營層面的研究主要集中在煉鋼—連鑄生產(chǎn)調(diào)度和熱軋生產(chǎn)計劃兩方面。對于前者,大部分文獻將其歸結(jié)為混合流水車間調(diào)度問題,對于后者,多將其歸結(jié)為帶獎金收集的車輛路徑問題。關于這兩類問題的研究,一部分文獻致力于算法的設計,包括運籌學中的精確算法(如分枝定價[14-15]、拉格朗日松弛[16])、智能算法(如遺傳算法[17]、蜂群算法[18-19]、文化基因算法[20])等;另一部分文獻專注于模型的構(gòu)建,旨在建立可以高效求解的混合整數(shù)線性規(guī)劃(Mixed Integer Linear Programming, MILP)模型。MILP建模方法主要有兩種
采用輕量化卷積,可在保持性能的同時減小模型的參數(shù)量和計算量,實現(xiàn)移動端的實時R峰檢測。如(圖4),我們保持網(wǎng)絡架構(gòu)不變,交替使用常規(guī)卷積和深度可分離卷積。一維深度可分離卷積的參數(shù)量較常規(guī)一維卷積減?。?/p>
獲取R 峰熱圖和心拍數(shù)量:Heatmap_t,N=HA-UNet(ECG);其中N為預測的心拍數(shù)量。
當ECG信號未結(jié)束時,重復Step2至Step8。
可穿戴式心電信號R峰檢測的心拍感知卷積網(wǎng)絡的優(yōu)化目標為:
式中,L為R峰檢測損失,L為心拍感知損失。為權(quán)重系數(shù),用于平衡R峰檢測損失和心拍感知損失。實驗中,的初始值設置為0.2。由于心拍感知損失收斂速度比R峰檢測損失快,為加大卷積網(wǎng)絡對R峰檢測任務的關注度,模型訓練過程中隨著迭代次數(shù)的增加,逐漸減小至0.0002。
1.4.1 R峰檢測損失 可穿戴式心電信號的干擾和噪聲導致部分R峰難以被手工準確地定位和標注,為減小標注的不確定性給模型訓練造成的干擾,我們生成以R峰對應的時間點為中心的高斯熱圖:
式中,為可穿戴式心電信號樣本點對應的時間點,p為R峰對應的時間點,為高斯分布的標準差,用以控制R峰標注的不確定性,實驗中設置為4 ms。
針對R峰與背景點的數(shù)量不平衡問題,采用修正的Focal損失函數(shù)作為R峰檢測損失:
1.4.2 心拍感知損失 心拍感知的目標為預測可穿戴式心電信號中的心拍數(shù)量,采用平均絕對誤差(Mean Absolute Error,MAE)損失函數(shù):
初始化R峰熱圖Heatmap_0。
1.2.2 編碼-解碼模塊 用卷積網(wǎng)絡進行可穿戴式心電信號的R峰檢測,可建模為密集預測任務,既需要捕獲全局信息,也要合理地利用底層特征。UNet中的U型結(jié)構(gòu)和同一個層級的跳躍連接可以融合多個尺度的特征。因此,我們采用UNet架構(gòu)用于R峰熱圖預測。如(圖4)所示,本文所用的UNet由編碼器和解碼器兩部分組成,編碼階段的下采樣和解碼階段的上采樣的采樣倍數(shù)均為2。本文實驗中,采用最大池化操作實現(xiàn)下采樣,采用最近鄰插值實現(xiàn)上采樣。為減少模型的參數(shù)量,各卷積層的輸出通道數(shù)設置得比較小,如(圖4)特征圖上的數(shù)字所示。
為實現(xiàn)R峰在線檢測,以重疊滑動窗口方式對心電信號進行分段R峰檢測,如(算法1)所示。為減少計算量,將輸入至模型的心電信號降采樣到100 Hz,在模型輸出R峰熱圖后將熱圖重采樣至原始頻率500 Hz。應用Scipy中的find_peaks函數(shù)定位熱圖峰值。心拍感知卷積網(wǎng)絡輸入的ECG信號時長為4.48 s。由于可穿戴式數(shù)據(jù)集中的信號時長為15 s,訓練中每次迭代時隨機從15 s信號中截取4.48 s用作網(wǎng)絡的輸入。針對可穿戴式心電數(shù)據(jù)中的噪聲及干擾,采用多種數(shù)據(jù)擴增策略對訓練集進行擴增,包括隨機裁剪、隨機屏蔽、隨機導聯(lián)屏蔽和隨機導聯(lián)翻轉(zhuǎn)。
ECG信號,滑動窗寬4.48 s,重疊時長1.28 s。
式中, 為心電信號中真實的心拍數(shù)量,N為心拍感知模塊預測的心拍數(shù)量。
將ECG信號降采樣至100 Hz。
同時,一維深度可分離卷積的計算量也較常規(guī)一維卷積減小:
將輸出熱圖重采樣至原始頻率500 Hz。
根據(jù)預測的心拍數(shù)量估算R-R間期:R-R間期=4.48秒/N。
例 4:...there was no one in the world she so much wanted to see.
