CN105913066B - 一种基于相关向量机的数字化肺音特征降维方法 - Google Patents
一种基于相关向量机的数字化肺音特征降维方法 Download PDFInfo
- Publication number
- CN105913066B CN105913066B CN201610229273.2A CN201610229273A CN105913066B CN 105913066 B CN105913066 B CN 105913066B CN 201610229273 A CN201610229273 A CN 201610229273A CN 105913066 B CN105913066 B CN 105913066B
- Authority
- CN
- China
- Prior art keywords
- lung sound
- feature
- vector
- sound
- lung
- 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.)
- Active
Links
- 239000013598 vector Substances 0.000 title claims abstract description 60
- 230000009467 reduction Effects 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 36
- 210000004072 lung Anatomy 0.000 title abstract description 14
- 208000037656 Respiratory Sounds Diseases 0.000 claims description 126
- 238000012549 training Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000004069 differentiation Effects 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 claims description 2
- 238000003745 diagnosis Methods 0.000 description 3
- 238000012880 independent component analysis Methods 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
- G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
- G10L21/0208—Noise filtering
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Human Computer Interaction (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Acoustics & Sound (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Soundproofing, Sound Blocking, And Sound Damping (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于相关向量机的数字化肺音特征降维方法,属于数字医疗技术领域。本发明将特征空间映射到样本空间,利用互信息特征核函数来表征肺音样本特征属性之间的联系强度,最终实现肺音特征的降维。包括在肺音数据库中选择肺音数据作为肺音样本,建立相关向量机;建立肺音特征向量样本集;基于RVM肺音特征向量降维。本发明具有鲁棒性和稀疏性的优点,对数据噪声不敏感,减少了采集噪声引起的不确定性;适合于处理高维肺音特征的情况。本发明中提出的降维方法利用肺音特征间的互信息作为核函数,在模型中充分考虑了特征之间的联系强度,不仅保障了降维结果的简约性,同时保障了保留特征的完备性。
Description
技术领域
本发明属于数字医疗技术领域,涉及肺部数字诊疗领域,具体涉及一种利用相关向量机的方法对肺音中蕴含的特征进行约减,为利用数字肺音进行诊断提供准确的数据源。
背景技术
肺音中包换了丰富的病理信息,利用肺音对人体的肺部健康状态进行检测具有对被测者无创伤和对疾病可预测的优点。利用采集的数字化肺音进行肺部诊断具有智能化特性,在国际上被称为肺音识别。对于肺音识别的研究,国内外学者作了许多的研究工作,提出了一些较实用的理论和方法,在模式识别领域,模糊集理论、小波理论、神经网络、遗传算法等理论和方法被广泛应用。但是这些方法都需要提取出可用于识别的特征。
