CN102824166A - 一种用于脉搏波分类处理的装置 - Google Patents
一种用于脉搏波分类处理的装置 Download PDFInfo
- Publication number
- CN102824166A CN102824166A CN2012102304089A CN201210230408A CN102824166A CN 102824166 A CN102824166 A CN 102824166A CN 2012102304089 A CN2012102304089 A CN 2012102304089A CN 201210230408 A CN201210230408 A CN 201210230408A CN 102824166 A CN102824166 A CN 102824166A
- Authority
- CN
- China
- Prior art keywords
- pulse wave
- module
- convolution
- output
- sampling
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明公开了一种用于脉搏波分类处理的装置,该装置将采集到脉搏波信号作为输入,经主波提取模块处理获得主波的准确位置,进入分段模块分段,分段后的脉搏波数据进入增加噪声层模块,再进入具有三层结构的卷积层和取样层模块,输出为分类的权值特征;将权值特征输入到多层感知器模块进行最后的处理,输出为分类的最终结果显示在显示器上。本发明在确定脉搏波的主波的位置后,计算脉搏波特征的直接特征值,并对分段的数据段进行卷积和取样,得到内部特征值,再结合直接特征值和内部特征值根据预定算法进行计算,输出的脉搏波分类结果更准确。
Description
技术领域
本发明涉及医疗电子技术领域,特别是一种用于脉搏波分类处理的装置。
背景技术
脉搏波是脉管搏动的轨迹,它综合了心脏射血活动和血液沿血管传播途径中携带的各种信息。这些信息能够反映人体健康状态,尤其是能够在疾病初期未显示出任何症状之前反应人体身体亚健康状态。
现有的脉搏波分类处理主要是提取时域、频域各种特征及其组合,再利用统计学习方法、实例学习方法进行分类识别,包括支持向量机、规则判断、神经网络等等方法。分类的好坏很大程度上取决于所选择的特征组合是否合适和提取各种特征点的准确率,由于脉搏波没有形成统一的诊断标准,针对某种疾病或者症状很难选择合适的特征;另外由于某种疾病或者症状经常对应多个特征,加之脉搏波本身形态复杂,即使找到合适特征,也很难保证准确的提取到每一个特征,所以现有的分类结果也必然不尽人意。
发明内容
本发明的目的是针对现有技术脉搏波分类不准确的缺陷,提供一种脉搏波分类处理的装置,能够输出更准确的脉搏波分类结果。
实现本发明目的的具体技术方案是:
一种用于脉搏波分类处理的装置,该装置包括采集器、主波提取模块、分段模块、增加噪声模块、卷积及取样模块、其他特征模块、多层感知器及显示器,其采集器连接主波提取模块,主波提取模块分两路,一路与分段模块、增加噪声模块、卷积及取样模块依次连接,另一路与其他特征模块连接,其他特征模块和卷积及取样模块与多层感知器连接,多层感知器连接显示器,采集器将采集到的脉搏波信号经主波提取模块处理,获得主波准确位置和脉搏波数据并输出;分段模块根据主波准确位置对脉搏波信号进行分段,输出分段后的脉搏波数据;分段后的脉搏波数据进入增加噪声模块,输出为增加噪声的脉搏波信号;接着进入卷积及取样模块,输出为分类的权值特征;将权值特征输入到多层感知器模块进行最后的处理,输出为脉搏波分类的最终结果显示在显示器上;其他特征模块在主波提取模块的输出的基础上计算脉搏波特征的直接特征值,与卷积及取样模块同时输入到多层感知器模块,多层感知器模块进行处理后,输出为脉搏波分类的最终结果显示在显示器上;其中:
所述主波提取模块处理包括:
1)、脉搏波先经1Hz ~30Hz 的带通滤波,去除低频和高频噪音;
2)、然后对滤波后信号进行幅值归一化;
3)、计算信号幅值归一化后的香农能量,并进行低通滤波求取包络线;
4)、对香农能量包络线信号进行希尔伯特变换;
5)、利用希尔伯特变换后的信号提取香农能量包络线的峰值点,即希尔伯特变换后的信号从负到正过零点的值与香农能量包络线峰值点对应;
