CN109730656A - 用于脉搏波信号分类的神经网络系统、计算机设备 - Google Patents
用于脉搏波信号分类的神经网络系统、计算机设备 Download PDFInfo
- Publication number
- CN109730656A CN109730656A CN201910018011.5A CN201910018011A CN109730656A CN 109730656 A CN109730656 A CN 109730656A CN 201910018011 A CN201910018011 A CN 201910018011A CN 109730656 A CN109730656 A CN 109730656A
- Authority
- CN
- China
- Prior art keywords
- pulse wave
- data
- wave signal
- network
- feature
- 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
Abstract
本发明公开了一种用于脉搏波信号分类的神经网络系统、脉搏波信号分类方法。该神经网络系统包括：第一特征提取网络，用于接收脉搏波信号数据，并提取脉搏波信号数据的初级特征数据；第二特征提取网络，用于接收初级特征数据，并根据初级特征数据提取脉搏波信号数据的高级特征数据，其中，第二特征提取网络包括按照预设连接顺序连接的第一池化模块、第二池化模块、第一分支模块和第二分支模块；分类网络，用于接收高级特征数据，并根据高级特征数据确定脉搏波信号的分类结果。通过构建多支路结构的第一特征提取网络来降低网络结构的参数量和运算量，并通过构建新型的第二特征提取网络来获得更加丰富的高级特征数据，以提高脉搏波信号的分类结果。
Description
技术领域
本发明属于计算机辅助疾病诊断技术领域，具体地讲，涉及用于脉搏波信号分类的神经网络系统、脉搏波信号分类方法、计算机可读存储介质、计算机设备。
背景技术
随着图形处理单元(GPU)硬件计算力和深度学习算法的发展，人工智能(Artificial Intelligence，AI)在图像、语音等方面的识别准确度越来越高。可穿戴智能设备和医疗设备获得的人体健康信息也可被深度学习算法处理，以辅助诊断和预防疾病，比如脉搏波、心电图、组织切片图等。脉诊是中国传统中医的重要组成部分，计算机辅助脉诊有利于解决传统中医脉诊的客观性和标准化问题。但由于脉搏波特征的复杂性，机器学习算法辅助脉搏波识别的准确度较低，比如支持向量机、贝叶斯分类等。因此，如何运用深度学习算法来提高脉搏波识别的准确度，是很多研究者关注的重点。
现有技术中仅仅采用基本卷积神经网络对脉搏波信号进行特征提取，所获得的特征较差，不能很好地实现信号分类，脉搏波识别的准确率较低。
发明内容
(一)本发明所要解决的技术问题
本发明解决的技术问题是：如何提取更丰富的脉搏波信号的特征，以实现脉搏波的高准确率识别。
(二)本发明所采用的技术方案
一种用于脉搏波信号分类的神经网络系统，所述神经网络系统包括：
第一特征提取网络，用于接收脉搏波信号数据，并提取所述脉搏波信号数据的初级特征数据；
第二特征提取网络，用于接收所述初级特征数据，并根据所述初级特征数据提取所述脉搏波信号数据的高级特征数据，其中，所述第二特征提取网络包括按照预设连接顺序连接的第一池化模块、第二池化模块、第一分支模块和第二分支模块；
分类网络，用于接收所述高级特征数据，并根据所述高级特征数据确定脉搏波信号的分类结果。
优选地，所述第一分支模块的卷积核数目小于所述第一池化模块的卷积核数目，所述第一池化模块的卷积核数目小于所述第二分支模块的卷积核数目，所述第二分支模块的卷积核数目等于所述第二池化模块的卷积核数目。
优选地，所述预设连接顺序为：所述第一分支模块、所述第一池化模块、所述第二分支模块和所述第二池化模块依序连接。
优选地，所述第一特征提取网络包括：
第一神经网络，包括并列的第一卷积层和第一池化层以及第一拼接层，所述第一卷积层用于对所述脉搏波信号数据进行特征提取以获得第一特征数据，所述第一池化层用于对所述脉搏波信号数据进行特征提取以获得第二特征数据，所述第一拼接层用于将所述第一特征数据和所述第二特征数据拼接形成第一拼接数据；
第二神经网络，包括并列的第一子卷积网络和第二子卷积网络以及第二拼接层，所述第一子卷积网络用于对所述第一拼接数据进行特征提取以获得第三特征数据，所述第二子卷积网络用于对所述第一拼接数据进行特征提取以获得第四特征数据，所述第二拼接层用于将所述第三特征数据和所述第四特征数据拼接形成初级特征数据。