目前用于肺音识别的特征多种多样,如声音特征、频谱特征等。可是在特征维数不断增加的同时,也会带来灾难维数的问题,因此需要对特征进行约减,降维,祛除冗余属性。用于特征约减的主要方法有主成分分析法(Principal Component Analysis,PCA)、线性判别分析法(Linear Discriminant Analysis,LDA)及独立成分分析(IndependentComponent Analysis,ICA)。PCA、LDA、ICA方法都是利用线性变化的方法对特征进行降维,不适合处理属性间存在非线性关系的特征。但是在肺音识别领域,肺音的特征之间是非线性的。
发明内容
本发明针对现有技术中难以从肺音数据中提取出准确的、无冗余特征的问题,提出了一种利用相关向量机(Relevance Vector Machine,RVM)对肺音特征进行约减的方法,来实现肺音特征的降维。此方法将特征空间映射到样本空间,利用互信息特征核函数来表征肺音样本特征属性之间的联系强度,最终实现肺音特征的降维。
本发明提供的一种基于相关向量机的数字化肺音特征降维方法,包括如下步骤:
第一步,在肺音数据库中选择肺音数据作为肺音样本,建立相关向量机。
第二步,建立肺音特征向量样本集T。
第三步,基于RVM肺音特征向量降维,具体为:
3.1建立基于RVM的肺音特征降维模型。
3.2构建互信息特征核函数。
3.3基于RVM的肺音特征向量降维模型求解。
本发明具有的优点和积极效果在于:
1.鲁棒性:肺音采集的数据中不可避免的会存在噪声,本发明提出的数字化肺音特征降维方法在模型建立时就考虑了噪声的影响。对数据噪声不敏感,减少了采集噪声引起的不确定性。
2.稀疏性:本发明中提出的数字化肺音特征降维方法是稀疏的,运算结果中,多数特征的系数为零,只有相关向量的系数是非零的,适合于处理高维肺音特征的情况。
3.本发明中提出的降维方法利用肺音特征间的互信息作为核函数,在模型中充分考虑了特征之间的联系强度,不仅保障了降维结果的简约性,同时保障了保留特征的完备性。
附图说明
图1为本发明提供的基于相关向量机的数字化肺音特征降维方法的流程图。
具体实施方式
下面结合附图和实施例对本发明进行详细说明。
本发明提供一种基于相关向量机的数字化肺音特征降维方法,如图1所示流程,所述方法包括如下步骤:
第一步:在肺音数据库中以相等的数据量选择干罗音、湿罗音及无罗音肺音数据,并且每种肺音数据类型不少于200条肺音数据,将选择的肺音数据作为肺音样本,建立相关向量机。
所述的肺音数据库中存储的是肺音数据,每条肺音数据中记录了采集的人体肺部的呼吸音,每条肺音数据长度为409600个点。肺音数据库中应包含干罗音、湿罗音及无罗音三种数据类型,并且每种数据类型不少于200条。
第二步:建立肺音特征向量样本集。
在本发明中,对于每一个肺音样本选取38个肺音特征f1,f2,…f38构成相应肺音样本的特征向量X,即X=(f1,f2,…f38)。则对于第i个肺音样本(Xi,Yi)对应的特征向量为Xi,Xi∈R38,i=1,2,…,n,n为肺音样本个数,n≥600。其中Yi的定义为:若第i个肺音样本为无罗音数据,则Yi=1;若第i个肺音样本为干罗音数据,则Yi=2;若第i个肺音样本为湿罗音数据,则Yi=3。
根据肺音样本建立的特征向量样本集T为:
T={(X1,Y1),(X2,Y2),…(Xn,Yn)} (1)
将所述的特征向量样本集T作为训练RVM模型的训练样本集。
按照序号,所述的每个肺音样本的38个肺音特征f1,f2,…f38如表1所示:
表1肺音特征
第三步:基于RVM肺音特征向量降维,具体为:
3.1建立基于RVM的肺音特征降维模型。
基于RVM的肺音特征降维模型如下:
其中fj为特征向量X=(f1,f2,…f38)中的第j个肺音特征。ε是零均值、方差为σ2的高斯噪声。αj为肺音特征fj的权重。从(2)式可以看出αj≠0所对应的肺音特征就为降维或约减后的肺音特征。
为了能处理非线性的情况,引进了函数φ():将z映射为φ(z);将fj映射为φ(fj),j=1,2,…,38。则基于RVM的肺音特征降维模型即公式(2)变换为如下函数形式:
3.2构建互信息特征核函数;
互信息能度量出两个变量之间相互的知识关联性,因此在本发明中利用互信息作为核函数。给出两个不相关的变量U和V,观测量分别表示为u和v,那么变量U和V之间的互信息I(U,V)表示为:
其中p(u,v)是变量U和V的联合概率密度函数,p(u)和p(v)分别是变量U和V的边缘概率密度函数。
根据上述核函数的定义,本发明中给定一个肺音样本中的任意两个肺音特征fu和fv,u=1,2,…,38,v=1,2,…,38,u≠v。对于给定的训练样本集T={(X1,Y1),(X2,Y2),…(Xn,Yn)},每一个肺音样本(Xi,Yi)中都存在两个肺音特征fu和fv。因此可以得到2个向量Fu={fu 1,fu 2,…fu n},Fv={fv 1,fv 2,…fv n},其中fu i表示肺音样本(Xi,Yi)中肺音特征fu的取值,fv i表示肺音样本(Xi,Yi)中肺音特征fv的取值,i=1,2,…,n,n为训练样本集T中肺音样本总数。可以用下述这种方法计算两个肺音特征的互信息特征核函数K(fu,fv):
