CN107392149A - 一种人体心肺音实时盲分离方法及系统 - Google Patents
一种人体心肺音实时盲分离方法及系统 Download PDFInfo
- Publication number
- CN107392149A CN107392149A CN201710601813.XA CN201710601813A CN107392149A CN 107392149 A CN107392149 A CN 107392149A CN 201710601813 A CN201710601813 A CN 201710601813A CN 107392149 A CN107392149 A CN 107392149A
- Authority
- CN
- China
- Prior art keywords
- matrix
- human body
- new
- lung sounds
- signal
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4803—Speech analysis specially adapted for diagnostic purposes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明公开了一种人体心肺音实时盲分离方法及系统,该方法包括:步骤1、采集人体心肺音信号;步骤2、对人体心肺音信号进行预处理,得到预处理后的人体心肺音信号;步骤3、将预处理后的人体心肺音信号变换到时频域,获得非负频谱;步骤4、采用非负频谱构造盲信号矩阵V,将盲信号矩阵V分离得到初始矩阵Wk和Hk;其中,Wk为系数矩阵,Hk为源矩阵;步骤5、采集新的人体心肺音信号,进行预处理后变换到时频域得到新的非负频谱,构造新的盲信号矩阵Vk+1进行在线非负矩阵分解,分解出新的矩阵Wk+1和hk+1,利用Wk+1和hk+1分离出新的人体心音信号和肺部呼吸音信号。该方法实现直接进行非负矩阵分解进行盲分离,无需把旧数据和新数据进行数据重组。
Description
技术领域
本发明涉及信号处理技术领域,特别是涉及一种人体心肺音实时盲分离方法及系统。
背景技术
目前的采用非负矩阵分解进行盲分离心肺音的方法,在采集到一段心肺音信号后,进行盲分离,分离出心音信号和肺部呼吸音信号后,如果采集到一个新的心肺音信号点后,必须把以前的心肺音信号结合一起,再重新进行盲分离。
例如医院采集到100个心肺音信号数据点,开始进行盲信号分离,分离出心音信号和肺部呼吸音信号,之后又采集到一个新的心肺音信号数据点,系统需要把前面的100个数据点整合在一起,成为101个数据点,重新进行盲信号分离,得出新的心音信号和肺部呼吸音。若再采集到一个新的心肺音信号数据点,还必须按照上面的步骤重新开始,必须把旧数据和新数据进行数据重组,比较繁琐。
现有的采用非负矩阵分解进行盲分离心肺音的方法的缺点是无法进行在线分离,若采集的数据点是100000点,分离出心音和肺音需要5分钟,当得到新的数据点的时候,又要花5分钟进行盲分离,必须把旧数据和新数据进行数据重组,比较繁琐。
发明内容
本发明的目的是提供一种人体心肺音实时盲分离方法及系统,以实现直接进行非负矩阵分解进行盲分离,无需把旧数据和新数据进行数据重组。
为解决上述技术问题,本发明提供一种人体心肺音实时盲分离方法,该方法包括:
步骤1、采集人体心肺音信号;
步骤2、对人体心肺音信号进行预处理,得到预处理后的人体心肺音信号;
步骤3、将预处理后的人体心肺音信号变换到时频域,获得非负频谱;
步骤4、采用非负频谱构造盲信号矩阵V,将盲信号矩阵V分离得到初始矩阵Wk和Hk;其中,Wk为系数矩阵,Hk为源矩阵;
步骤5、采集新的人体心肺音信号,进行预处理后变换到时频域得到新的非负频谱,构造新的盲信号矩阵Vk+1进行在线非负矩阵分解,分解出新的矩阵Wk+1和hk+1,利用Wk+1和hk+1分离出新的人体心音信号和肺部呼吸音信号。
优选的,步骤5之后,还包括:
将得到的新的人体心音信号和肺部呼吸音信号进行在线分析。
优选的,所述预处理为短时傅立叶变换。
优选的,Wk+1的迭代公式如下:
hk+1的迭代公式如下:
其中,Wk+1为迭代更新后的系数矩阵,为初始的源矩阵,为原始数据矩阵,为新数据向量,为迭代更新后的源数据,δ=10-9,α为旧数据的权重,β为新数据的权重。
本发明还提供一种人体心肺音实时盲分离系统,用于实现上述方法,包括:
采集模块,用于采集人体心肺音信号;
预处理模块,用于对人体心肺音信号进行预处理,得到预处理后的人体心肺音信号;
时频域变换模块,用于将预处理后的人体心肺音信号变换到时频域,获得非负频谱;
分离模块,用于采用非负频谱构造盲信号矩阵V,将盲信号矩阵V分离得到初始矩阵Wk和Hk;Wk为系数矩阵,Hk为源矩阵;
新信号处理模块,用于采集新的人体心肺音信号,进行预处理后变换到时频域得到新的非负频谱,构造新的盲信号矩阵Vk+1进行在线非负矩阵分解,分解出新的矩阵Wk+1和hk+1,利用Wk+1和hk+1分离出新的人体心音信号和肺部呼吸音信号。