6)确定原始脉搏波信号中的真正主波位置,以香农能量峰值点的时间位置t为中心确定时间范围T,脉搏波原始信号在T范围找到真正的脉搏波主波位置;0.2<T<0.3;
所述分段模块根据主波准确位置对脉搏波信号进行分段是:将脉搏波分成以主波为基点,N个数据长度的数据段;N为数据点数;
所述增加噪声模块,用于对分段后的脉搏波数据叠加随机噪声,并输出给所述卷积及取样模块;
所述卷积及取样模块具有三个卷积层及取样层,分别对输入的数据进行卷积、取样,形成分类的权值特征并输出;
所述多层感知器包括隐层及逻辑回归层,隐层是个全连接层,隐层的输入全部来源于卷积及取样模块的输出,或者来源于卷积及取样模块的输出和其他特征模块输出的特征值;隐层的权值矩阵为[P1 * P2],其中:P1 为输入节点个数,P2 为输出节点个数,50<P1<2000,100<P2<2000,然后经过逻辑回归层对权值特征进行最后的分类,权值矩阵为[P2 * D] ;D为疾病种类数目;
所述其他特征模块,根据所述主波的位置,计算直接特征值与卷积及取样模块的输出一起作为多层感知器的输入。
所述直接特征值是指能准确体现所述脉搏波的特征,例如主波间期等。主波间期即前一个主波与后一个主波之间的时间差。
本发明在确定脉搏波的主波的位置后,计算脉搏波特征的直接特征值,并对分段的数据段进行卷积和取样,得到内部特征值,再结合直接特征值和内部特征值根据预定算法进行计算,得到分类结果,由于不再提取各种准确率不太高,容易受噪声干扰的特征值(如:重搏前波),而是直接提取准确率很高的直接特征值(如:主波间期)纳入算法进行计算,因此可以提高最后分类准确率,输出更准确的脉搏波分类结果。
附图说明
图1为本发明结构框图;
图2为本发明工作流程图。
具体实施方式
由于基于神经网络的分类方法需要有两个过程:训练过程和测试过程,且经过一次训练之后可进行多次测试。本装置即可输出训练过程的脉搏波分类结果,也可输出测试过程的脉搏波分类结果。
实施例1
训练过程:
参阅附图2,脉搏波通过采集器采集后进入主波提取模块处理:
1)、脉搏波先经1Hz ~30Hz 的带通滤波,去除低频和高频噪音;
2)、然后对滤波后信号进行幅值归一化处理,归一化后的幅值范围为0-1;
3)、计算信号幅值归一化后的香农能量,计算公式为d(n)*d(n) * log( d(n)*d(n) ),其中d为归一化后的脉搏波信号数据,n为归一化后的脉搏波信号数据点。计算后的香农能量信号进行低通滤波求取包络线;
4)、对香农能量包络线信号进行希尔伯特变换;
5)、利用希尔伯特变换后的信号提取香农能量包络线的峰值点,即希尔伯特变换后的信号从负到正过零点的值与香农能量包络线峰值点对应;
6)确定原始脉搏波信号中的真正主波位置,以香农能量峰值点的时间位置t为中心确定时间范围T,脉搏波原始信号在T范围找到真正的脉搏波主波位置;T=0.25s;
利用其他特征模块从脉搏波中提取直接特征值:根据提取的主波及位置,提取直接特征值。以提取主波间期(两个主波之间的时间差)作为直接特征值,即提取该波左边1个主波间期、右边1个主波间期。2个主波间期作为直接特征值输出给多层感知器。
利用分段模块,将脉搏波信号分成以主波为中心左边L=(N*2/5)-1个点,右边R=N*2/5个点的数据段,本实施例N取250。将分段的数据传输给增加噪声模块,该模块对脉搏波数据叠加随机噪声,然后将叠加了随机噪声的数据传输给卷积及取样模块。
叠加的噪声包含幅度为0~A1(A1可以取值0.5mV)的0~0.5Hz低频噪声,幅度为0~A2(A2可以取值0.5mV)的40~100Hz高频噪声以及幅度为0~A3(A3可以取值0.2mV)的白噪声。
增加噪声模块,从原理上可以增加训练数据的样本数,加大样本间的变异性,从而可以使后续的神经网络能够寻找到真正的特征值,而不至于被微小、噪声、无关的细节干扰。
需说明的是,增加噪声模块在训练时进行的操作,训练过程中需要噪声层,分段数据在噪声层叠加上述的噪声,然后输入到卷积及取样模块,在测试中以及实用分类时,则跳过噪声层,即不需要该模块对脉搏数据叠加随机噪声,此时噪声层无效,分段数据直接输入卷积及取样模块。
卷积及取样模块的三个卷积层与取样层(卷积层和取样层A,卷积层和取样层B,卷积层和取样层C)分别对输入的数据进行卷积、取样,从而形成内部特征,并输出到多层感知器;
三个卷积层的核结构为[F1,1,1,C1],[F2,F1,ChanelCount,C2],[F3,F2,1,C3],取样层结构为[1,M1],[1,M2],[1,M3]。
