心电监测已经成为临床诊断和健康监测的重要手段.作为心电分析的基础,心电图QRS波的自动检测备受关注.但是,由于动态心电数据体量大、有噪声,目前很多方法在动态心电图QRS波的检测任务中往往表现不佳,在实际应用场景下实际准确率不到80%.针对此问题提出具有窗口结构Bi⁃LSTM(Bidirectional Long Short⁃Term Memory)网络的心电图QRS波检测方法.通过增大采样窗口,在双向的LSTM结构中添加卷积层,给模型赋予了特征提取的能力,经过样本训练就能获得可以预测的模型.卷积Bi⁃LSTM模型可以自动学习和标注心电图中QRS波的位置,解决正样本稀疏和噪音干扰的问题.实验表明,具有窗口结构Bi⁃LSTM网络的心电图QRS波检测方法在适当增大取样窗口时,可以提高预测准确度并加快收敛速度.
针对服务网格环境中资源的动态性,提出了一种并行调度算法PGSWA(parallel grid service workflowscheduling),该算法引入了性能预测模型和并行就绪队列来预测下一段时间资源的性能并使得成员服务能够并行执行。实验证明,该算法能较好地...
详细信息
针对服务网格环境中资源的动态性,提出了一种并行调度算法PGSWA(parallel grid service workflowscheduling),该算法引入了性能预测模型和并行就绪队列来预测下一段时间资源的性能并使得成员服务能够并行执行。实验证明,该算法能较好地缩短工作流的执行时间,提高工作流的执行性能。
暂无评论