將重疊部分的熱圖加權(quán)平均:Heatmap_t[重疊]=((1-W)*Heatmap_t-1[重疊]+W*Heatmap_t[重疊])/2。
定位熱圖峰值獲取R峰:Rpeaks=find_peaks(heatmap,distance=R-R間期/2);若不使用自適應峰間最小水平距離,設置distance為160 ms。
若相鄰R 峰間距過近,去除幅值較小的一個。
式中,D為卷積核的大小,C和C分別為輸入和輸出的通道數(shù),W為輸出特征圖的長度。
本文所提出的互助外語導游創(chuàng)業(yè)模式由于是依托于互聯(lián)網(wǎng)平臺的,基于導游自由執(zhí)業(yè)的背景下采取預約導游服務模式,即旅游者預約平臺預定導游為其提供服務。作為線上創(chuàng)業(yè)模式,首先要重視的便是企業(yè)內(nèi)部的管理制度建設。作為線上平臺要與國家旅游局的“全國導游公共服務監(jiān)管平臺”進行對接,配合相關部門依法依規(guī)進行外部管理和監(jiān)督;此外,平臺應當時刻重視自查,強化對導游的審查義務和監(jiān)管責任,完善游客對導游的評價反饋機制,增強應對突發(fā)情況時的緊急處理能力。
實驗使用Python實現(xiàn),深度學習框架為Pytorch。模型訓練選用的優(yōu)化器為Adam,采用預熱訓練策略。批處理大小設為256,迭代總次數(shù)設為2000。初始學習率設為0.0001,采用余弦退火策略調(diào)整學習率。
(2)真陽率(+P):正確檢測的R峰數(shù)量與檢出的R峰數(shù)量之比。
糖尿病視網(wǎng)膜病變伴白內(nèi)障是由于代謝障礙造成機體血糖水平升高,晶狀體內(nèi)葡萄糖增多,過多的葡萄糖轉(zhuǎn)化為山梨醇并堆積在晶狀體內(nèi),從而引起視網(wǎng)膜水腫、晶狀體混濁[1-4]。阿卡波糖是一種臨床常用的治療2型糖尿病的藥物,屬α-葡萄糖苷酶抑制劑,能夠通過抑制小腸壁細胞中α-葡萄糖苷酶的活性阻止腸道內(nèi)單糖、雙糖、多糖等的降解,從而減少果糖和葡萄糖的降解和吸收,發(fā)揮降低餐后血糖的作用[5]。羥苯磺酸鈣是一種抗氧化劑和微循環(huán)保護劑,早期被用于糖尿病視網(wǎng)膜病變的治療,而在糖尿病視網(wǎng)膜病變伴白內(nèi)障方面的應用較少[6]。本研究旨在觀察阿卡波糖聯(lián)合羥苯磺酸鈣治療糖尿病視網(wǎng)膜病變伴白內(nèi)障的臨床效果。現(xiàn)報道如下。
式中,是R 峰定位的誤差容忍度,如ANSI/AAMI-EC57:1998中建議的150 ms。正確檢測、漏檢以及誤檢的R峰數(shù)量分別表示為TP、FN、FP。不同方法和模型的R峰檢測性能的定量評估,采用以下指標:
(1)靈敏度(Se):正確檢測的R峰數(shù)量與真實的R峰數(shù)量之比。
R峰檢測結(jié)果定義:
(3)準確率(Acc):
“三嚴三實”專題教育,是對黨的群眾路線教育實踐活動的拓展深化,進一步鞏固了黨的群眾路線教育實踐活動取得的積極成果。這一次黨內(nèi)集中教育活動使領導干部進一步改進了思想作風,加強了黨性修養(yǎng),堅定了理想信念,增強了宗旨意識,祛除了歪風邪氣,樹立了正確的價值觀、權(quán)力觀和政績觀。為全面建成小康社會提供了思想、政治、組織上的有力保證。
(4)誤檢率(DER):誤檢的R峰數(shù)量與真實的R峰數(shù)量之比。