优选的,所述系统还包括:
分析模块,用于将得到的新的人体心音信号和肺部呼吸音信号进行在线分析。
优选的,所述预处理为短时傅立叶变换。
优选的,Wk+1的迭代公式如下:
hk+1的迭代公式如下:
其中,Wk+1为迭代更新后的系数矩阵,为初始的源矩阵,为原始数据矩阵,为新数据向量,为迭代更新后的源数据,δ=10-9,α为旧数据的权重,β为新数据的权重。
本发明所提供的一种人体心肺音实时盲分离方法及系统,采集人体心肺音信号;对人体心肺音信号进行预处理,得到预处理后的人体心肺音信号;将预处理后的人体心肺音信号变换到时频域,获得非负频谱;采用非负频谱构造盲信号矩阵V,将盲信号矩阵V分离得到初始矩阵Wk和Hk;Wk为系数矩阵,Hk为源矩阵;采集新的人体心肺音信号,进行预处理后变换到时频域得到新的非负频谱,构造新的盲信号矩阵Vk+1进行在线非负矩阵分解,分解出新的矩阵Wk+1和hk+1,利用Wk+1和hk+1分离出新的人体心音信号和肺部呼吸音信号。可见,能够在线实时分离人体心肺音,能够快速的分离人体心肺音,得到心音信号和肺部呼吸音信号,在采集到新的信号的时候,可以直接进行非负矩阵分解进行盲分离,无需把旧数据和新数据进行数据重组,过程便捷不再繁琐。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明所提供的一种人体心肺音实时盲分离方法的流程图;
图2为基于非负矩阵分解进行盲信号分离的工作流程图;
图3为本发明所提供的一种人体心肺音实时盲分离系统的结构示意图。
具体实施方式
本发明的核心是提供一种人体心肺音实时盲分离方法及系统,以实现直接进行非负矩阵分解进行盲分离,无需把旧数据和新数据进行数据重组。
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参考图1,图1为本发明所提供的一种人体心肺音实时盲分离方法的流程图,该方法包括:
步骤1、采集人体心肺音信号;
步骤2、对人体心肺音信号进行预处理,得到预处理后的人体心肺音信号;
步骤3、将预处理后的人体心肺音信号变换到时频域,获得非负频谱;
步骤4、采用非负频谱构造盲信号矩阵V,将盲信号矩阵V分离得到初始矩阵Wk和Hk;其中,Wk为系数矩阵,Hk为源矩阵;
步骤5、采集新的人体心肺音信号,进行预处理后变换到时频域得到新的非负频谱,构造新的盲信号矩阵Vk+1进行在线非负矩阵分解,分解出新的矩阵Wk+1和hk+1,利用Wk+1和hk+1分离出新的人体心音信号和肺部呼吸音信号。
可见,该方法能够在线实时分离人体心肺音,能够快速的分离人体心肺音,得到心音信号和肺部呼吸音信号,在采集到新的信号的时候,可以直接进行非负矩阵分解进行盲分离,无需把旧数据和新数据进行数据重组,过程便捷不再繁琐。
基于上述方法,进一步的,步骤5之后,还包括:将得到的新的人体心音信号和肺部呼吸音信号进行在线分析。
其中,步骤4中,Wk为初始的系数矩阵,Hk为初始的源矩阵,两者都需要继续进行迭代。步骤5中,Wk+1为更新后的系数矩阵,hk+1为更新后的源矩阵。
其中,步骤2和步骤5中,预处理为短时傅立叶变换。由于心音成份主要集中在低频区域,不同成份的频率是混叠在一起的,因此单独在频域识别几乎是不可能的;在200HZ以下的低频区,心音和肺音信号混叠尤为严重,所以主要采用在时频领域的识别法。在步骤2和步骤5中预处理过程使用短时傅里叶变换,把时域信号变成频域信号。
对于步骤3,步骤3具体为:对预处理后的人体心肺音信号求wigner-ville分布,并求模得到幅度谱。幅度谱即为非负频谱。步骤4中,采用幅度谱构造盲信号矩阵V。
步骤3中,对预处理后的信号求wigner-ville分布,wigner-ville分布定义如下:
其中z(t)是信号s(t)的解析信号,τ为信号自变量,t是时间变量,f为频率自变量,WZ(t,f)是一个二维的时频平面,表示在t时间段,频率分量f所占该时间段信号能量的大小,对WZ(t,f)求模得到其幅度谱。
对于步骤4,将盲信号矩阵V分离得到初始矩阵Wk和Hk之后,分离出人体心音信号和肺部呼吸音信号。
对于步骤5,步骤5具体为:得到新的人体心肺音信号,在经过步骤1至步骤3后对新的盲信号Vk+1进行在线非负矩阵分解,分解出新的Wk+1、hk+1,分离出新的人体心音信号和肺部呼吸音信号。
详细的,Wk+1的迭代公式如下:
hk+1的迭代公式如下:
其中,Wk+1为迭代更新后的系数矩阵,为初始的源矩阵,为原始数据矩阵,为新数据向量,为迭代更新后的源数据,δ=10-9,α为旧数据的权重,β为新数据的权重。
对于步骤5,采用非负矩阵分解进行在线盲信号分离,其中传统的非负矩阵分解模型为:V=WH,V表示预处理后非负时频特征分量,W为混合矩阵,H表示恢复出的源信号矩阵,本方法用的NMF是基于拉格朗日定理改变的,使用的NMF-VC模型的代价函数为:
代价函数以如下方式的更新为