1)将向量{fu 1,fu 2,…fu n}和向量{fv 1,fv 2,…fv n}分别划分成N个大小相同的特征区间,N=5。
2)将向量{fu 1,fu 2,…fu n}和向量{fv 1,fv 2,…fv n}的各个元素离散化到每一个特征区间中,如果向量{fu 1,fu 2,…fu n}中的最大值和最小值分别是umax和umin,那么每个特征区间的大小为(umax-umin)/5。若向量{fu 1,fu 2,…fu n}中的某个分量的值fu k落在第k个特征区间中,则fu i=k,k=1,2,…,N。
3)计算概率密度函数p(fu,fv),p(fu)和p(fv):
p(fu=l)=counts(fu=l)/n
p(fv=z)=counts(fv=z)/n
p(fu=l,fv=z)=counts(fu=l,fv=z)/n
其中,counts(fu=l)表示向量{fu 1,fu 2,…fu n}中落在第l个区间的分量的个数,l=1,2,…,N,counts(fv=z),表示向量{fv 1,fv 2,…fv n}中落在第z个区间的分量的个数,z=1,2,…,N。
由此,将互信息核函数定义为,
由互信息核函数的特性可知其满足对称非负:
K(fu,fv)=K(fv,fu) (8)
K(fu,fv)≥0 (9)
互信息特征核函数同样也满足Mercer条件,保证了RVM算法的收敛性。
3.3基于RVM的肺音特征向量降维模型求解。
这一步求解RVM模型即公式(3)中的肺音特征权重α={α1,α2,…,α38}。
给定训练样本集T={(X1,Y1),(X2,Y2),…(Xn,Yn)},训练样本集T的似然函数为:
其中,φ(X)=[φ(f1),φ(f2),…,φ(f38)]。
其中,
为了保证RVM模型的稀疏性,假设肺音特征权重αi符合均值为0、方差为βi的正态分布,即αi~N(0,βi),i=1,2,…,38,则肺音特征的权重α={α1,α2,…,α38}服从概率分布p(α|β):
因此求解α={α1,α2,…,α38}的问题与最大化后验概率p(α,β,σ2|φ(y))等价。利用贝叶斯公式,可得,
p(α,β,σ2|φ(y))=p(α|φ(y),β,σ2)p(β,σ2|φ(y)) (14)
其中p(α|φ(y),β,σ2)表示已知φ(y),β,σ2的条件下权重向量α={α1,α2,…,α38}的概率分布,p(β,σ2|φ(y))表示已知φ(y)的条件下,β={β1,β2,…,β38}和σ2的联合概率密度。所述的求解参数α={α1,α2,…,α38}、β和σ2的过程具体为:
(1)首先最大化计算p(α|φ(y),β,σ2):
通过定义的核函数替代后得到协方差矩阵Σ和均值μ的方程:
Σ=(σ-2K(XT,X)+A)-1 (16)
μ=σ-2ΣK(XT,y) (17)
其中协方差矩阵Σ为一个38阶的方阵,第i行第j列的元素表示为Σij,第i行为一个38维的行向量,记为Σi;A=diag(β1,β2,…,β38),μ={μ1,μ2,…,μ38}。
(2),最大化p(β,σ2|φ(y)),从而计算出参数β和σ2:
E为38阶的单位阵。
通过偏微分可以得到更新超参数β和噪声方差σ2的方程:
γi=1-βiΣii i=1,2,…,38 (20)
经过(1)和(2)步骤反复迭代计算(优选100次)来更新各个参数,最终将会得到稀疏的肺音特征权重{α1,α2,…,α38},其中大部分肺音特征权重值为零,剩下的非零权重所对应的肺音特征即是所求的降维后的“相关特征”,也就是与响应的相关性很强的特征属性。
通过上述方法,本发明可以实现对肺音特征的有效降维。例如对于2015年3-4月份在河北石家庄的1894个肺音案例的数据,利用本发明提出的方法,将38维的特征向量降为12维,有效地降低了特征向量的维数。
Claims (2)
1.一种基于相关向量机的数字化肺音特征降维方法,其特征在于:包括如下步骤,
第一步,在肺音数据库中以相等的数据量选择干罗音、湿罗音及无罗音肺音数据,并且每种肺音数据类型不少于200条肺音数据,将选择的肺音数据作为肺音样本,建立相关向量机;
第二步,建立肺音特征向量样本集T为:
T={(X1,Y1),(X2,Y2),…(Xn,Yn)};
对于每一个肺音样本选取38个肺音特征f1,f2,…f38构成相应肺音样本的特征向量X,即X=(f1,f2,…f38),则对于第i个肺音样本(Xi,Yi)对应的特征向量为Xi,Xi∈R38,i=1,2,…,n,n为肺音样本个数,n≥600;其中Yi的定义为:若第i个肺音样本为无罗音数据,则Yi=1;若第i个肺音样本为干罗音数据,则Yi=2;若第i个肺音样本为湿罗音数据,则Yi=3;
第三步,基于RVM肺音特征向量降维,具体为:
3.1 建立基于RVM的肺音特征降维模型;所述的基于RVM的肺音特征降维模型如下:
其中fj为特征向量X=(f1,f2,…f38)中的第j个肺音特征,ε是零均值、方差为σ2的高斯噪声,αj为肺音特征fj的权重;
为了能处理非线性的情况,引进了函数φ():将z映射为φ(z);将fj映射为φ(fj),j=1,2,…,38,则基于RVM的肺音特征降维模型即公式(2)变换为如下函数形式:
3.2 构建互信息特征核函数,具体为,
给定一个肺音样本中的任意两个肺音特征fu和fv,u=1,2,...,38,v=1,2,...,38,u≠v;对于给定的训练样本集T={(X1,Y1),(X2,Y2),…(Xn,Yn)},每一个肺音样本(Xi,Yi)中都存在两个肺音特征fu和fv;因此得到2个向量Fu={fu 1,fu 2,…fu n},Fv={fv 1,fv 2,…fv n},其中fu i表示肺音样本(Xi,Yi)中肺音特征fu的取值,fv l表示肺音样本(Xi,Yi)中肺音特征fv的取值,i=1,2,...,n,n为肺音样本个数;用下述这种方法计算两个肺音特征的互信息特征核函数K(fu,fv):
1)将向量{fu 1,fu 2,…fu n}和向量{fv 1,fv 2,…fv n}分别划分成N个大小相同的特征区间,N=5;
2)将向量{fu 1,fu 2,…fu n}和向量{fv 1,fv 2,…fv n}的各个元素离散化到每一个特征区间中,如果向量{fu 1,fu 2,…fu n}中的最大值和最小值分别是umax和umin,那么每个特征区间的大小为(umax-umin)/5;若向量{fu 1,fu 2,…fu n}中的某个分量的值fu k落在第k个特征区间中,则fu i=k,k=1,2,…,N;
3)计算概率密度函数p(fu,fv),p(fu)和p(fv):
p(fu=l)=counts(fu=l)/n
p(fv=z)=counts(fv=z)/n
p(fu=l,fv=z)=counts(fu=l,fv=z)/n
其中,counts(fu=l)表示向量{fu 1,fu 2,…fu n}中落在第l个区间的分量的个数,l=1,2,…,N,counts(fv=z),表示向量{fv 1,fv 2,…fv n}中落在第z个区间的分量的个数,z=1,2,…,N;
由此,将互信息核函数定义为,
由互信息核函数的特性可知其满足对称非负:
K(fu,fv)=K(fv,fu) (8)
K(fu,fv)≥0 (9)
互信息特征核函数同样也满足Mercer条件,保证了RVM算法的收敛性;
3.3 基于RVM的肺音特征向量降维模型求解,包括求解肺音特征权重α={α1,α2,…,α38},和方差为βi,具体为:
给定训练样本集T={(X1,Y1),(X2,Y2),…(Xn,Yn)},训练样本集T的似然函数为:
其中,φ(X)=[φ(f1),φ(f2),...,φ(f38)];
||φ(y)-φ(X)α||2
=φ(y)Tφ(y)-2αTφ(X)Tφ(y)+αTφ(X)Tφ(X)α
=K(yT,y)-2αTK(XT,y)+αTK(XT,X)α (11)
其中,
为了保证RVM模型的稀疏性,假设肺音特征权重αi符合均值为0、方差为βi的正态分布,即αi~N(0,βi),i=1,2,...,38,则肺音特征的权重α={α1,α2,…,α38}服从概率分布p(α|β):
因此求解α={α1,α2,…,α38}的问题与最大化后验概率p(α,β,σ2|φ(y))等价;利用贝叶斯公式得,
p(α,β,σ2|φ(y))=p(α|φ(y),β,σ2)p(β,σ2|φ(y)) (14)
其中p(α|φ(y),β,σ2)表示已知φ(y),β,σ2的条件下权重向量α={α1,α2,…,α38}的概率分布,p(β,σ2|φ(y))表示已知φ(y)的条件下,β={β1,β2,…,β38}和σ2的联合概率密度;求解参数α={α1,α2,…,α38}、β和σ2的过程具体为:
(1)首先最大化计算p(α|φ(y),β,σ2):
通过定义的核函数替代后得到协方差矩阵∑和均值μ的方程:
∑=(σ-2K(XT,X)+A)-1 (16)
μ=σ-2∑K(XT,y) (17)
其中协方差矩阵∑为一个38阶的方阵,第i行第j列的元素表示为∑ij,第i行为一个38维的行向量,记为∑i;A=diag(β1,β2,…,β38),μ={μ1,μ2,…,μ38};
(2)最大化p(β,σ2|φ(y)),从而计算出参数β和σ2:
E为38阶的单位阵;
通过偏微分得到更新参数β和噪声方差σ2的方程:
γi=1-βi∑ii i=1,2,...,38 (20)
经过(1)和(2)步骤反复迭代计算来更新各个参数,最终将会得到稀疏的肺音特征权重{α1,α2,…,α38},非零权重所对应的肺音特征即是所求的降维后的“相关特征”。
