Resumen

En este artículo se estudian en primer lugar las características morfológicas del EEG para cuidados intensivos cardíacos; es decir, a partir del análisis del mecanismo de diagnóstico y tratamiento de la enfermedad, se construye un modelo de procesamiento de señales y aprendizaje automático. A continuación, se estudian los métodos de preprocesamiento de la señal, la extracción de características de la señal, la estructura del nuevo modelo de red neuronal, el mecanismo de entrenamiento, el algoritmo de optimización y la eficiencia, y se lleva a cabo una verificación experimental para conjuntos de datos públicos y big data clínicos. A continuación, se estudian el principio de la monitorización cardiaca intensiva, el mecanismo de diagnóstico de la enfermedad, los tipos de arritmia y las características de la señal típica, y se investigan el rendimiento del ritmo, la variabilidad individual y la base neurofisiológica de las señales eléctricas en la monitorización cardiaca intensiva. Por último, se estudia la tecnología de reconocimiento automático de señales. Para mejorar la velocidad de entrenamiento y la capacidad de generalización, se propone un modelo de multiclasificación basado en la máquina de vectores de soporte gemelos por mínimos cuadrados (LS-TWIN-SVM). Se compara la complejidad computacional del algoritmo del modelo de clasificación y se adopta la inteligencia. El algoritmo de optimización selecciona los parámetros del clasificador y utiliza la señal EEG para simular el modelo. Las máquinas de vectores soporte y sus algoritmos mejorados han alcanzado el ultimum en redes neuronales poco profundas y han logrado buenos resultados en la clasificación y el reconocimiento de señales bioeléctricas. El algoritmo LS-TWIN-SVM propuesto en este trabajo ha obtenido buenos resultados en la clasificación y reconocimiento de señales bioeléctricas. Puede realizar el procesamiento bioinformático de las señales EEG de cuidados intensivos cardíacos, la información biométrica sistemática, el diagnóstico de enfermedades, la detección en tiempo real, el diagnóstico auxiliar y la rehabilitación de pacientes.

• Materias:Insuficiencia cardíaca Plataforma de servicios Filtro de orden óptimo Características clínicas Osteoporosis
• Subjects:Heart failure Platform services Optimal order filtering Clinical features Osteoporosis
• Palabras claves:monitorización cardiaca intensiva, señales bioeléctricas, diagnóstico de enfermedades, buenos resultados, algoritmo de optimización, Least Squares Twin Support Vector Machine, tecnología de reconocimiento automático de señales, cuidados cardiacos intensivos señales EEG, nueva estructura de modelo de red neuronal, Support Vector Machines
• Keywords:intensive cardiac monitoring, bioelectric signals, disease diagnosis, good results, optimization algorithm, Least Squares Twin Support Vector Machine, automatic signal recognition technology, intensive cardiac care EEG signals, new neural network model structure, Support Vector Machines