iphone 13 120hz測試的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列懶人包和總整理

探討深度學習及影像特徵提取於心電圖和脈音圖時頻轉換的心臟疾病自動辨識

為了解決iphone 13 120hz測試的問題，作者謝侑良 這樣論述：

本論文提出一種利用深度學習辨識器及影像特徵萃取技巧來處理心電訊號和手腕橈動脈脈音訊號時頻轉換的演算法，並應用於心律不整以及結構性心臟病的自動辨識。主要的研究目的包括：1) 探討深層(9層)以及淺層(4層)的深度學習辨識器卷積式類神經網路(convolutional neural networks, CNN)在自動辨識效果上的差異、2) 探討應用不同的影像特徵萃取技巧於心電訊號和手腕橈動脈脈音訊號轉換出的時頻圖辨識率差異、3) 探討單純使用卷積式類神經網路作為辨識器以及使用卷積式類神經網路（特徵擷取）並結合支持向量機辨識器對辨識正確率造成的差異。本論文所探討的演算法流程為：首先將心電訊號及手腕

橈動脈上的脈音時域訊號經過連續小波轉換(continuous wavelet transfomation)產生時域訊號對應的時頻圖(Time-frequency spectrogram)。接著透過傳統影像處理的特徵萃取技巧，如主成分分析(principal componenet analysis, PCA)，Harris-Stephens特徵擷取演算法(Harris)，KAZE特徵擷取演算法，加速強健特徵擷取演算法(speeded-up robust features, SURF)，最大穩定極值區域特徵萃取演算法(maximum stable extreme region, MSER)。接著將

有經過影像處理特徵萃取的時頻圖、以及原始的時頻圖作為特徵輸入到深層卷積式神經網路(convolutional neural networks)辨識器，最後使用k-fold交叉驗證來確認最終效果。本論文用於測試的心電圖資料來自麻省理工學院的Physionet開源心電圖資料庫、及成功大學附設醫院所收集的心臟病患者手腕橈動脈脈音訊號(pulse audiogram, PAG)。本論文以心電圖資料竇性心律(sinus ryhthm, SR)與心房早期收縮atrial premature contraction, APC)，心室早期收縮(ventricular premature contraction

, VPC), 左束支傳導阻滯(left bundle branch block beat, LBBB)，和右束支傳導阻滯(right bundle branch block beat, RBBB)等疾病，每一個視窗包含一個完整的QRS複合波(此視窗包含256個資料點，包括R波的前127個與後128個資料點，取樣率為360 Hz)。使用原始時頻圖分辨三類(竇性心律、心房早期收縮、與心室早期收縮)達到最高辨識率是99.37%；加上特徵提取之後，辨識率為98.33%(使用Harris特徵提取)。在辨識竇性心律(SR)、心房早期收縮(APC)、心室早期收縮(VPC)、左束支傳導阻滯(LBBB)、與右

束支傳導阻滯(RBBB)等五種疾病心電圖，本論文在k-fold (k=10)交叉驗證中得到99.42%辨識率。在手腕橈動脈脈音訊號處理的方面，本論文進行以下三種探討：首先是測試演算法辨識竇性心律與心房顫動的功效。在使用原始時頻圖以及k-fold (k=5)交叉驗證的狀況下，可以達到100%的正確率。第二是測試本論文演算法基於脈音圖於辨識心律不整的疾病（如：心房顫動(AFib)、心房撲動(AFL)、心房早期收縮(APC)、和心室早期收縮(VPC)），當小波轉換時頻圖結合主成份分析(PCA)作為影像特徵擷取方法時，搭配卷積式類神經網路，在5秒視窗下，可達到95.91%的辨識率，原始時頻圖辨識率為9

5.82%，使用Harris特徵提取之後識率為95.57%。第三是測試演算法辨識心臟結構異常的心臟疾病（如：主動脈瓣閉鎖不全(aortic regurgitation, AR)，主動脈瓣狹窄(aortic stenosis, AS)，鬱血性心衰竭(congestive heart failure, CHF)，和肥厚性心肌症(hypertrophic cardiomyopathy, HCM)），透過小波轉換的脈音時頻圖結合Harris特徵提取作為影像特徵擷取方法時，搭配卷積式類神經網路，在10秒視窗下，可達到99.53%的辨識率，原始時頻圖辨識率為99.29%，使用主成份分析(PCA)特徵提取之

後識率為88.12%。本論文也比較了9層以及4層的的卷積式類神經網路辨識器的辨識結果。在竇性心律與心房顫動的辨識，辨識率從99.29%（4層CNN）提升到100%（9層CNN）；在竇性心律與心律不整的疾病的辨識，辨識率91.61%（4層CNN）提升到95.82%（9層CNN）；在竇性心律與心臟結構異常的心臟疾病的辨識，辨識率從98.68%（4層CNN）提升到99.33%（9層CNN）。綜合以上，本論文提出並驗證了一種深度學習及影像特徵提取於心電圖和脈音圖時頻轉換的心臟疾病自動辨識演算法，實驗數據顯示出使用9層的卷積式類神經網路比4層的卷積式類神經網路可以有效提升辨識率。此外，本論文探討使用傳統

影像處理的特徵萃取技巧（如主成分分析、KAZE特徵擷取演算法、加速強健特徵擷取演算法、最大穩定極值區域特徵萃取演算法）強化影像特徵再使用卷積式類神經網路辨識，數據顯示使用影像處理的特徵萃取技巧強化心電圖/手腕橈動脈脈音時頻圖對於最終辨識效率並沒有顯著提升。本論文使用了探討了探討單純使用卷積式類神經網路作為辨識器以及使用卷積式類神經網路（特徵擷取）並結合支持向量機辨識器對辨識正確率的影響，上述兩種辨識器效果不相上下，但使用卷積式類神經網路（特徵擷取）並結合支持向量機辨識器的運算時間(39.79秒)遠低於使用卷積式類神經網路作為辨識器(335秒)。本論文提出並驗證了將時域訊號（心電圖以及手腕橈動脈

脈音訊號）轉換至時頻圖、再透過卷積式類神經網路進行自動辨識的演算法，在辨識心律不整或結構性心臟病上，都可以達到至少9成5以上的辨識正確率。