优选地，所述第一子卷积网络包括依序连接的两个卷积层；所述第二子卷积网络包括依序连接的三个卷积层。
优选地，所述神经网络系统还包括：
第三特征提取网络，用于接收输入的原始脉搏波信号数据，并对所述原始脉搏波信号数据进行特征提取，以获取脉搏波信号数据。
优选地，所述神经网络系统还包括：
第四特征提取网络，用于接收所述第二特征提取网络输入的高级特征数据，并对所述高级特征数据进行特征提取，以获取简化高级特征数据；
其中，所述分类网络还用于接收所述简化高级特征数据并根据所述简化高级特征数据确定脉搏波信号的分类结果。
本发明还公开了一种脉搏波信号分类方法，包括如下步骤：
对采集的脉搏波数据进行预处理，以将采集的脉搏波数据转化为预设格式的脉搏波信号数据；
将所述脉搏波信号数据输入至上述的用于脉搏波信号分类的神经网络系统的第一特征提取网络，且所述第一特征提取网络输出脉搏波信号数据的初级特征数据；
将所述初级特征数据输入至所述神经网络系统的第二特征提取网络，所述第二特征提取网络输出脉搏波信号数据的高级特征数据；
将所述高级特征数据输入至所述神经网络系统的分类网络，所述分类网络根据所述高级特征数据确定脉搏波信号的分类结果。
本发明还公开了一种计算机可读存储介质，所述计算机可读存储介质存储有脉搏波信号分类程序，所述脉搏波信号分类程序被处理器执行时实现上述的脉搏波信号分类方法。
本发明还公开了一种计算机设备，所述计算机设备包括存储器、处理器和存储在所述存储器中的脉搏波信号分类程序，所述脉搏波信号分类程序被处理器执行时实现上述的脉搏波信号分类方法。
(三)有益效果
本发明公开了一种用于脉搏波信号分类的神经网络系统和脉搏波信号分类方法，通过构建多支路结构的第一特征提取网络来降低网络结构的参数量和运算量，并通过构建新型的第二特征提取网络来获得更加丰富的高级特征数据，以提高脉搏波信号的分类结果。然而，本专利所提出的神经网络系统，不局限于脉搏波的识别，还可以应用到图像、语音识别等领域。在深度神经网络融合方面，也做了很多有益的探索，为他人提供了借鉴。
附图说明
图1为本发明的实施例的脉搏波信号识别流程图；
图2为本发明的实施例的神经网络系统的结构示意图；
图3为本发明的实施例的神经网络系统的各个子网络示意图；
图4A为本发明的实施例的第一池化模块的结构图；
图4B为本发明的实施例的第二池化模块的结构图；
图4C为本发明的实施例的第一分支模块的结构图；
图4D为本发明的实施例的第二分支模块的结构图；
图5为本发明的实施例的脉搏波信号分类方法流程图；
图6为本发明的实施例的计算机设备的原理框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
如图1所示，脉搏波信号识别一般流程包括如下几个步骤：数据获取、数据集预处理、卷积神经网络识别以及结果分析，本发明的改进点在于构建新型的卷积神经网络。其中数据获取步骤，采用现有技术中的方法获取即可，本实施例不做限制。数据集预处理包括如下几个步骤：特征提取后的脉搏波数据，经过：(1)主波提取，通过香农定理和希尔伯特变换等，去除噪声，获取主波位置和预处理后的脉搏波；(2)划分周期，以主波位置为基准，向前取99个点，向后取150个点，每250个点组成一个脉搏波周期，保证每个周期里都有一个主波，并添加标签0和1，分别代表健康和亚健康；(3)制作hdf5数据集，得到深度学习框架Convolutional Architecture for Fast Feature Embedding(简称Caffe)可处理的hdf5格式的数据集，即获得预设格式的脉搏波信号数据。
具体地，如图2所示，本发明的实施例提供的用于脉搏波信号分类的神经网络系统MIRNet主要包括第一特征提取网络100、第二特征提取网络200和分类网络300。其中，第一特征提取网络100用于接收脉搏波信号数据，并提取脉搏波信号数据的初级特征数据。第二特征提取网络200用于接收初始特征数据，并根据初始特征数据提取脉搏波信号数据的高级特征数据。分类网络300用于接收高级特征数据，并根据高级特征数据确定脉搏波信号的分类结果。