其中F1(3<F1<30),F2(F1<F2<100),F3(F2<F3<200)为特征面数目,C1(1<C1<60),C2(1<C2<50),C3(1<C3<40)为卷积核;M1(1<M1<30),M2(1<M2<30),M3(1<M2<30)为取样系数;ChanelCount为输入数据的导联数目。
卷积层和取样层A,卷积层和取样层B、卷积层和取样层C,可以对多导联脉搏数据进行处理。卷积层第一层核[F1,1,1,C1],卷积第二层使用核[F2,F1,ChanelCount,C2],卷积第三层使用核[F3,F2,1,C3],这样安排能够很好融入多导联信息。多层感知器的隐层根据输入的数据使用第一权值矩阵获得输出数据。多层感知器的隐层是个全连接层,隐层与逻辑回归层共同组成一个完整的多层感知器。隐层的输入数据是由卷积层和取样层输出的内部特征值和特征提取模块输出的直接特征值,本实施例为主波间期。在多层感知器隐层中引入直接特征值,能够把准确而且确定的直接特征值(2个主波间期)放到多层感知器与内部特征一起进行分类。
多层感知器的隐层使用的第一权值矩阵为[P1*P2],其中P1 为输入的节点个数,50<P1<2000,P2 为该层输出节点个数,100<P2<2000。本实施例P1取值为400+2(2为主波间期特征),P2取值为500。
多层感知器的逻辑回归层根据隐层输出的数据使用第二权值矩阵进行最后的分类。多层感知器的逻辑回归层接收隐层输出的数据作为输入数据,使用第二权值矩阵进行最后的分类。
多层感知器的逻辑回归层使用的第二权值矩阵为[P2*D],其中D为疾病种类数目,在本实施例中为动脉硬化疾病与非动脉硬化分类,D取值为2,P2取值为500。根据多层感知器的逻辑回归层的处理得到最终的分类结果。
测试过程:
本实施例测试过程与本实施例的训练过程不同之处在于跳过增加噪声层模块,其它所有参数和过程与本实施例的训练过程相同。
实施例2
训练过程:
参阅附图2,脉搏波通过采集器采集后进入主波提取模块处理:
1)、脉搏波先经1Hz ~30Hz 的带通滤波,去除低频和高频噪音;
2)、然后对滤波后信号进行幅值归一化处理,归一化后的幅值范围为0-1;
3)、计算信号幅值归一化后的香农能量,计算公式为d(n)*d(n) * log( d(n)*d(n) ),其中d为归一化后的脉搏波信号数据,n为归一化后的脉搏波信号数据点。计算后的香农能量信号进行低通滤波求取包络线;
4)、对香农能量包络线信号进行希尔伯特变换;
5)、利用希尔伯特变换后的信号提取香农能量包络线的峰值点,即希尔伯特变换后的信号从负到正过零点的值与香农能量包络线峰值点对应;
6)在原始信号中检测真正的主波中,根据香农能量对应的峰值点的时间T范围内找到脉搏波原始信号的主波位置。本实施例中T=0.25s。
所述分段模块根据主波准确位置对脉搏波信号进行分段:利用分段模块,将脉搏波信号分成以主波为中心左边L=(N*2/5)-1个点,右边R=N*2/5个点的数据段,本实施例N取250。
将分段的数据传输给增加噪声模块,该模块对脉搏波数据叠加随机噪声,然后将叠加了随机噪声的数据传输给卷积及取样模块。
叠加的噪声包含幅度为0~A1(A1可以取值0.5mV)的0~0.5Hz低频噪声,幅度为0~A2(A2可以取值0.5mV)的40~100Hz高频噪声以及幅度为0~A3(A3可以取值0.2mV)的白噪声。
增加噪声模块,从原理上可以增加训练数据的样本数,加大样本间的变异性,从而可以使后续的神经网络能够寻找到真正的特征值,而不至于被微小、噪声、无关的细节干扰。
需说明的是,增加噪声模块在训练时进行的操作,训练过程中需要噪声层,分段数据在噪声层叠加上述的噪声,然后输入到卷积及取样模块,在测试时,则跳过噪声层,即不需要该模块对脉搏数据叠加随机噪声,此时增加噪声模块无效,分段数据直接输入卷积及取样模块。
对增加噪声的分段的数据段进行卷积和取样,得到内部特征值;通过三个卷积层与取样层对数据段进行卷积和取样,三个卷积层的核结构为[F1,1,1,C1],[F2,F1,ChanelCount,C2],[F3,F2,1,C3],取样层结构为[1,M1],[1,M2],[1,M3];其中,F1、F2、F3为特征面数目,C1、C2、C3为卷积核,M1、M2、M3为取样系数,ChanelCount为输入数据的通道数目,3<F1<30, F1<F2<100, F2<F3<200,1<C1<60,1<C2<50,1<C3<40,1<M1<30,1<M2<30,M1<M2<30。