咖啡界的大佬——星巴克,就專門設有星巴克大學,定期開展咖啡相關的知識培訓,這也是員工和老板上司之間相互熟悉,連接彼此的一個好的方式。
(5)R峰定位平均誤差及其標準差(mean error±std):檢出的R峰與真實R峰間的距離即為定位誤差,所有R峰定位誤差的平均值即為平均誤差。
(6)平均R-R間期的平均誤差(mean average R-R interval error±std):真實R峰的R-R間期與檢出R峰的R-R間期之差即為R-R間期誤差,所有R-R間期誤差的平均值即為平均誤差。
(7)檢測耗時(Time):算法檢測R峰的CPU耗時,CPU型號為Intel(R)Core(TM)i5-10500。
本文方法和其他R峰檢測算法在可穿戴式心電數(shù)據(jù)集和LUDB上的R峰檢測性能比較,使用SPSS對結(jié)果進行統(tǒng)計學分析,本文方法與其他R峰檢測算法采用配對檢驗。<0.05說明差異有統(tǒng)計學意義。
為驗證心拍感知模塊有助于提高模型的R峰檢測性能,我們在可穿戴式心電數(shù)據(jù)集和LUDB中進行消融實驗。將R峰定位誤差容忍度設為20 ms,結(jié)果如(圖5)所示。心拍感知卷積網(wǎng)絡(HA-UNet)在可穿戴式數(shù)據(jù)集和LUDB中的R峰檢測靈敏度分別為99.04%和98.42%,真陽率分別為98.99%和98.42%,及準確率分別為98.06%和96.88%,均高于UNet(98.69%和98.31%、98.64%和98.25%、97.37%和96.62%),可見加入心拍感知模塊可提升模型的R峰檢測性能。
此外,HA-UNet在可穿戴式數(shù)據(jù)集及LUDB上心拍數(shù)量預測的MAE分別為0.41和0.49,達到了較好的預測水平,表明編碼器具有良好的全局上下文信息提取能力。
圖6中,HA-UNet能精確定位R峰,而UNet將部分異常Q波錯誤地識別為R波,表明心拍感知模塊引入的全局上下文信息可提高R峰定位精確度。
采用深度可分離卷積輕量化HA-UNet(LHA-UNet)后,模型參數(shù)量從0.42 M減小為0.31 M。LHA-UNet在可穿戴式心電數(shù)據(jù)集和LUDB上的R峰檢測靈敏度分別為99.09%和98.80%,真陽率分別為98.99%和98.80%,及準確率分別為98.11%和97.63%。
不同導聯(lián)體系的心電圖機采集的信號通道數(shù)不等,為研究心電信號不同導聯(lián)集合對LHA-UNet的R峰檢測性能的影響,設置輸入導聯(lián)數(shù)量為12、9、6、3、2、1,在20 ms的定位誤差容忍度下計算R峰檢測的誤檢率。12導聯(lián)為標準12 導聯(lián),包括肢體導聯(lián)Ⅰ、Ⅱ、Ⅲ、aVR、aVL、aVF,以及胸導聯(lián)V1、V2、V3、V4、V5、V6;各導聯(lián)子集具體為:9導聯(lián)子集為12導聯(lián)系統(tǒng)中真正采集的Ⅰ、Ⅱ、Ⅲ和胸導聯(lián),剩余的aVR、aVL、aVF是通過計算獲取的;6導聯(lián)子集為肢體導聯(lián),為6導聯(lián)系統(tǒng)中采集的信號;3導聯(lián)子集為Ⅱ、V1、V5,3導聯(lián)系統(tǒng)中采集的信號接近標準12導聯(lián)中的這3個導聯(lián);2導聯(lián)子集為Ⅱ、V5,這2個導聯(lián)的R波最清晰;單導聯(lián)子集為Ⅱ?qū)?lián),Ⅱ?qū)?lián)通常作為R峰檢測的基準導聯(lián)。