进一步地，如图3所示，第一特征提取网络100包括第一神经网络110和第二神经网络120。其中，第一神经网络110包括并列的第一卷积层111和第一池化层112以及第一拼接层113。第一卷积层111的卷积核大小为1*3，卷积核个数为128，零填充值为0，表示不填充0，步长为2，第一卷积层111用于对脉搏波信号数据进行特征提取以获得第一特征数据。第一池化层112的卷积核大小为1*2，卷积核个数为128，零填充值为0，步长为2，第一池化层112用于对脉搏波信号数据进行特征提取以获得第二特征数据。第一拼接层113采用concat拼接方式，第一拼接层113用于将第一特征数据和第二特征数据拼接形成第一拼接数据。进一步地，第二神经网络120包括并列的第一子卷积网络121和第二子卷积网络122以及第二拼接层123。第一子卷积网络121用于对第一拼接数据进行特征提取以获得第三特征数据，第二子卷积网络122用于对第一拼接数据进行特征提取以获得第四特征数据，第二拼接层123用于将第三特征数据和第四特征数据拼接形成初级特征数据。其中，第一子卷积网络121包括依序连接的两个卷积层conv4_1和conv4_2，conv4_1的卷积核大小为1*1，卷积核个数为64，零填充值为0，步长为1；conv4_2的卷积核大小为1*5，卷积核个数为96，零填充值为0，步长为2。第二子卷积网络122包括依序连接的三个卷积层conv4_3、conv4_4和conv4_5，conv4_3的卷积核大小为1*1，卷积核个数为64，零填充值为0，步长为1；conv4_4的卷积核大小为1*3，卷积核个数为128，零填充值为0，步长为1；conv4_5的卷积核大小为1*3，卷积核个数为128，零填充值为0，步长为2。第二拼接层123采用concat拼接方式。通过构建上述的第一神经网络110和第二神经网络120，降低了现有网络结构的参数量和运算量。
进一步地，第二特征提取网络200包括按照预设连接顺序连接的第一池化模块210、第二池化模块220、第一分支模块230和第二分支模块240。如图3所示，第一池化模块210命名为RM1，第二池化模块220命名为RM2，第一分支模块230命名为MIM1，第二分支模块240命名为MIM2。如图4A所示，第一池化模块210包括多个卷积层以及池化层，多个卷积层以及池化层形成多个支路网络，第一池化模块210用于对输入的特征数据进行分流、池化、卷积和拼接等操作，以提取更加丰富的特征。如图4B所示，第二池化模块220包括多个卷积层以及池化层，第二池化模块220用于对输入的特征数据进行分流、池化、卷积和拼接等操作，以获得更精细化的特征。如图4C所示，第一分支模块230包括多个卷积层以及池化层，第一分支模块230用于对输入的特征数据提取不同维度的特征，使特征更加丰富，并使得提取的特征数据增加。如图4D所示，第二分支模块240包括多个卷积层和池化层，第二分支模块240用于进一步增加特征数据的特征面。
进一步地，作为优选实施例，第一分支模块230的卷积核数目小于第一池化模块210的卷积核数目，第一池化模块210的卷积核数目小于第二分支模块240的卷积核数目，第二分支模块240的卷积核数目等于第二池化模块220的卷积核数目。优选地，第一分支模块230的卷积核数目为384，第一池化模块210的卷积核数目为896，第二分支模块240和第二池化模块220的卷积核数目为1024。
进一步地，作为优选实施例，预设连接顺序为：第一分支模块230、第一池化模块210、第二分支模块240和第二池化模块220依序连接。一方面防止了第一分支模块230和第二分支模块240直接相连而造成训练中断，另一方面防止了梯度爆炸。举例来说，本实施例的初级特征数据的分辨率为1*29，经过第一分支模块230处理后得到的特征数据的分辨率为1*29，其主要作用是增加特征面数量，经过第一池化模块210处理后得到的特征数据的分辨率为1*14，主要作用是增加特征面数量，减小特征面的分别率，使有效特征更加突出，经过第二分支模块240处理后得到特征数据的分辨率为1*7，其主要作用是增加特征面数量，使有效特征更加突出，最后经过第二池化模块220处理后得到的特征数据的分辨率为1*3，其主要作用使有效特征更加突出，此时特征数据为高级特征数据。
进一步地，在其他实施方式中，神经网络系统还包括第三特征提取网络400，第三特征提取网络400用于接收输入的原始脉搏波信号数据，并对原始脉搏波信号数据进行特征提取，以获取初步提取的脉搏波信号。作为优选实施例，第三特征提取网络400包括依序连接的两个卷积层conv1和conv2，其中conv1卷积核大小为1*3，卷积核个数为64，零填充值为0，步长为1；conv2的卷积核大小为1*4，卷积核个数为128，零填充值为0，步长为2。举例来说，原始脉搏波信号数据的分辨率为1*250，经过卷积层conv1处理后得到的特征数据的分辨率为1*248，经过卷积层conv2处理后得到的特征数据的分辨率为1*123，此时的特征数据为脉搏波信号数据。这样经过第三特征提取网络400的处理，减少原始脉搏波信号数据的特征面大小，去掉不必要的特征，初步减少参数量和运算量。