对所述直接特征值和所述内部特征值根据预定算法进行计算,得到分类结果。该步骤中,多层感知器的隐层对所述直接特征值和内部特征值,使用第一权值矩阵进行计算;多层感知器的逻辑回归层对隐层输出的数据,使用第二权值矩阵进行计算得到脉搏波分类结果。
多层感知器的隐层使用的第一权值矩阵为[P1*P2],其中P1 为输入的节点个数,50<P1<2000,P2 为该层输出节点个数,100<P2<2000。本实施例P1取值为400(与实施例1差别在于本实施例未使用直接特征值:主波间期特征),P2取值为500。
多层感知器的逻辑回归层使用的第二权值矩阵为[P2*D],其中D为疾病种类数目,在本实施例中为动脉硬化疾病与非动脉硬化分类,D取值为2,P2取值为500。根据多层感知器的逻辑回归层的处理得到最终的分类结果。
测试过程:
本实施例测试过程与本实施例的训练过程不同之处在于跳过增加噪声层模块,其它所有参数和过程与本实施例的训练过程相同。
Claims (1)
1.一种用于脉搏波分类处理的装置,其特征在于该装置包括采集器、主波提取模块、分段模块、增加噪声模块、卷积及取样模块、其他特征模块、多层感知器及显示器,其采集器连接主波提取模块,主波提取模块分两路,一路与分段模块、增加噪声模块、卷积及取样模块依次连接,另一路与其他特征模块连接,其他特征模块和卷积及取样模块与多层感知器连接,多层感知器连接显示器,采集器将采集到的脉搏波信号经主波提取模块处理,获得主波准确位置和脉搏波数据并输出;分段模块根据主波准确位置对脉搏波信号进行分段,输出分段后的脉搏波数据;分段后的脉搏波数据进入增加噪声模块,输出为增加噪声的脉搏波信号;接着进入卷积及取样模块,输出为分类的权值特征;将权值特征输入到多层感知器模块进行最后的处理,输出为脉搏波分类的最终结果显示在显示器上;其他特征模块在主波提取模块的输出的基础上计算脉搏波特征的直接特征值,与卷积及取样模块同时输入到多层感知器模块,多层感知器模块进行处理后,输出为脉搏波分类的最终结果显示在显示器上;其中:
所述主波提取模块处理包括:
1)、脉搏波先经1Hz ~30Hz 的带通滤波,去除低频和高频噪音;
2)、然后对滤波后信号进行幅值归一化;
3)、计算信号幅值归一化后的香农能量,并进行低通滤波求取包络线;
4)、对香农能量包络线信号进行希尔伯特变换;
5)、利用希尔伯特变换后的信号提取香农能量包络线的峰值点t,即希尔伯特变换后的信号从负到正过零点的值与香农能量包络线峰值点对应;
6)确定原始脉搏波信号中的真正主波位置,以香农能量峰值点的时间位置t为中心确定时间范围T,脉搏波原始信号在T范围找到真正的脉搏波主波位置;0.2<T<0.3;
所述分段模块根据主波准确位置对脉搏波信号进行分段是:将脉搏波分成以主波为基点,N个数据长度的数据段;N为数据点数;
所述增加噪声模块,用于对分段后的脉搏波数据叠加随机噪声,并输出给所述卷积及取样模块;
所述卷积及取样模块具有三个卷积层及取样层,分别对输入的数据进行卷积、取样,形成分类的权值特征并输出;
所述多层感知器包括隐层及逻辑回归层,隐层是个全连接层,隐层的输入全部来源于卷积及取样模块的输出,或者来源于卷积及取样模块的输出和其他特征模块输出的特征值;隐层的权值矩阵为[P1 * P2],其中:P1 为输入节点个数,P2 为输出节点个数,50<P1<2000,100<P2<2000,然后经过逻辑回归层对权值特征进行最后的分类,权值矩阵为[P2 * D] ;D为疾病种类数目;
所述其他特征模块,根据所述主波的位置,计算直接特征值与卷积及取样模块的输出一起作为多层感知器的输入。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210230408.9A CN102824166B (zh) | 2012-07-05 | 2012-07-05 | 一种用于脉搏波分类处理的装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210230408.9A CN102824166B (zh) | 2012-07-05 | 2012-07-05 | 一种用于脉搏波分类处理的装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102824166A true CN102824166A (zh) | 2012-12-19 |