圖7給出了輕量化HA-UNet對于不同導聯(lián)集合的R峰誤檢率,可穿戴心電數(shù)據(jù)集中以3導聯(lián)子集為輸入時R峰誤檢率最小,為1.11%;LUDB中以標準12導聯(lián)為輸入時R峰誤檢率最小,為2.40%。12導聯(lián)輸入在可穿戴式數(shù)據(jù)集中的誤檢率并非最低,但在LUDB中的檢測性能最好,因為可穿戴式心電信號的干擾大,輸入所有導聯(lián)可能會引入較多噪聲,導致R峰檢測準確率下降;而LUDB的數(shù)據(jù)沒有可穿戴式心電中的復雜干擾,輸入12導聯(lián)信號可獲得較好的R峰檢測性能。由于沒有引入其他導聯(lián)的噪聲,使用導聯(lián)數(shù)量較少的心電信號子集進行可穿戴式心電信號R峰檢測時,誤檢率較低;但輸入通道數(shù)減少導致在LUDB中的檢測性能有所下降。
實驗將心拍感知方法與多種R峰檢測算法進行詳細對比,在可穿戴式心電數(shù)據(jù)集和公開數(shù)據(jù)庫LUDB中評估R峰檢測算法,參考其他文獻,設置R峰定位誤差容忍度為150 ms,對所有方法/模型僅采用II導聯(lián)心電信號為輸入。
“創(chuàng)客”源自英文單詞“Maker”,由著名作家科利·多克托羅在《Maker》一書中提出的。2015年的兩會上,“創(chuàng)客”首次在政府工作報告中提出,并受到了社會的廣泛關注。結(jié)合許多學者對于創(chuàng)客的定義,筆者認為:創(chuàng)客是具有較強動手實踐能力,能夠借助一定的工具將自身想法轉(zhuǎn)變成現(xiàn)實的個體,其中,使用的工具可以是有形或無形的。
輕量化HA-UNet 的R 峰檢測性能優(yōu)于Pantompkins、Hamilton、Martínez和Louren?o算法。輕量化HA-UNet在具有復雜干擾的可穿戴式心電數(shù)據(jù)集中的R峰檢出率高達99.95%;在未使用任何公開數(shù)據(jù)進行模型訓練的情況下,在LUDB中達到100%的準確率。輕量化HA-UNet的R峰定位平均誤差及其標準差、以及平均R-R間期的平均誤差及其標準差都比其他R峰檢測算法?。ū?~3)。
圖8中的心電信號存在高尖T波和干擾,由于對比算法的歸納能力有限,無法準確地檢出R峰,并不適用于可穿戴式心電數(shù)據(jù)。然而,輕量化HA-UNet能夠準確定位該心電信號所有的R峰,體現(xiàn)心拍感知方法的R峰定位較所對比的R峰檢測算法魯棒。
基于相關性分析,確定平均距離、任務標價、交通便利度和標價占最低工資比例這四個參數(shù)作為變量,對任務執(zhí)行情況進行多項式非線性回歸,可以得到任務成功率預測模型預測完成情況與實際完成情況對比后,發(fā)現(xiàn)平均偏差為10.2%,檢驗精準度達到89.8%。
針對可穿戴式心電信號具有復雜干擾、已有算法不能滿足實際需求等問題,本文提出心拍感知模塊,將編碼器的編碼結(jié)果輸入到心拍感知模塊中用以預測信號的心拍數(shù)量,通過R峰檢測任務與心拍數(shù)量預測任務聯(lián)合學習,引入全局上下文信息輔助R峰檢測,以減少R峰的漏檢和誤檢。