具体地，本实施例的分类网络300包括第一全连接层fc7和第二全连接层fc8，其中，第一全连接层fc7用于减少输入的高级特征数据的连接数量，以降低运算量，第二全连接层fc8，用于输出脉搏波信号的分类结果。进一步地，第二全连接层fc8与神经网络系统的损失层Loss连接，损失层Loss采用SoftmaxWithloss函数。
在其他实施方式中，神经网络系统还包括第四特征提取网络500，第四特征提取网络500优选为卷积层conv6，卷积层conv6的卷积核大小为1*3，卷积核个数为512，零填充值为0，步长为1。第四特征提取网络500用于接收所述第二特征提取网络输入的高级特征数据，并对所述高级特征数据进行特征提取，以获取简化高级特征数据，其中，简化高级特征数据的特征面小于高级特征数据的特征面。进一步地，分类网络300还用于接收简化高级特征数据并根据简化高级特征数据确定脉搏波信号的分类结果。
进一步地，对构建好的神经网络系统进行训练，以更新和调优神经网络系统的各项参数。具体地，本发明实施例所采用的脉搏波数据由上海中医药大学研发的DDMX-100脉象仪(采样频率为200Hz)采集，脉搏波数据包括1125条健康和1158条亚健康的脉搏波数据，其中健康和亚健康的区分标准是世界卫生组织发布的亚健康评估20项指标，通过调查问卷形式评估，得分大于80分为健康，反之则为亚健康。经过数据集预处理后，获得118800条1*251的脉搏波周期，其中脉搏波周期原本是1*250，这里增加的1表示标签，其中训练集48060条，测试集70740条。
进一步地，每一卷积层对应设置有BN层、Scale层和ReLU，在对神经网络系统进行训练时，BN层的batch_norm_param和Scale层的scale_param都设置为“false”，使得其参数不断调优，如果设置为“true”，则参数不会随着训练而改变；卷积层中的weight和bias分别初始化为“msra”和“false”；全连接层中的weight和bias分别初始化为“Xavier”和“constant”。训练参数，batch_size是10,test_iter是500,test_interval是400，Max_iter是35000，可完成对测试集完整的7次测试。SoftmaxWithloss是计算前向过程的损失函数；随机梯度下降(stochastic gradient descent，SGD)计算反向过程的梯度变化。学习策略参数为，lr_policy："inv"，gamma：10-3，power：0.75，base_lr：10-5,momentum：0.9，weight_decay：5x10-6。
本申请为一个二分类问题，可使用SP、SE、ACC及γ评测深度神经网络的性能优劣，ACC表示算法分类的准确度，是网络分类性能的综合指标；SP表示算法检测出阴性样本(健康)的能力；SE表示算法检测出阳性样本(亚健康)的能力；γ表示算法避免失败的能力，γ越大代表算法避免失败的能力越强。这些指标定义如下：
γ＝SE+SP-1 (4)
其中，TP表示算法计算正确的阳性样本数量；TN表示算法计算正确的阴性样本数量；FP表示算法计算错误的阳性样本数量；FN表示算法计算错误的阴性样本数量。
利用上述的测试集分别对本发明实施例的神经网络系统MIRNet和现有的几种类型的卷积神经网络进行测试，测试结果如表1所示。从表1中可知，与现有的几种卷积神经网络相比，本发明实施例的神经网络系统MIRNet具有最高的分类准确率，具有最高的分辨健康样本和亚健康样本的能力，且具有最强的避免算法失败的能力。相比于现有的CNN在脉搏波信号识别方面的准确率，MIRNet是最高的，促进了深度神经网络在脉搏波识别方面的研究。
| 网络类型 | SP(％) | SE(％) | ACC(％) | γ(％) |
| CNN(9L) | 75.64 | 68.99 | 72.31 | 44.63 |
| CNN9 | 82.34 | 83.98 | 83.11 | 66.32 |
| CNN16 | 85.06 | 84.21 | 84.94 | 69.27 |
| VGG | 83.91 | 77.46 | 83.31 | 61.37 |
| GoogLeNet1 | 83.17 | 84.06 | 83.58 | 67.23 |
| GoogLeNet2 | 85.79 | 83.54 | 85.45 | 69.33 |
| GoogLeNet3 | 84.21 | 81.82 | 84.84 | 66.03 |