CN102824166B CN102824166B (zh) | 2014-02-12 |
Family
ID=47327626
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210230408.9A Expired - Fee Related CN102824166B (zh) | 2012-07-05 | 2012-07-05 | 一种用于脉搏波分类处理的装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102824166B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103284702A (zh) * | 2013-06-17 | 2013-09-11 | 中国科学院苏州纳米技术与纳米仿生研究所 | 心电图和脉搏波关系分析及融合分析的方法和装置 |
CN103505189A (zh) * | 2013-10-21 | 2014-01-15 | 东南大学 | 基于小波包变换和隐马尔科夫模型的脉搏信号分类方法 |
CN106333648A (zh) * | 2016-09-18 | 2017-01-18 | 京东方科技集团股份有限公司 | 基于可穿戴设备的睡眠窒息监测方法和可穿戴设备 |
CN108338777A (zh) * | 2018-02-08 | 2018-07-31 | 深圳还是威健康科技有限公司 | 一种脉搏信号检测分析方法及装置 |
CN108403094A (zh) * | 2018-03-23 | 2018-08-17 | 中国科学院微电子研究所 | 一种识别脉搏波波峰的方法 |
CN109730656A (zh) * | 2019-01-09 | 2019-05-10 | 中国科学院苏州纳米技术与纳米仿生研究所 | 用于脉搏波信号分类的神经网络系统、计算机设备 |
CN109998500A (zh) * | 2019-04-30 | 2019-07-12 | 陕西师范大学 | 一种基于生成式对抗网络的脉搏信号生成方法及系统 |
CN110956197A (zh) * | 2019-10-28 | 2020-04-03 | 新绎健康科技有限公司 | 一种基于卷积神经网络建立脉波噪声信号识别模型的方法及系统 |
CN111887824A (zh) * | 2020-07-30 | 2020-11-06 | 杭州电子科技大学 | 一种基于毫米波和神经网络的动脉硬化检测装置 |
CN112869716A (zh) * | 2021-02-23 | 2021-06-01 | 佛山科学技术学院 | 一种基于双通道卷积神经网络的脉搏特征识别系统及方法 |
CN113397500A (zh) * | 2021-08-03 | 2021-09-17 | 华东师范大学 | 一种脉搏监测装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1111121A (zh) * | 1994-08-30 | 1995-11-08 | 中国科学院上海技术物理研究所 | 心电和脉搏信号自适应分析法及其装置 |
JP2007044429A (ja) * | 2005-08-12 | 2007-02-22 | Tottori Univ | 自己組織化マップを用いた脈波診断システム並びに自己組織化マップの生成プログラム及び生成方法 |
CN1935084A (zh) * | 2006-09-22 | 2007-03-28 | 北京工业大学 | 一种基于提升小波的脉搏信号处理方法 |
JP4581496B2 (ja) * | 2004-06-14 | 2010-11-17 | オムロンヘルスケア株式会社 | 脈波解析装置および脈波解析プログラム |
-
2012