(2)病毒入侵。在大數(shù)據(jù)時代,網(wǎng)絡信息數(shù)據(jù)具有很強的共享性和開放性特征,這為病毒入侵提供了良好的條件,并且計算機病毒自身大都具有隱藏性、信息儲存性以及可執(zhí)行性等基本特征,它們?nèi)绻行ЫY(jié)合了計算機網(wǎng)絡程度,那么就會自動地釋放出具有破壞性、潛伏性、觸發(fā)性以及感染性等特征的程序或數(shù)據(jù),進而會影響網(wǎng)絡數(shù)據(jù)的安全性。在當下的病毒入侵當中,病毒傳播介質(zhì)主要包括光盤、硬盤與軟盤三種類型,在這三種介質(zhì)中運行的數(shù)據(jù)可能會受到病毒入侵,且危害性越強的病毒也會相應地對網(wǎng)絡數(shù)據(jù)信息造成更嚴重的破壞。比如,CIH病毒以及“熊貓燒香”等均是危害計算機網(wǎng)絡運行安全性的病毒。
管理層能力。借鑒 Dermerjian等 (2012)[15]提出的DEA-Tobit模型度量管理層能力。首先運用DEA方法計算企業(yè)運營效率,其中產(chǎn)出指標為主營業(yè)務收入 (Sales);投入指標為主營業(yè)務成本 (Cost)、管理與銷售費用之和 (Sama)、固定資產(chǎn)凈值 (PPE)、無形資產(chǎn)凈值 (Instan)、研發(fā)費用 (R&D)、商譽GW),計算如下式:
課程實施時,學校會根據(jù)不同的人才培養(yǎng)目標,從4大課程領域的各個模塊中精選相關課程專題進行搭配組合,構(gòu)成面向不同培養(yǎng)目標的“課程套餐”,每類發(fā)展方向的“課程套餐”均由國家課程+博雅課程組成。以培養(yǎng)目標為“品學基礎、人生奠基”的課程為例,其“課程套餐”如下(見圖1)。
通過交替使用常規(guī)卷積和深度可分離卷積,可減小模型的參數(shù)量和計算量,并提升模型泛化能力。在定位誤差容忍度為20 ms時,輕量化HA-UNet的R峰檢測準確率甚至高于HA-UNet。輕量化HA-UNet的CPU耗時與Pan-tompkins方法相比較長,但在可穿戴式心電信號中R 峰檢測準確率(99.95%)遠高于Pantompkins方法(91.83%),實際上毫秒級的處理速度已可滿足R峰檢測的實時性需求。
ECG信號R峰檢測相關研究中,大部分將定位誤差容忍度設置為ANSI/AAMI-EC57:1998中建議的150 ms。然而,150 ms的定位誤差容忍度對實際需求而言過于寬松。為此,我們進一步比較各R峰檢測方法在容忍度為20 ms時的性能。Pan-tompkins、Hamilton、Martínez、Louren?o與輕量化HA-UNet在可穿戴式數(shù)據(jù)集中的R峰檢測準確率分別為16.58%、62.73%、75.02%、85.01%及98.65%;在LUDB中的R峰檢測準確率分別為15.30%、83.73%、89.70%、93.57%及96.78%??梢?,基于規(guī)則的決策法的R峰定位精確度過低,難以準確地估計心率、心率變異性等參數(shù)。
綜上,心拍感知方法在可穿戴式心電信號R峰檢測中準確率高,且泛化性強,計算速度滿足R峰檢測的實時性需求,是準確估計心率、心率變異性等生理參數(shù)的重要步驟。將來,我們會對R峰檢測任務檢出的R峰數(shù)量與心拍感知模塊預測的心拍數(shù)量進行相互約束,進一步提升算法在可穿戴式心電信號R峰檢測中的性能。