| MIRNet | 87.85 | 88.05 | 87.84 | 75.90 |
表1
本发明的另一实施还公开了一种脉搏波信号分类方法，图5示出了脉搏波信号分类方法的流程，该分类方法包括步骤S10步骤S40：
步骤S10：对采集的脉搏波数据进行预处理，以将采集的脉搏波数据转化为预设格式的脉搏波信号数据。具体的预处理方法已在前文说明，在此不进行赘述。
步骤S20：将脉搏波信号数据输入至上述的用于脉搏波信号分类的神经网络系统的第一特征提取网络100，且第一特征提取网络100输出脉搏波信号数据的初级特征数据。其中，第一特征提取网络100提取初级特征数据的过程已在前文详细说明，在此不进行赘述。
步骤S30：将初级特征数据输入至神经网络系统的第二特征提取网络200，第二特征提取网络200输出脉搏波信号数据的高级特征数据。其中，第二特征提取网络200提取高级特征数据的方法已在前文详细说明，在此不进行赘述。
步骤S40：将高级特征数据输入至所述神经网络系统的分类网络300，分类网络300根据高级特征数据确定脉搏波信号的分类结果。分类网络300进行特征分类的方法与前文相同，在此不进行赘述。
进一步地，本发明的另一实施还公开了一种计算机可读存储介质，计算机可读存储介质存储有脉搏波信号分类程序，脉搏波信号分类程序被处理器执行时实现上述的脉搏波信号分类方法。
进一步地，如图6所示，本发明的另一实施还公开了一种计算机设备，所述计算机设备包括存储器10、处理器20和存储在所述存储器20中的脉搏波信号分类程序30，所述脉搏波信号分类程序被处理器20执行时实现上述的脉搏波信号分类方法。
上面对本发明的具体实施方式进行了详细描述，虽然已表示和描述了一些实施例，但本领域技术人员应该理解，在不脱离由权利要求及其等同物限定其范围的本发明的原理和精神的情况下，可以对这些实施例进行修改和完善，这些修改和完善也应在本发明的保护范围内。
Claims (10)
1.一种用于脉搏波信号分类的神经网络系统，其特征在于，所述神经网络系统包括：
第一特征提取网络，用于接收脉搏波信号数据，并提取所述脉搏波信号数据的初级特征数据；
第二特征提取网络，用于接收所述初级特征数据，并根据所述初级特征数据提取所述脉搏波信号数据的高级特征数据，其中，所述第二特征提取网络包括按照预设连接顺序连接的第一池化模块、第二池化模块、第一分支模块和第二分支模块；
分类网络，用于接收所述高级特征数据，并根据所述高级特征数据确定脉搏波信号的分类结果。
2.根据权利要求1所述的神经网络系统，其特征在于，所述第一分支模块的卷积核数目小于所述第一池化模块的卷积核数目，所述第一池化模块的卷积核数目小于所述第二分支模块的卷积核数目，所述第二分支模块的卷积核数目等于所述第二池化模块的卷积核数目。
3.根据权利要求2所述的神经网络系统，其特征在于，所述预设连接顺序为：所述第一分支模块、所述第一池化模块、所述第二分支模块和所述第二池化模块依序连接。
4.根据权利要求1所述的神经网络系统，其特征在于，所述第一特征提取网络包括：
第一神经网络，包括并列的第一卷积层和第一池化层以及第一拼接层，所述第一卷积层用于对所述脉搏波信号数据进行特征提取以获得第一特征数据，所述第一池化层用于对所述脉搏波信号数据进行特征提取以获得第二特征数据，所述第一拼接层用于将所述第一特征数据和所述第二特征数据拼接形成第一拼接数据；
第二神经网络，包括并列的第一子卷积网络和第二子卷积网络以及第二拼接层，所述第一子卷积网络用于对所述第一拼接数据进行特征提取以获得第三特征数据，所述第二子卷积网络用于对所述第一拼接数据进行特征提取以获得第四特征数据，所述第二拼接层用于将所述第三特征数据和所述第四特征数据拼接形成初级特征数据。
5.根据权利要求4所述的神经网络系统，其特征在于，所述第一子卷积网络包括依序连接的两个卷积层；所述第二子卷积网络包括依序连接的三个卷积层。
6.根据权利要求1所述的神经网络系统，其特征在于，所述神经网络系统还包括：
第三特征提取网络，用于接收输入的原始脉搏波信号数据，并对所述原始脉搏波信号数据进行特征提取，以获取脉搏波信号数据。
7.根据权利要求1所述的神经网络系统，其特征在于，所述神经网络系统还包括：
第四特征提取网络，用于接收所述第二特征提取网络输入的高级特征数据，并对所述高级特征数据进行特征提取，以获取简化高级特征数据；
其中，所述分类网络还用于接收所述简化高级特征数据并根据所述简化高级特征数据确定脉搏波信号的分类结果。
8.一种脉搏波信号分类方法，其特征在于，包括如下步骤：
对采集的脉搏波数据进行预处理，以将采集的脉搏波数据转化为预设格式的脉搏波信号数据；