2.根据权利要求1所述的一种基于相关向量机的数字化肺音特征降维方法,其特征在于:所述的每个肺音样本的38个肺音特征f1,f2,…f38分别为:基频、局部基频微扰、关联基频微扰、振幅微扰、平均信噪比、第一共振峰、第一共振峰带宽、第二共振峰、第二共振峰带宽、第三共振峰、第三共振峰带宽、共振峰中值、共振峰均值、共振峰标准方差、共振峰最大值、共振峰最小值、共振峰脉冲个数、共振峰周期个数、局部无基频帧分数、声音的最大基频率值、声音段的最小基频率值、声音间歇率、声音中断次数、声音段的平均频率值、声音段的中值频率、最小振幅、平均振幅、振幅范围、偏斜度、峰度、总功率、最大功率值、最大功率所对应的频率、总功率的75%处所对应的功率值、总功率的50%处所对应的功率值、总功率的25%处所对应的功率值、总功率的25%至75%对应频率范围内,从最大功率处到最小功率处的斜率和在总功率的25%至75%所对应得频率范围内的样本方差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610229273.2A CN105913066B (zh) | 2016-04-13 | 2016-04-13 | 一种基于相关向量机的数字化肺音特征降维方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610229273.2A CN105913066B (zh) | 2016-04-13 | 2016-04-13 | 一种基于相关向量机的数字化肺音特征降维方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105913066A CN105913066A (zh) | 2016-08-31 |
CN105913066B true CN105913066B (zh) | 2019-04-26 |
Family
ID=56745950
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610229273.2A Active CN105913066B (zh) | 2016-04-13 | 2016-04-13 | 一种基于相关向量机的数字化肺音特征降维方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105913066B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108652658A (zh) | 2017-03-31 | 2018-10-16 | 京东方科技集团股份有限公司 | 爆裂音识别方法及系统 |
CN107545906B (zh) | 2017-08-23 | 2021-01-22 | 京东方科技集团股份有限公司 | 肺音信号处理方法、处理设备以及可读存储介质 |
CN108109612A (zh) * | 2017-12-07 | 2018-06-01 | 苏州大学 | 一种基于自适应降维的语音识别分类方法 |
CN108764360A (zh) * | 2018-06-01 | 2018-11-06 | 昆明理工大学 | 一种基于症状相关性对症状降维的分析方法 |
CN109065070B (zh) * | 2018-08-29 | 2022-07-19 | 昆明理工大学 | 一种基于核函数的音频特征信号的降维方法 |
CN112241922B (zh) * | 2020-09-07 | 2024-03-05 | 国网浙江省电力有限公司经济技术研究院 | 基于改进朴素贝叶斯分类的电网资产综合价值评估方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104794505A (zh) * | 2015-04-28 | 2015-07-22 | 上海大学 | 一种多通道的脑电信号数据融合降维方法 |
-
2016
- 2016-04-13 CN CN201610229273.2A patent/CN105913066B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104794505A (zh) * | 2015-04-28 | 2015-07-22 | 上海大学 | 一种多通道的脑电信号数据融合降维方法 |
Non-Patent Citations (1)
Title |
---|
基于蒙特卡罗特征降维算法的小样本高光谱图像分类;赵春晖 等;《红外与毫米波学报》;20130228;第32卷(第1期);第62-67页 |
Also Published As
Publication number | Publication date |
---|---|
CN105913066A (zh) | 2016-08-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105913066B (zh) | 一种基于相关向量机的数字化肺音特征降维方法 | |
