CN104706321A - 一种基于改进的mfcc的心音类型识别方法 - Google Patents
一种基于改进的mfcc的心音类型识别方法 Download PDFInfo
- Publication number
- CN104706321A CN104706321A CN201510063813.XA CN201510063813A CN104706321A CN 104706321 A CN104706321 A CN 104706321A CN 201510063813 A CN201510063813 A CN 201510063813A CN 104706321 A CN104706321 A CN 104706321A
- Authority
- CN
- China
- Prior art keywords
- mfcc
- heart sound
- cardiechema signals
- hear sounds
- segmentation
- 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
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Heart & Thoracic Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种基于改进的MFCC的心音类型识别方法,包括以下步骤:第一步、心音信号预处理;第二步、心音信号的自相关分段;第三步、心音信号的MFCC提取算法;第四步、心音信号的训练和识别。与现有技术相比较,本发明通过改进MFCC这一倒谱域参数,来提取能表征不同类型心音特点的深层次信息,实现正常与几大类异常心音信号的有效识别,且识别精度较高,非常适合临床辅助诊断心血管疾病。
Description
技术领域
本发明涉及信号处理技术领域的一种非稳定周期信号识别方法,尤其涉及一种基于改进的MFCC的心音类型识别方法。
背景技术
作为心脏及大血管机械运动所产生的振动信号,心音是人体最重要的生理信号之一。当心血管疾病尚未发展到足以产生临床及病理改变以前,心音中就会出现一些重要的病理信息,这些病理信息在许多疾病中都有特征性体现,这对心血管疾病的诊断和病情的估计都是十分有意义的。因此,心音分析是无创检测心血管疾病的重要手段,已经成为临床辅助诊断该类疾病的有效方法之一。
现有技术中,心音的分类识别功能仅限于区分正常和异常心音信号,并未对异常心音信号进行更细致的分类识别,因此分类尚不精细,且识别正确率有待进一步提高。
发明内容
本发明的目的就在于针对心音为周期信号的特点,提供一个自相关分段算法结合改进的MFCC算法,以解决上述技术问题。
为了实现上述目的,本发明采用的技术方案是:一种基于改进的MFCC的心音类型识别方法,包括以下步骤:第一步.心音信号预处理;
A1.对收到的心音数据进行重采样;
A2.对重采样后的信号进行巴特沃斯低通滤波;
A3.对滤波后的心音信号进行去噪;
第二步.心音信号的自相关分段;
B1.计算去噪后的心音数据的幅度均值;
B2.设定参数:重采样后,一个心音周期的最小点数s_min=750,心音周期的最大点数s_max=2500;
B3.由心音信号长度以及一个心音周期的最大长度相除得到该心音信号的分段数M;将这M段心音数据从开始到结束依次两两组合,若M为奇数则有多余的分段,多余的分段舍去;
B4.寻找每个组合段中第一个第一心音的起始点,计算组合段内所找到的第一心音起始点所在的心音周期与该段内的下个心音周期的自相关系数,并保存;
B5.选择所有组合段中最大的自相关系数所在的心音周期,作为分段结果。第三步.心音信号的MFCC提取算法;
C1.预加重滤波器;将心音信号s(n)通过一个高通滤波器,形式为:H(z)=1-a*(z-1),其中系数a的值介于0.9和1.0之间;
C2.计算分段后得到各个心音信号的MFCC;
第四步.心音信号的训练和识别。
D1.对采集的N种类型的心音信号,分为两组,一组作为训练样本,另一组作为测试样本;
D2.对训练组和测试组的心音信号进行MFCC特征参数的提取,并保存;
D3.将提取到的训练样本以及测试样本的特征参数输入分类器进行分类处理,完成对不同心音类型的识别。
作为优选,其中步骤A1对收到的心音信号进行5点重采样,采样频率为2205Hz。
作为优选,步骤A2对重采样后的信号进行滤波,设置通带最大衰减为3db,阻带最小衰减为18db。
作为优选,步骤A3采用dmey小波变换对滤波后的心音信号进行去噪。
作为优选,其中,步骤B4避免起点正好位于第一心音处,以连续100个点小于心音数据的幅值均值作为判定第一心音起始点的条件。
作为优选,步骤C2将自相关分段后的心音信号进行快速傅里叶变换,然后取平方计算心音信号的离散功率谱;将频谱能量乘以一组L个三角带通滤波器,求得每一个滤波器输出的对数能量,共L个;将上述的L个对数能量带入离散余弦变换,求出倒谱域参数:
其中{C}即为MFCC参数,P为MFCC的阶数,pj为第j个功率值参数,j为当前滤波器。
作为优选,步骤D3中采用的分类器为libsvm分类器。
与现有技术相比,本发明的优点在于:本发明通过改进MFCC这一倒谱域参数,来提取能表征不同类型心音特点的深层次信息,实现正常与几大类异常心音信号的有效识别,且识别精度较高,非常适合临床辅助诊断心血管疾病。
具体实施方式
下面将对本发明作进一步说明。
实施例:一种基于改进的MFCC的心音类型识别方法,包括以下步骤:
第一步.心音信号预处理;
A1.对收到的心音数据进行重采样;
A2.对重采样后的信号进行巴特沃斯低通滤波;
A3.对滤波后的心音信号进行去噪。
其中,步骤A1对收到的心音信号进行5点重采样,采样频率为2205Hz;
步骤A2对重采样后的信号进行滤波,设置通带最大衰减为3db,阻带最小衰减为18db;步骤A3采用小波变换对滤波后的心音信号进行去噪,采用dmey小波。
第二步.心音信号的自相关分段;
B1.计算去噪后的心音数据的幅度均值;
B2.设定参数:重采样后,一个心音周期的最小点数s_min=750,心音周期的最大点数s_max=2500;
B3.由心音信号长度以及一个心音周期的最大长度相除得到该心音信号的分段数M;
B4.将这M段心音数据从开始到结束依次两两组合,若M为奇数则有多余的分段,多余的分段舍去;
B5.寻找每个组合段中第一个第一心音的起始点;
B6.计算组合段内所找到的第一心音起始点所在的心音周期与该段内的下个心音周期的自相关系数,并保存;
B7.选择所有组合段中最大的自相关系数所在的心音周期,作为分段结果。
其中,步骤B5避免起点正好位于第一心音处,以连续100个点小于心音数据的幅值均值作为判定第一心音起始点的条件。
第三步.心音信号的MFCC提取算法;
C1.预加重滤波器;
C2.计算分段后得到各个心音信号的MFCC。
其中,步骤C1将心音信号是s(n)通过一个高通滤波器,形式为:H(z)=1-a*(z-1),其中系数a的值介于0.9和1.0之间。步骤C2将自相关分段后的心音信号进行快速傅里叶变换,然后取平方计算心音信号的离散功率谱;将频谱能量乘以一组L个三角带通滤波器,求得每一个滤波器输出的对数能量,共L个;将上述的L个对数能量带入离散余弦变换,求出倒谱域参数:
其中{C}即为MFCC参数,P为MFCC的阶数,pj为第j个功率值参数,j为当前滤波器。
第四步.心音信号的训练和识别。
D1.对采集的N种类型的心音信号,分为两组,一组作为训练样本,另一组作为测试样本;
D2.对训练组和测试组的心音信号进行MFCC特征参数的提取,并保存;
D3.将提取到的训练样本以及测试样本的特征参数输入libsvm分类器进行分类处理,完成对不同心音类型的识别。
1)根据心音的特点,提出心音的自相关分段算法;
2)改进MFCC特征参数的提取算法,使之更加适合非稳定周期信号,以提高识别精度。
3)对正常以及各个异常的病例信号进行有效的识别。
当心血管疾病尚未发展到足以产生临床及病理改变以前,心音中就会出现一些重要的病理信息,这些病理信息在许多疾病中都有特征性体现,这对心血管疾病的诊断和病情的估计都是十分有意义的,本发明根据心音的特点,提出心音的自相关分段算法,改进MFCC特征参数的提取算法,使之更加适合非稳定周期信号,以提高识别精度,通过改进MFCC这一倒谱域参数,来提取能表征不同类型心音特点的深层次信息,对正常以及各个异常的病例信号进行有效的识别,非常适合临床辅助诊断心血管疾病。
以上对本发明所提供的一种基于改进的MFCC的心音类型识别方法进行了详尽介绍,本发明中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,对本发明的变更和改进将是可能的,而不会超出附加权利要求所规定的构思和范围,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (7)
1.一种基于改进的MFCC的心音类型识别方法,其特征在于:包括以下步骤,第一步.心音信号预处理;
A1.对收到的心音数据进行重采样;
A2.对重采样后的信号进行巴特沃斯低通滤波;
A3.对滤波后的心音信号进行去噪;
第二步.心音信号的自相关分段;
B1.计算去噪后的心音数据的幅度均值;
B2.设定参数:重采样后,一个心音周期的最小点数s_min=750,心音周期的最大点数s_max=2500;
B3.由心音信号长度以及一个心音周期的最大长度相除得到该心音信号的分段数M;将这M段心音数据从开始到结束依次两两组合,若M为奇数则有多余的分段,多余的分段舍去;
B4.寻找每个组合段中第一个第一心音的起始点,计算组合段内所找到的第一心音起始点所在的心音周期与该段内的下个心音周期的自相关系数,并保存;
B5.选择所有组合段中最大的自相关系数所在的心音周期,作为分段结果。第三步.心音信号的MFCC提取算法;