令为了保持统计效率,通常采用“平均遗忘”的方法进行更新,公式如下:
其中,采用代价函数对Wk+1求偏导:
代价函数对求偏导:
其中,根据梯度下降法得出两个公式如下:
学习率分别取值如下:
将学习率分别代入梯度下降法中,Wk+1迭代公式如下:
hk+1迭代公式如下:
其中,⊙为点乘,为点除。
参考图2,图2为基于非负矩阵分解进行盲信号分离的工作流程图。用非负矩阵分解来进行在线盲信号分离主要步骤如下:
(1)初始化:把预处理后的非负时频特征分量构造初等矩阵V,通过非负矩阵分解获得相应的矩阵Wk,Hk。
(2)在线学习:得到了新的人体心肺音信号vk+1,为了迭代算出Wk+1,hk+1按照以下步骤:
A)
B)令Wk+1=Wk,用hk+1的迭代公式更新hk+1;
C)用Wk+1的迭代公式更新Wk+1;
D)令
(3)检验:如果又得到新的人体心肺音vk+1,则重新进行步骤(2)。
结束:计算大小,如果值还是比较大,则一直循环步骤(2)、(3)直到收敛至一个特别小的值,得到矩阵Wk+1,hk+1。
其中,所得hk+1即为非负盲分离得到的人体心音信号和肺部呼吸信号的非负时频特征分量,该分量即为人体心音信号和肺部呼吸信号的特征信号,hk+1的二维样本中一个变量与心音对应,另一个与肺音对应,Wk+1是hk+1的加权系数。
本方法采用在线非负矩阵分解的方式将心肺音信号实时的盲分离出心音信号和肺部呼吸音信号,能够在线实时分离人体心肺音,能够快速的分离人体心肺音,得到心音信号和肺部呼吸音信号。在采集到新的信号的时候,可以直接进行非负矩阵分解进行盲分离,无需把旧数据和新数据进行数据重组。使用本方法,一次盲分离需要5分钟,后面接受到新的数据点就可以马上盲分离出心音和肺音。本方法优点是可以快速盲分离心肺音信号,采集到新的心肺音信号后,无需重新组合数据,可以直接进行盲分离。
请参考图3,图3为本发明所提供的一种人体心肺音实时盲分离系统的结构示意图,该系统用于实现上述方法,该系统包括:
采集模块101,用于采集人体心肺音信号;
预处理模块102,用于对人体心肺音信号进行预处理,得到预处理后的人体心肺音信号;
时频域变换模块103,用于将预处理后的人体心肺音信号变换到时频域,获得非负频谱;
分离模块104,用于采用非负频谱构造盲信号矩阵V,将盲信号矩阵V分离得到初始矩阵Wk和Hk;Wk为系数矩阵,Hk为源矩阵;
新信号处理模块105,用于采集新的人体心肺音信号,进行预处理后变换到时频域得到新的非负频谱,构造新的盲信号矩阵Vk+1进行在线非负矩阵分解,分解出新的矩阵Wk+1和hk+1,利用Wk+1和hk+1分离出新的人体心音信号和肺部呼吸音信号。
可见,该系统能够在线实时分离人体心肺音,能够快速的分离人体心肺音,得到心音信号和肺部呼吸音信号,在采集到新的信号的时候,可以直接进行非负矩阵分解进行盲分离,无需把旧数据和新数据进行数据重组,过程便捷不再繁琐。基于上述系统,进一步,所述系统包括:分析模块,用于将得到的新的人体心音信号和肺部呼吸音信号进行在线分析。
其中,采集模块和新信号处理模块中,所述预处理为短时傅立叶变换。
详细的,Wk+1的迭代公式如下:
hk+1的迭代公式如下:
其中,Wk+1为迭代更新后的系数矩阵,为初始的源矩阵,为原始数据矩阵,为新数据向量,为迭代更新后的源数据,δ=10-9,α为旧数据的权重,β为新数据的权重。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本发明所提供的一种人体心肺音实时盲分离方法及系统进行了详细介绍。本文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。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (8)
1.一种人体心肺音实时盲分离方法,其特征在于,包括:
步骤1、采集人体心肺音信号;
步骤2、对人体心肺音信号进行预处理,得到预处理后的人体心肺音信号;
步骤3、将预处理后的人体心肺音信号变换到时频域,获得非负频谱;
步骤4、采用非负频谱构造盲信号矩阵V,将盲信号矩阵V分离得到初始矩阵Wk和Hk;其中,Wk为系数矩阵,Hk为源矩阵;
步骤5、采集新的人体心肺音信号,进行预处理后变换到时频域得到新的非负频谱,构造新的盲信号矩阵Vk+1进行在线非负矩阵分解,分解出新的矩阵Wk+1和hk+1,利用Wk+1和hk+1分离出新的人体心音信号和肺部呼吸音信号。
2.如权利要求1所述的方法,其特征在于,步骤5之后,还包括:
将得到的新的人体心音信号和肺部呼吸音信号进行在线分析。
3.如权利要求1所述的方法,其特征在于,所述预处理为短时傅立叶变换。
4.如权利要求1所述的方法,其特征在于,Wk+1的迭代公式如下:
hk+1的迭代公式如下:
其中,Wk+1为迭代更新后的系数矩阵,为初始的源矩阵,为原始数据矩阵,为新数据向量,为迭代更新后的源数据,δ=10-9,α为旧数据的权重,β为新数据的权重。