将所述脉搏波信号数据输入至权利要求1至7任一项所述的用于脉搏波信号分类的神经网络系统的第一特征提取网络，且所述第一特征提取网络输出脉搏波信号数据的初级特征数据；
将所述初级特征数据输入至所述神经网络系统的第二特征提取网络，所述第二特征提取网络输出脉搏波信号数据的高级特征数据；
将所述高级特征数据输入至所述神经网络系统的分类网络，所述分类网络根据所述高级特征数据确定脉搏波信号的分类结果。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有脉搏波信号分类程序，所述脉搏波信号分类程序被处理器执行时实现如权利要求8所述的脉搏波信号分类方法。
10.一种计算机设备，其特征在于，所述计算机设备包括存储器、处理器和存储在所述存储器中的脉搏波信号分类程序，所述脉搏波信号分类程序被处理器执行时实现如权利要求8所述的脉搏波信号分类方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910018011.5A CN109730656A (zh) | 2019-01-09 | 2019-01-09 | 用于脉搏波信号分类的神经网络系统、计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910018011.5A CN109730656A (zh) | 2019-01-09 | 2019-01-09 | 用于脉搏波信号分类的神经网络系统、计算机设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109730656A true CN109730656A (zh) | 2019-05-10 |
Family
ID=66364002
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910018011.5A Pending CN109730656A (zh) | 2019-01-09 | 2019-01-09 | 用于脉搏波信号分类的神经网络系统、计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109730656A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110236502A (zh) * | 2019-07-19 | 2019-09-17 | 南京梅花软件系统股份有限公司 | 一种24小时监测的腕表 |
| CN110558652A (zh) * | 2019-09-19 | 2019-12-13 | 承德石油高等专科学校 | 一种多层结构的防雾霾口罩 |
| CN112556107A (zh) * | 2020-11-23 | 2021-03-26 | 北京新欧绿色建筑设计院有限公司 | 一种宜温宜湿宜氧室内环境智能控制系统 |
| CN114052675A (zh) * | 2021-11-18 | 2022-02-18 | 广东电网有限责任公司 | 一种基于融合注意力机制的脉搏异常判别方法及系统 |
| CN114469017A (zh) * | 2022-01-27 | 2022-05-13 | 上海国民集团健康科技有限公司 | 脉象数据检测方法以及系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102824166A (zh) * | 2012-07-05 | 2012-12-19 | 华东师范大学 | 一种用于脉搏波分类处理的装置 |
| US20150016702A1 (en) * | 2003-08-21 | 2015-01-15 | Ischem Corporation | Automated methods and systems for vascular plaque detection and analysis |
| US20170046616A1 (en) * | 2015-08-15 | 2017-02-16 | Salesforce.Com, Inc. | Three-dimensional (3d) convolution with 3d batch normalization |
| CN107811626A (zh) * | 2017-09-10 | 2018-03-20 | 天津大学 | 一种基于一维卷积神经网络和s变换的心律失常分类方法 |