C1.预加重滤波器;将心音信号s(n)通过一个高通滤波器,形式为:H(z)=1-a*(z-1),其中系数a的值介于0.9和1.0之间;
C2.计算分段后得到各个心音信号的MFCC;
第四步.心音信号的训练和识别。
D1.对采集的N种类型的心音信号,分为两组,一组作为训练样本,另一组作为测试样本;
D2.对训练组和测试组的心音信号进行MFCC特征参数的提取,并保存;
D3.将提取到的训练样本以及测试样本的特征参数输入分类器进行分类处理,完成对不同心音类型的识别。
2.根据权利要求1所述的一种基于改进的MFCC的心音类型识别方法,其特征在于:步骤A1对收到的心音信号进行5点重采样,采样频率为2205Hz。
3.根据权利要求1所述的一种基于改进的MFCC的心音类型识别方法,其特征在于:步骤A2对重采样后的信号进行滤波,设置通带最大衰减为3db,阻带最小衰减为18db。
4.根据权利要求1所述的一种基于改进的MFCC的心音类型识别方法,其特征在于:步骤A3采用dmey小波变换对滤波后的心音信号进行去噪。
5.根据权利要求1所述的一种基于改进的MFCC的心音类型识别方法,其特征在于:步骤B4避免起点正好位于第一心音处,以连续100个点小于心音数据的幅值均值作为判定第一心音起始点的条件。
6.根据权利要求1所述的一种基于改进的MFCC的心音类型识别方法,其特征在于:步骤C2将自相关分段后的心音信号进行快速傅里叶变换,然后取平方计算心音信号的离散功率谱;将频谱能量乘以一组L个三角带通滤波器,求得每一个滤波器输出的对数能量,共L个;将上述的L个对数能量带入离散余弦变换,求出倒谱域参数:k=1,2,...,P;
其中{C}即为MFCC参数,P为MFCC的阶数,pj为第j个功率值参数,j为当前滤波器。
7.根据权利要求1所述的一种基于改进的MFCC的心音类型识别方法,其特征在于:步骤D3中采用的分类器为libsvm分类器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510063813.XA CN104706321B (zh) | 2015-02-06 | 2015-02-06 | 一种基于改进的mfcc的心音类型识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510063813.XA CN104706321B (zh) | 2015-02-06 | 2015-02-06 | 一种基于改进的mfcc的心音类型识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104706321A true CN104706321A (zh) | 2015-06-17 |
CN104706321B CN104706321B (zh) | 2017-10-03 |
Family
ID=53406405
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510063813.XA Active CN104706321B (zh) | 2015-02-06 | 2015-02-06 | 一种基于改进的mfcc的心音类型识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104706321B (zh) |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105266788A (zh) * | 2015-11-11 | 2016-01-27 | 四川长虹电器股份有限公司 | 一种胎心音分离方法 |
CN105852903A (zh) * | 2016-05-23 | 2016-08-17 | 四川长虹电器股份有限公司 | 双麦克蓝牙听诊器的心音增强系统 |
CN106022258A (zh) * | 2016-05-18 | 2016-10-12 | 成都济森科技有限公司 | 数字听诊器与滤除心音提取肺音的方法 |
CN107292286A (zh) * | 2017-07-14 | 2017-10-24 | 中国科学院苏州生物医学工程技术研究所 | 基于机器学习的呼吸音鉴别方法及系统 |
CN107704885A (zh) * | 2017-10-17 | 2018-02-16 | 四川长虹电器股份有限公司 | 在智能平台上实现心音与肺音分类的方法 |
CN107822597A (zh) * | 2017-10-17 | 2018-03-23 | 四川长虹电器股份有限公司 | 基于智能平台心脏活力指数计算及图像化显示系统与方法 |
CN108143407A (zh) * | 2017-12-25 | 2018-06-12 | 四川大学 | 一种自动提取心音包络特征的心音分段方法 |
CN108670291A (zh) * | 2018-06-01 | 2018-10-19 | 四川长虹电器股份有限公司 | 基于emd结合改进的mfcc的心音类型识别方法 |