5.一种人体心肺音实时盲分离系统,其特征在于,用于实现如权利要求1至4中任意一项所述的方法,包括:
采集模块,用于采集人体心肺音信号;
预处理模块,用于对人体心肺音信号进行预处理,得到预处理后的人体心肺音信号;
时频域变换模块,用于将预处理后的人体心肺音信号变换到时频域,获得非负频谱;
分离模块,用于采用非负频谱构造盲信号矩阵V,将盲信号矩阵V分离得到初始矩阵Wk和Hk;Wk为系数矩阵,Hk为源矩阵;
新信号处理模块,用于采集新的人体心肺音信号,进行预处理后变换到时频域得到新的非负频谱,构造新的盲信号矩阵Vk+1进行在线非负矩阵分解,分解出新的矩阵Wk+1和hk+1,利用Wk+1和hk+1分离出新的人体心音信号和肺部呼吸音信号。
6.如权利要求5所述的系统,其特征在于,还包括:
分析模块,用于将得到的新的人体心音信号和肺部呼吸音信号进行在线分析。
7.如权利要求5所述的系统,其特征在于,所述预处理为短时傅立叶变换。
8.如权利要求5所述的系统,其特征在于,Wk+1的迭代公式如下:
hk+1的迭代公式如下:
其中,Wk+1为迭代更新后的系数矩阵,为初始的源矩阵,为原始数据矩阵,为新数据向量,为迭代更新后的源数据,δ=10-9,α为旧数据的权重,β为新数据的权重。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710601813.XA CN107392149A (zh) | 2017-07-21 | 2017-07-21 | 一种人体心肺音实时盲分离方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710601813.XA CN107392149A (zh) | 2017-07-21 | 2017-07-21 | 一种人体心肺音实时盲分离方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107392149A true CN107392149A (zh) | 2017-11-24 |
Family
ID=60336150
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710601813.XA Pending CN107392149A (zh) | 2017-07-21 | 2017-07-21 | 一种人体心肺音实时盲分离方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107392149A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109711073A (zh) * | 2018-12-29 | 2019-05-03 | 广东工业大学 | 一种基于稀疏表示的心肺音混叠信号盲源分离方法 |
CN111374694A (zh) * | 2020-03-20 | 2020-07-07 | 深圳市真元保玖科技有限公司 | 肺功能监测系统、监测方法及其电子装置 |
CN111837119A (zh) * | 2019-05-09 | 2020-10-27 | 广东省智能制造研究所 | 一种基于半非负矩阵分解的声音信号分离方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105787946A (zh) * | 2016-03-17 | 2016-07-20 | 广东工业大学 | 一种非负盲分离胎心音分析方法及装置 |
-
2017
- 2017-07-21 CN CN201710601813.XA patent/CN107392149A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105787946A (zh) * | 2016-03-17 | 2016-07-20 | 广东工业大学 | 一种非负盲分离胎心音分析方法及装置 |
Non-Patent Citations (5)
Title |
---|
YOSHIAKI BANDO: "Variational Bayesian Multi-channel Robust NMF for Human-voice Enhancement with a Deformable and Partially-occluded Microphone Array", 《IEEE》 * |
周郭许: "盲信号分离若干关键问题研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
杨祖元: "盲信号分离算法分析与应用研究", 《中国博士学士学位论文全文数据库 信息科技辑》 * |
郭鹿鸣: "基于盲源分离的心肺音信号分离方法", 《科技展望》 * |