| CN107832794A (zh) * | 2017-11-09 | 2018-03-23 | 车智互联（北京）科技有限公司 | 一种卷积神经网络生成方法、车系识别方法及计算设备 |
| WO2018119316A1 (en) * | 2016-12-21 | 2018-06-28 | Emory University | Methods and systems for determining abnormal cardiac activity |
| CN108647614A (zh) * | 2018-04-28 | 2018-10-12 | 吉林大学 | 心电图心拍分类识别方法及系统 |
| US10130307B2 (en) * | 2016-01-06 | 2018-11-20 | Samsung Electronics Co., Ltd. | Electrocardiogram (ECG) authentication method and apparatus |
| CN108921206A (zh) * | 2018-06-15 | 2018-11-30 | 北京金山云网络技术有限公司 | 一种图像分类方法、装置、电子设备及存储介质 |
-
2019
- 2019-01-09 CN CN201910018011.5A patent/CN109730656A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150016702A1 (en) * | 2003-08-21 | 2015-01-15 | Ischem Corporation | Automated methods and systems for vascular plaque detection and analysis |
| CN102824166A (zh) * | 2012-07-05 | 2012-12-19 | 华东师范大学 | 一种用于脉搏波分类处理的装置 |
| US20170046616A1 (en) * | 2015-08-15 | 2017-02-16 | Salesforce.Com, Inc. | Three-dimensional (3d) convolution with 3d batch normalization |
| US10130307B2 (en) * | 2016-01-06 | 2018-11-20 | Samsung Electronics Co., Ltd. | Electrocardiogram (ECG) authentication method and apparatus |
| WO2018119316A1 (en) * | 2016-12-21 | 2018-06-28 | Emory University | Methods and systems for determining abnormal cardiac activity |
| CN107811626A (zh) * | 2017-09-10 | 2018-03-20 | 天津大学 | 一种基于一维卷积神经网络和s变换的心律失常分类方法 |
| CN107832794A (zh) * | 2017-11-09 | 2018-03-23 | 车智互联（北京）科技有限公司 | 一种卷积神经网络生成方法、车系识别方法及计算设备 |
| CN108647614A (zh) * | 2018-04-28 | 2018-10-12 | 吉林大学 | 心电图心拍分类识别方法及系统 |
| CN108921206A (zh) * | 2018-06-15 | 2018-11-30 | 北京金山云网络技术有限公司 | 一种图像分类方法、装置、电子设备及存储介质 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110236502A (zh) * | 2019-07-19 | 2019-09-17 | 南京梅花软件系统股份有限公司 | 一种24小时监测的腕表 |
| CN110558652A (zh) * | 2019-09-19 | 2019-12-13 | 承德石油高等专科学校 | 一种多层结构的防雾霾口罩 |
| CN112556107A (zh) * | 2020-11-23 | 2021-03-26 | 北京新欧绿色建筑设计院有限公司 | 一种宜温宜湿宜氧室内环境智能控制系统 |
| CN112556107B (zh) * | 2020-11-23 | 2022-10-28 | 北京新欧绿色建筑设计院有限公司 | 一种宜温宜湿宜氧室内环境智能控制系统 |