- 2012-07-05 CN CN201210230408.9A patent/CN102824166B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1111121A (zh) * | 1994-08-30 | 1995-11-08 | 中国科学院上海技术物理研究所 | 心电和脉搏信号自适应分析法及其装置 |
JP4581496B2 (ja) * | 2004-06-14 | 2010-11-17 | オムロンヘルスケア株式会社 | 脈波解析装置および脈波解析プログラム |
JP2007044429A (ja) * | 2005-08-12 | 2007-02-22 | Tottori Univ | 自己組織化マップを用いた脈波診断システム並びに自己組織化マップの生成プログラム及び生成方法 |
CN1935084A (zh) * | 2006-09-22 | 2007-03-28 | 北京工业大学 | 一种基于提升小波的脉搏信号处理方法 |
Non-Patent Citations (3)
Title |
---|
周丹,等: "《基于短时傅立叶变换的脉象信号的模式识别方法》", 《重庆科技学院学报(自然科学版)》 * |
张冬雨: "《面向脉诊的脉搏信号与血流信号分类研究》", 《中国博士学位论文全文数据库 医药卫生科技辑》 * |
蔡坤宝: "《脉象信号的特征提取与识别方法》", 《重庆大学学报》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103284702A (zh) * | 2013-06-17 | 2013-09-11 | 中国科学院苏州纳米技术与纳米仿生研究所 | 心电图和脉搏波关系分析及融合分析的方法和装置 |
CN103505189A (zh) * | 2013-10-21 | 2014-01-15 | 东南大学 | 基于小波包变换和隐马尔科夫模型的脉搏信号分类方法 |
CN103505189B (zh) * | 2013-10-21 | 2016-05-25 | 东南大学 | 基于小波包变换和隐马尔科夫模型的脉搏信号分类方法 |
CN106333648A (zh) * | 2016-09-18 | 2017-01-18 | 京东方科技集团股份有限公司 | 基于可穿戴设备的睡眠窒息监测方法和可穿戴设备 |
CN108338777A (zh) * | 2018-02-08 | 2018-07-31 | 深圳还是威健康科技有限公司 | 一种脉搏信号检测分析方法及装置 |
CN108403094A (zh) * | 2018-03-23 | 2018-08-17 | 中国科学院微电子研究所 | 一种识别脉搏波波峰的方法 |
CN109730656A (zh) * | 2019-01-09 | 2019-05-10 | 中国科学院苏州纳米技术与纳米仿生研究所 | 用于脉搏波信号分类的神经网络系统、计算机设备 |
CN109998500A (zh) * | 2019-04-30 | 2019-07-12 | 陕西师范大学 | 一种基于生成式对抗网络的脉搏信号生成方法及系统 |
CN110956197A (zh) * | 2019-10-28 | 2020-04-03 | 新绎健康科技有限公司 | 一种基于卷积神经网络建立脉波噪声信号识别模型的方法及系统 |
CN111887824A (zh) * | 2020-07-30 | 2020-11-06 | 杭州电子科技大学 | 一种基于毫米波和神经网络的动脉硬化检测装置 |
CN112869716A (zh) * | 2021-02-23 | 2021-06-01 | 佛山科学技术学院 | 一种基于双通道卷积神经网络的脉搏特征识别系统及方法 |
CN112869716B (zh) * | 2021-02-23 | 2022-04-15 | 佛山科学技术学院 | 一种基于双通道卷积神经网络的脉搏特征识别系统及方法 |
CN113397500A (zh) * | 2021-08-03 | 2021-09-17 | 华东师范大学 | 一种脉搏监测装置 |
Also Published As
Publication number | Publication date |
---|---|
CN102824166B (zh) | 2014-02-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102824166B (zh) | 一种用于脉搏波分类处理的装置 | |