郭鹿鸣: "基于盲源分离的心肺音信号分离方法研究与应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109711073A (zh) * | 2018-12-29 | 2019-05-03 | 广东工业大学 | 一种基于稀疏表示的心肺音混叠信号盲源分离方法 |
CN109711073B (zh) * | 2018-12-29 | 2022-11-22 | 广东工业大学 | 一种基于稀疏表示的心肺音混叠信号盲源分离方法 |
CN111837119A (zh) * | 2019-05-09 | 2020-10-27 | 广东省智能制造研究所 | 一种基于半非负矩阵分解的声音信号分离方法 |
CN111837119B (zh) * | 2019-05-09 | 2023-12-19 | 广东省智能制造研究所 | 一种基于半非负矩阵分解的声音信号分离方法 |
CN111374694A (zh) * | 2020-03-20 | 2020-07-07 | 深圳市真元保玖科技有限公司 | 肺功能监测系统、监测方法及其电子装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104367317B (zh) | 多尺度特征融合的心电图心电信号分类方法 | |
CN107610708B (zh) | 识别声纹的方法及设备 | |
CN109620152B (zh) | 一种基于MutiFacolLoss-Densenet的心电信号分类方法 | |
Chen et al. | Automatic heart and lung sounds classification using convolutional neural networks | |
CN107392149A (zh) | 一种人体心肺音实时盲分离方法及系统 | |
CN106599123A (zh) | 一种运动音乐播放方法及系统 | |
CN112957054B (zh) | 一种基于通道注意力分组残差网络的12导联心电信号分类方法 | |
CN107463956B (zh) | 一种基于非负矩阵分解的心肺音分离的方法及装置 | |
CN109919189A (zh) | 一种面向时间序列数据的深度k均值聚类方法 | |
CN107480637B (zh) | 基于心音特征的心衰分期方法 | |
CN109330584A (zh) | 基于字典学习和稀疏表示的心电信号身份识别方法和系统 | |
CN109124620A (zh) | 一种房颤检测方法、装置及设备 | |
Kucharski et al. | A deep learning approach for valve defect recognition in heart acoustic signal | |
WO2018120088A1 (zh) | 情感识别模型生成方法及装置 | |
CN107837091A (zh) | 一种单通道心肺音分离方法及系统 | |
CN111419213A (zh) | 一种基于深度学习的ecg心电信号生成方法 | |
Urteaga et al. | A machine learning model for the prognosis of pulseless electrical activity during out-of-hospital cardiac arrest | |
Pathok et al. | Data compression of ECG signals using error back propagation (EBP) algorithm | |
CN109376651A (zh) | 一种基于cuda架构的gpu加速锋电位分类的系统 | |
Berg et al. | Phylogenetic and kinematic constraints on avian flight signals | |
CN106725487A (zh) | 一种呼吸率提取方法及装置 | |
Hu et al. | Automatic heart sound classification using one dimension deep neural network | |
Asim Iqbal et al. | An optimal asthma disease detection technique for voice signal using hybrid machine learning technique | |
CN104000587A (zh) | 一种基于边缘小波特征的脑电波(eeg)信号识别系统 | |
CN104545890A (zh) | 一种基于心电信号的身份识别方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171124 |
|
RJ01 | Rejection of invention patent application after publication |