| CN114052675A (zh) * | 2021-11-18 | 2022-02-18 | 广东电网有限责任公司 | 一种基于融合注意力机制的脉搏异常判别方法及系统 |
| CN114052675B (zh) * | 2021-11-18 | 2023-08-22 | 广东电网有限责任公司 | 一种基于融合注意力机制的脉搏异常判别方法及系统 |
| CN114469017A (zh) * | 2022-01-27 | 2022-05-13 | 上海国民集团健康科技有限公司 | 脉象数据检测方法以及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109730656A (zh) | 用于脉搏波信号分类的神经网络系统、计算机设备 | |
| CN111461983B (zh) | 一种基于不同频度信息的图像超分辨率重建模型及方法 | |
| CN109998500A (zh) | 一种基于生成式对抗网络的脉搏信号生成方法及系统 | |
| Cheng et al. | Facial expression recognition method based on improved VGG convolutional neural network | |
| CN110097000A (zh) | 基于局部特征聚合描述符和时序关系网络的视频行为识别方法 | |
| CN110188878A (zh) | 神经网络搜索方法及装置 | |
| CN110490239A (zh) | 图像质控网络的训练方法、质量分类方法、装置及设备 | |
| CN110175551A (zh) | 一种手语识别方法 | |
| CN110367967A (zh) | 一种基于数据融合的便携型轻量化人脑状态检测方法 | |
| CN110414607A (zh) | 胶囊内窥镜图像的分类方法、装置、设备及介质 | |
| EP3968337A1 (en) | Target object attribute prediction method based on machine learning and related device | |
| CN109102498A (zh) | 一种宫颈涂片图像中簇型细胞核分割的方法 | |
| Zhu et al. | Big data image classification based on distributed deep representation learning model | |
| Cheng et al. | Design and application of a laconic heart sound neural network | |
| CN111368707A (zh) | 基于特征金字塔与密集块的人脸检测方法、系统、设备及介质 | |
| CN112884062B (zh) | 一种基于cnn分类模型和生成对抗网络的运动想象分类方法及系统 | |
| CN110246200A (zh) | 磁共振心脏电影成像方法、装置及磁共振扫描仪 | |
| CN114265937A (zh) | 科技情报的智能分类分析方法、系统、存储介质及服务器 | |
| CN110399970A (zh) | 小波卷积小波神经网络及情报分析方法与系统 | |
| CN111858879B (zh) | 一种基于机器阅读理解的问答方法及系统、存储介质、计算机设备 | |
| Zhu et al. | An efficient hardware architecture for epileptic seizure detection using EEG signals based on 1D-CNN | |
| CN111612739A (zh) | 一种基于深度学习的脑梗死分类方法 | |
| CN110287270A (zh) | 实体关系挖掘方法及设备 | |
| Yang et al. | A new residual dense network for dance action recognition from heterogeneous view perception | |
| CN109146005A (zh) | 一种基于稀疏表示的脑认知能力分析方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190510 |