CN110659722B (zh) | 基于AdaBoost-CBP神经网络的电动汽车锂离子电池健康状态估算方法 | |
CN116705337B (zh) | 一种健康数据采集及智能分析方法 | |
CN113627518A (zh) | 利用迁移学习实现多通道卷积-递归神经网络脑电情感识别模型的方法 | |
CN108198147B (zh) | 一种基于判别字典学习的多源图像融合去噪的方法 | |
US20030187621A1 (en) | Method, computer program, and system for automated real-time signal analysis for detection, quantification, and prediction of signal changes | |
CN112508110A (zh) | 一种基于深度学习的心电信号图的分类方法 | |
CN104504407B (zh) | 基于多核Fisher判别分析的电子鼻特征选择优化方法 | |
CN103699873A (zh) | 基于ga-bp神经网络下肢平地行走步态识别方法 | |
CN107122643B (zh) | 基于ppg信号和呼吸信号特征融合的身份识别方法 | |
Thenmozhi et al. | Feature selection using extreme gradient boosting Bayesian optimization to upgrade the classification performance of motor imagery signals for BCI | |
CN110840401B (zh) | 一种心率值测定方法、装置、设备及可读存储介质 | |
US20180177415A1 (en) | Cardiovascular disease detection | |
JP2015135574A (ja) | 時空間データ特徴量分類方法および装置 | |
Masood et al. | Differential evolution based advised SVM for histopathalogical image analysis for skin cancer detection | |
CN115374812A (zh) | 一种脑电信号的多元特征融合提取的信号特征提取方法 | |
Übeyli | Statistics over features of ECG signals | |
Xie et al. | Symplectic geometry spectrum regression for prediction of noisy time series | |
CN111603161A (zh) | 一种脑电分类方法 | |
Ding-Fei et al. | Study of feature extraction based on autoregressive modeling in EGG automatic diagnosis | |
Gandini et al. | Blind separation of manufacturing variability with independent component analysis: A convolutive approach | |
Lee et al. | Multi-phases and various feature extraction and selection methodology for ensemble gradient boosting in estimating respiratory rate | |
Rangarajan et al. | Estimation of vector autoregressive parameters and granger causality from noisy multichannel data | |
Raghav et al. | Fractal feature based ECG arrhythmia classification | |
Kumar | Heart disease detection using radial basis function classifier |
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 | ||
PP01 | Preservation of patent right |
Effective date of registration: 20210325 Granted publication date: 20190426 |
|
PP01 | Preservation of patent right |