CN104523266B (zh) | 一种心电信号自动分类方法 | |
CN107837082A (zh) | 基于人工智能自学习的心电图自动分析方法和装置 | |
Kulkarni et al. | Extracting salient features for EEG-based diagnosis of Alzheimer's disease using support vector machine classifier | |
CN104970789B (zh) | 心电图分类方法及系统 | |
Thomas et al. | EEG classification via convolutional neural network-based interictal epileptiform event detection | |
CN107184198A (zh) | 一种心电信号分类识别方法 | |
CN107822622A (zh) | 基于深度卷积神经网络的心电图诊断方法和系统 | |
Dai et al. | Convolutional neural network based automatic screening tool for cardiovascular diseases using different intervals of ECG signals | |
CN105877766A (zh) | 一种基于多生理信号融合的精神状态检测系统及方法 | |
CN108511055B (zh) | 基于分类器融合及诊断规则的室性早搏识别系统及方法 | |
CN108090509A (zh) | 一种数据长度自适应的心电图分类方法 | |
CN103083013A (zh) | 基于形态学与小波变换的心电信号qrs复波检测方法 | |
CN109222963A (zh) | 一种基于卷积神经网络的心电异常识别分类方法 | |
CN113095302B (zh) | 用于心律失常分类的深度模型、利用该模型的方法及装置 | |
Kataria et al. | Prediction of blood screening parameters for preliminary analysis using neural networks | |
CN109273094A (zh) | 一种基于Boosting算法的川崎病风险评估模型的构建方法及构建系统 | |
CN103886184A (zh) | 一种心脏病理识别模型的构建方法 | |
Jian et al. | Detection of myocardial infarction using ECG and multi-scale feature concatenate | |
Stylios et al. | Least squares support vector machines for FHR classification and assessing the pH based categorization | |
Mohammedqasim et al. | Multi-objective deep learning framework for COVID-19 dataset problems | |
Patel et al. | Spatial feature fusion for biomedical image classification based on ensemble deep CNN and transfer learning | |
CN108338777A (zh) | 一种脉搏信号检测分析方法及装置 | |
CN105708441A (zh) | 可佩戴指套及心电图和脉象采集终端 | |
CN112842342B (zh) | 一种结合希尔伯特曲线和集成学习的心电磁信号分类方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20140212 Termination date: 20170705 |
|
CF01 | Termination of patent right due to non-payment of annual fee |