CN108682433A (zh) * | 2018-06-01 | 2018-10-19 | 四川长虹电器股份有限公司 | 基于mfcc的一阶差分系数的心音类型识别方法 |
CN108903914A (zh) * | 2018-06-01 | 2018-11-30 | 四川长虹电器股份有限公司 | 一种基于emd分解的mfcc的心音类型识别方法 |
CN108937857A (zh) * | 2018-06-01 | 2018-12-07 | 四川长虹电器股份有限公司 | 一种心音信号的识别与评估方法 |
CN109044396A (zh) * | 2018-06-25 | 2018-12-21 | 广东工业大学 | 一种基于双向长短时记忆神经网络的智能心音识别方法 |
CN109431535A (zh) * | 2018-11-13 | 2019-03-08 | 四川长虹电器股份有限公司 | 一种心力储备指数计算方法 |
CN109447181A (zh) * | 2018-11-15 | 2019-03-08 | 四川长虹电器股份有限公司 | 一种心音信号Renyi熵超球体模型的建立方法 |
CN109431517A (zh) * | 2018-11-13 | 2019-03-08 | 四川长虹电器股份有限公司 | 一种基于心音的身份识别方法 |
WO2019079972A1 (zh) * | 2017-10-24 | 2019-05-02 | 深圳和而泰智能控制股份有限公司 | 特定声音识别方法、设备和存储介质 |
CN109843179A (zh) * | 2016-09-07 | 2019-06-04 | 皇家飞利浦有限公司 | 用于检测异常心音的分类器集成 |
CN109893161A (zh) * | 2019-03-12 | 2019-06-18 | 南京大学 | 一种基于改进梅尔非线性频段划分的心音信号特征提取方法 |
CN111904459A (zh) * | 2020-08-27 | 2020-11-10 | 广东汉泓医疗科技有限公司 | 指导快速听诊的心肺音听诊检测仪、听诊系统及听诊方法 |
-
2015
- 2015-02-06 CN CN201510063813.XA patent/CN104706321B/zh active Active
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105266788A (zh) * | 2015-11-11 | 2016-01-27 | 四川长虹电器股份有限公司 | 一种胎心音分离方法 |
CN106022258A (zh) * | 2016-05-18 | 2016-10-12 | 成都济森科技有限公司 | 数字听诊器与滤除心音提取肺音的方法 |
CN105852903A (zh) * | 2016-05-23 | 2016-08-17 | 四川长虹电器股份有限公司 | 双麦克蓝牙听诊器的心音增强系统 |
CN109843179A (zh) * | 2016-09-07 | 2019-06-04 | 皇家飞利浦有限公司 | 用于检测异常心音的分类器集成 |
CN107292286A (zh) * | 2017-07-14 | 2017-10-24 | 中国科学院苏州生物医学工程技术研究所 | 基于机器学习的呼吸音鉴别方法及系统 |
CN107292286B (zh) * | 2017-07-14 | 2021-10-22 | 中国科学院苏州生物医学工程技术研究所 | 基于机器学习的呼吸音鉴别方法及系统 |
CN107704885A (zh) * | 2017-10-17 | 2018-02-16 | 四川长虹电器股份有限公司 | 在智能平台上实现心音与肺音分类的方法 |
CN107822597A (zh) * | 2017-10-17 | 2018-03-23 | 四川长虹电器股份有限公司 | 基于智能平台心脏活力指数计算及图像化显示系统与方法 |
WO2019079972A1 (zh) * | 2017-10-24 | 2019-05-02 | 深圳和而泰智能控制股份有限公司 | 特定声音识别方法、设备和存储介质 |
CN108143407A (zh) * | 2017-12-25 | 2018-06-12 | 四川大学 | 一种自动提取心音包络特征的心音分段方法 |
CN108903914A (zh) * | 2018-06-01 | 2018-11-30 | 四川长虹电器股份有限公司 | 一种基于emd分解的mfcc的心音类型识别方法 |
CN108937857A (zh) * | 2018-06-01 | 2018-12-07 | 四川长虹电器股份有限公司 | 一种心音信号的识别与评估方法 |
