國立虎尾科技大學 |

登入

回首頁

自動編碼器應用於光體積變化描記圖消噪演算法 = = Denoising ...

王丞鵬

自動編碼器應用於光體積變化描記圖消噪演算法 = = Denoising Autoencoder Design Applied on Photoplethysmography Signal /

紀錄類型:	書目-語言資料,印刷品 : Monograph/item
正題名/作者:	自動編碼器應用於光體積變化描記圖消噪演算法 =/ 王丞鵬.
其他題名:	Denoising Autoencoder Design Applied on Photoplethysmography Signal /
其他題名:	Denoising Autoencoder Design Applied on Photoplethysmography Signal.
作者:	王丞鵬
出版者:	雲林縣 :國立虎尾科技大學 , : 民113.07.,
面頁冊數:	[7], 58面 :圖, 表 ; : 30公分.;
附註:	指導教授: 蔡文凱, 賴信志.
標題:	PPG. -
電子資源:	電子資源

自動編碼器應用於光體積變化描記圖消噪演算法 = = Denoising Autoencoder Design Applied on Photoplethysmography Signal /
王丞鵬

自動編碼器應用於光體積變化描記圖消噪演算法 =Denoising Autoencoder Design Applied on Photoplethysmography Signal /Denoising Autoencoder Design Applied on Photoplethysmography Signal.王丞鵬. - 初版. - 雲林縣 :國立虎尾科技大學 ,民113.07. - [7], 58面 :圖, 表 ;30公分.

指導教授: 蔡文凱, 賴信志.

碩士論文--國立虎尾科技大學電機工程系碩士班.

含參考書目.

新冠肺炎(COVID-19)於2020年至今在全球大流行，但由於隱形缺氧(Silent Hypoxia)不會引起明顯不適或疼痛，導致患者容易忽略甚至因此猝逝。所以近年越來越多的人關注自身健康狀況，健康監測已成為現代生活的一部分。光體積變化描記圖法(Photoplethysmography, PPG)作為一種非侵入式的生理訊號檢測技術，具有簡單、方便和成本低的優點。然而，PPG訊號常受到各種雜訊干擾，因此，開發一種能夠有效消除PPG訊號中雜訊的消噪方法至關重要。本論文針對PPG訊號的去雜訊問題提出CNN-Based Denoise Autoencoder with Skip connection (CNN-DAE-SC)模型，這是以Denoising Autoencoder為基礎之一維卷積神經網絡(Convolutional Neural Network, CNN)的結構組成的模型。將正規化後的帶噪PPG訊號匯入模型進行訓練，同時引入交叉驗證方法以評估模型的穩定性。此外還與下列三種模型結構進行比較:CNN-Based Denoise Autoencoder (CNN-DAE)、Deep Neural Networks (DNN)和Fully Connected Network (FCN)。CNN-DAE-SC模型在交叉驗證中的Percentage Root Mean Square Difference (PRD)和Root Mean Square Error (RMSE)值均最低，平均PRD值為13.28%±1.79，平均 RMSE為0.05。最後為了更準確地評估重建結果，在對重建訊號進行後處理消除基線問題，因此CNN-DAE-SC模型的平均PRD值更進一步降低到5.44%±0.59，顯示出所提出之模型架構在重建PPG訊號上具有優秀的潛力。.

(平裝)Subjects--Topical Terms:

1423434
PPG.

自動編碼器應用於光體積變化描記圖消噪演算法 = = Denoising Autoencoder Design Applied on Photoplethysmography Signal /
LDR:04103cam a2200241 i 4500 001 1129970
008 241015s2024 ch ak erm 000 0 chi d
035 $a (THES)111NYPI0441020
040 $a NFU $b chi $c NFU $e CCR
041 0 # $a chi $b chi $b eng
084 $a 008.165M $b 1017 113 $2 ncsclt
100 1 $a 王丞鵬 $3 1449006
245 1 0 $a 自動編碼器應用於光體積變化描記圖消噪演算法 = $b Denoising Autoencoder Design Applied on Photoplethysmography Signal / $c 王丞鵬.
246 1 1 $a Denoising Autoencoder Design Applied on Photoplethysmography Signal.
250 $a 初版.
260 # $a 雲林縣 : $b 國立虎尾科技大學 , $c 民113.07.
300 $a [7], 58面 : $b 圖, 表 ; $c 30公分.
500 $a 指導教授: 蔡文凱, 賴信志.
500 $a 學年度: 112.
502 $a 碩士論文--國立虎尾科技大學電機工程系碩士班.
504 $a 含參考書目.
520 3 $a 新冠肺炎(COVID-19)於2020年至今在全球大流行，但由於隱形缺氧(Silent Hypoxia)不會引起明顯不適或疼痛，導致患者容易忽略甚至因此猝逝。所以近年越來越多的人關注自身健康狀況，健康監測已成為現代生活的一部分。光體積變化描記圖法(Photoplethysmography, PPG)作為一種非侵入式的生理訊號檢測技術，具有簡單、方便和成本低的優點。然而，PPG訊號常受到各種雜訊干擾，因此，開發一種能夠有效消除PPG訊號中雜訊的消噪方法至關重要。本論文針對PPG訊號的去雜訊問題提出CNN-Based Denoise Autoencoder with Skip connection (CNN-DAE-SC)模型，這是以Denoising Autoencoder為基礎之一維卷積神經網絡(Convolutional Neural Network, CNN)的結構組成的模型。將正規化後的帶噪PPG訊號匯入模型進行訓練，同時引入交叉驗證方法以評估模型的穩定性。此外還與下列三種模型結構進行比較:CNN-Based Denoise Autoencoder (CNN-DAE)、Deep Neural Networks (DNN)和Fully Connected Network (FCN)。CNN-DAE-SC模型在交叉驗證中的Percentage Root Mean Square Difference (PRD)和Root Mean Square Error (RMSE)值均最低，平均PRD值為13.28%±1.79，平均 RMSE為0.05。最後為了更準確地評估重建結果，在對重建訊號進行後處理消除基線問題，因此CNN-DAE-SC模型的平均PRD值更進一步降低到5.44%±0.59，顯示出所提出之模型架構在重建PPG訊號上具有優秀的潛力。.
520 3 $a COVID-19 has been a global pandemic since 2020. However, due to Silent Hypoxia not causing noticeable discomfort or pain, patients often overlook it, leading to sudden death in some cases. Consequently, more people have become attentive to their health, making health monitoring an integral part of modern life. Photoplethysmography (PPG), a non-invasive physiological signal detection technique, is favored for its simplicity, convenience, and low cost. However, PPG signals are often disrupted by various noises, making the development of effective denoising methods crucial. This paper proposes a CNN-Based Denoising Autoencoder with Skip Connection (CNN-DAE-SC) model to address the issue of noise in PPG signals. The model is based on a Denoising Autoencoder structure with a one-dimensional Convolutional Neural Network (CNN). The normalized noisy PPG signals are fed into the model for training, and cross-validation is introduced to evaluate the model's stability. Additionally, the performance of CNN-DAE-SC is compared with three other models: CNN-Based Denoising Autoencoder (CNN-DAE), Deep Neural Networks (DNN), and Fully Connected Network (FCN). The CNN-DAE-SC model achieved the lowest Percentage Root Mean Square Difference (PRD) and Root Mean Square Error (RMSE) values during cross-validation, with an average PRD of 13.28% ± 1.79 and an average RMSE of 0.05. To further enhance the accuracy of the reconstruction, post-processing was applied to the reconstructed signals to eliminate baseline issues, resulting in an even lower average PRD of 5.44% ± 0.59, demonstrating the proposed model's strong potential for reconstructing PPG signals..
563 $a (平裝)
650 # 4 $a PPG. $3 1423434
650 # 4 $a Noise Cancellation. $3 1451978
650 # 4 $a Denoising Autoencoder. $3 1451977
650 # 4 $a Convolutional Neural Network. $3 1127421
650 # 4 $a 雜訊消除. $3 1451976
650 # 4 $a 去噪自編碼器架構. $3 1451975
650 # 4 $a 卷積神經網路. $3 1127424
650 # 4 $a 光體積變化描記圖法. $3 1451974
856 7 # $u https://handle.ncl.edu.tw/11296/f7wy62 $z 電子資源 $2 http