CN108682433A (zh) * | 2018-06-01 | 2018-10-19 | 四川长虹电器股份有限公司 | 基于mfcc的一阶差分系数的心音类型识别方法 |
CN108670291A (zh) * | 2018-06-01 | 2018-10-19 | 四川长虹电器股份有限公司 | 基于emd结合改进的mfcc的心音类型识别方法 |
CN109044396A (zh) * | 2018-06-25 | 2018-12-21 | 广东工业大学 | 一种基于双向长短时记忆神经网络的智能心音识别方法 |
CN109044396B (zh) * | 2018-06-25 | 2021-03-30 | 广东工业大学 | 一种基于双向长短时记忆神经网络的智能心音识别方法 |
CN109431535A (zh) * | 2018-11-13 | 2019-03-08 | 四川长虹电器股份有限公司 | 一种心力储备指数计算方法 |
CN109431517A (zh) * | 2018-11-13 | 2019-03-08 | 四川长虹电器股份有限公司 | 一种基于心音的身份识别方法 |
CN109447181A (zh) * | 2018-11-15 | 2019-03-08 | 四川长虹电器股份有限公司 | 一种心音信号Renyi熵超球体模型的建立方法 |
CN109893161A (zh) * | 2019-03-12 | 2019-06-18 | 南京大学 | 一种基于改进梅尔非线性频段划分的心音信号特征提取方法 |
CN111904459A (zh) * | 2020-08-27 | 2020-11-10 | 广东汉泓医疗科技有限公司 | 指导快速听诊的心肺音听诊检测仪、听诊系统及听诊方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104706321B (zh) | 2017-10-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104706321A (zh) | 一种基于改进的mfcc的心音类型识别方法 | |
CN108896878B (zh) | 一种基于超声波的局部放电检测方法 | |
CN108701469B (zh) | 咳嗽声音识别方法、设备和存储介质 | |
CN108369813B (zh) | 特定声音识别方法、设备和存储介质 | |
CN111238814B (zh) | 一种基于短时希尔伯特变换的滚动轴承故障诊断方法 | |
CN107610715B (zh) | 一种基于多种声音特征的相似度计算方法 | |
CN109044396B (zh) | 一种基于双向长短时记忆神经网络的智能心音识别方法 | |
CN109961017A (zh) | 一种基于卷积循环神经网络的心音信号分类方法 | |
CN108670291A (zh) | 基于emd结合改进的mfcc的心音类型识别方法 | |
CN106909784A (zh) | 基于二维时频图像深度卷积神经网络的癫痫脑电识别方法 | |
CN105147252A (zh) | 心脏疾病识别及评估方法 | |
CN112401902B (zh) | 基于神经网络时频分析相结合的心电身份识别方法及系统 | |
CN112017682B (zh) | 一种单通道语音同时降噪和去混响系统 | |
CN108682433A (zh) | 基于mfcc的一阶差分系数的心音类型识别方法 | |
CN108903914A (zh) | 一种基于emd分解的mfcc的心音类型识别方法 | |
CN110942784A (zh) | 基于支持向量机的鼾声分类系统 | |
CN112820275A (zh) | 一种基于声音信号分析哺乳仔猪异常的自动监测方法 | |
CN110543831A (zh) | 一种基于卷积神经网络的脑纹识别方法 | |
CN108937857A (zh) | 一种心音信号的识别与评估方法 | |
CN108922514A (zh) | 一种基于低频对数谱的鲁棒特征提取方法 | |
CN115758082A (zh) | 一种轨道交通变压器故障诊断方法 | |
CN111582138A (zh) | 基于频域倒谱系数特征的心电身份识别方法及系统 | |
CN110192864B (zh) | 一种跨域心电图生物特征身份识别方法 | |
CN114305484A (zh) | 基于深度学习的心脏病心音智能分类方法、装置和介质 | |
Wang et al. | Low pass filtering and bandwidth extension for robust anti-spoofing countermeasure against codec variabilities |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |