CN110179492A - 基于自适应双阈值的肠鸣音智能识别算法 - Google Patents
基于自适应双阈值的肠鸣音智能识别算法 Download PDFInfo
- Publication number
- CN110179492A CN110179492A CN201910380717.6A CN201910380717A CN110179492A CN 110179492 A CN110179492 A CN 110179492A CN 201910380717 A CN201910380717 A CN 201910380717A CN 110179492 A CN110179492 A CN 110179492A
- Authority
- CN
- China
- Prior art keywords
- signal
- doubtful
- envelope
- auto
- threshold
- 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
- A61B5/42—Detecting, measuring or recording for evaluating the gastrointestinal, the endocrine or the exocrine systems
-
- 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
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B7/00—Instruments for auscultation
- A61B7/008—Detecting noise of gastric tract, e.g. caused by voiding
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B7/00—Instruments for auscultation
- A61B7/02—Stethoscopes
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Animal Behavior & Ethology (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Surgery (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Endocrinology (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Gastroenterology & Hepatology (AREA)
- Acoustics & Sound (AREA)
- Circuit For Audible Band Transducer (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了基于自适应双阈值的肠鸣音智能识别算法,包括以下步骤:一、采集患者胃肠部位的声音信号d(n),并进行预处理得到信号X(n);二、计算信号X(n)的希尔伯特包络P及其差分包络P1,提取特征信号;三、对特征信号进行处理,得到其时频特征,根据时频特征判定疑似信号;四、计算疑似信号的MFCC系数;五、计算疑似信号和模板信号MFCC系数的匹配距离;六、确定距离阈值,将匹配距离与距离阈值进行对比,判定疑似信号是否为肠鸣音信号,并进行统计显示。本发明具有较高的判定效率和准确性,良好的复杂环境适应性,并且计算量较小,可移植性较好。
Description
技术领域
本发明涉及生物医学的信号处理技术领域,具体涉及基于自适应双阈值的肠鸣音智能识别算法。
背景技术
肠鸣音监测对ICU及其他疾病胃肠功能的恢复具有一定的积极作用,为了能够较长时间连续监测肠鸣音,需要对肠鸣音信号进行提取识别,并计算肠鸣音的特征,因此需要一个能够为胃肠功能的评价提供一个准确性高、适应能力强的方法。
目前已存在一些关于肠鸣音识别方法的研究,如:肠鸣音监测识别系(201410559667),嘈杂环境下的肠鸣音检测方法、装置及系统(201610686377),一种面向肠鸣音信号监护系统的信号处理方法(201610371549),一种肠鸣音智能自动识别方法(201711461490)。上述专利基本上采用了肠鸣音在时域或者频域特征进行肠鸣音识别分类,对肠鸣音的起始点判断及分类识别不够精确,上述方法总体上看对肠鸣音信号的精确起始点位置判断、识别的准确性上、背景环境噪声的适应性上皆有一定的限制。
发明内容
本发明针对现有技术存在的不足,提供基于自适应双阈值的肠鸣音智能识别算法,其应用时,能够精确识别肠鸣音起始点和肠鸣音分类,具有较高的准确率及效率,并且能够有效使用于如胃肠功能评价专用仪器及智能穿戴设备中,可移植性较好。
本发明通过以下技术方案实现:
基于自适应双阈值的肠鸣音智能识别算法,包括以下步骤:
步骤一、利用采集器拾音头采集患者胃肠部位的声音信号d(n),并对其进行预处理,得到预处理后的信号X(n),预处理过程包括去直流和滤波处理;
步骤二、计算得到信号X(n)的希尔伯特包络P及差分包络P1,并基于希尔伯特包络P和差分包络P1的自适应阈值找出特征信号的起始点及终点,提取特征信号;
步骤三、对特征信号进行处理,得到其时频特征,时频特征包括时域信号特征及频域信号特征,时域信号特征分别为特征信号片段的方差和峰值特征,频域信号特征为特定频率功率占比的特征,根据时频特征判定特征信号是否为肠鸣音疑似信号,若判定为疑似信号,则进行下一步计算;
步骤四、对判定的疑似信号进行处理,计算得到疑似信号的MFCC系数;
步骤五、将疑似信号的MFCC系数与预先准备好的模板信号的MFCC系数进行计算,得到疑似信号和模板信号MFCC系数的匹配距离;
步骤六、确定距离阈值,将步骤五得到的匹配距离与距离阈值进行对比,根据对比结果判定疑似信号是否为肠鸣音信号,若判定为肠鸣音信号则进行统计显示。
优选地,步骤一中对声音信号d(n)的预处理过程包括:对声音信号d(n)进行去直流和滤波处理,滤波范围控制在30Hz-2500Hz的频率范围内。
优选地,步骤二中对信号X(n)的计算处理过程为:首先基于1s信号片段,降采样,每隔10点采样一次,然后采用希尔伯特变换计算采样信号的包络P,并得到此包络P后,进行平滑,然后差分得到包络P的差分包络P1,然后基于包络P的自适应阈值和差分包络P1的自适应阈值,设定希尔伯特包络阈值和差分包络阈值,当采样信号中后一个数据点的值大于对应设定阈值且大于前一数据点的值,则持续到第三个点即为起始点,终点要求希尔伯特包络小于其均值,差分包络小于0,且持续三个点小于前一个点的值,则第三个点即为终点。
优选地,步骤三中疑似信号的判定过程为:计算出特征信号片段的方差大于、峰值特征大于设定阈值,并且计算出特征信号在60Hz-800Hz区间功率占总功率的比大于特定阈值0.98,则判定特征信号为肠鸣音疑似信号。
优选地,步骤四中计算疑似信号的MFCC系数的过程包括预加重、分帧和加窗,其中窗函数可采用海明窗或汉宁窗。
优选地,在步骤五中计算疑似信号和模板信号MFCC系数的匹配距离时,采用DTW算法计算得到疑似信号和模板信号MFCC系数间的最小距离即为匹配距离。
优选地,在步骤六中,当匹配距离大于距离阈值时,判定疑似信号为肠鸣音信号。
本发明具有如下的优点和有益效果:
1、本发明基于自适应双阈值的肠鸣音智能识别算法,能够有效提取肠鸣音信号的起始点,并且起始点位置受环境噪声等影响较小,能够有效定位肠鸣音。
2、本发明基于自适应双阈值的肠鸣音智能识别算法,对肠鸣音信号的识别分类具有很高的识别分类的准确性,并且抗噪效果好,能够在一定程度的噪声条件下识别分类。
3、本发明基于自适应双阈值的肠鸣音智能识别算法,计算量较小,计算效率较高,能够有效提升算法的通用性能,能够应用于专用胃肠功能监测的专用仪器,以及能够应用于智能穿戴设备上。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解,构成本申请的一部分,并不构成对本发明实施例的限定。在附图中:
图1为本发明的实施步骤示意框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合实施例和附图,对本发明作进一步的详细说明,本发明的示意性实施方式及其说明仅用于解释本发明,并不作为对本发明的限定。
实施例1
如图1所示,基于自适应双阈值的肠鸣音智能识别算法,包括以下步骤:
步骤一、利用采集器拾音头采集患者胃肠部位的声音信号d(n),并对其进行预处理,得到预处理后的信号X(n),预处理过程包括去直流和滤波处理;
步骤二、计算得到信号X(n)的希尔伯特包络P及差分包络P1,并基于希尔伯特包络P和差分包络P1的自适应阈值找出特征信号的起始点及终点,提取特征信号;
步骤三、对特征信号进行处理,得到其时频特征,时频特征包括时域信号特征及频域信号特征,时域信号特征分别为特征信号片段的方差和峰值特征,频域信号特征为特定频率功率占比的特征,根据时频特征判定特征信号是否为肠鸣音疑似信号,若判定为疑似信号,则进行下一步计算;
步骤四、对判定的疑似信号进行处理,计算得到疑似信号的MFCC系数;
步骤五、将疑似信号的MFCC系数与预先准备好的模板信号的MFCC系数进行计算,得到疑似信号和模板信号MFCC系数的匹配距离;
步骤六、确定距离阈值,将步骤五得到的匹配距离与距离阈值进行对比,根据对比结果判定疑似信号是否为肠鸣音信号,若判定为肠鸣音信号则进行统计显示。
步骤一中对声音信号d(n)的预处理过程包括:对声音信号d(n)进行去直流和滤波处理,滤波范围控制在30Hz-2500Hz的频率范围内。
步骤二中对信号X(n)的计算处理过程为:首先基于1s信号片段,降采样,每隔10点采样一次,然后采用希尔伯特变换计算采样信号的包络P,并得到此包络P后,进行平滑,然后差分得到包络P的差分包络P1,然后基于包络P的自适应阈值和差分包络P1的自适应阈值,设定希尔伯特包络阈值为其均值,差分包络阈值为其绝对值均值,当采样信号中后一个数据点的值大于对应设定阈值且大于前一数据点的值,则持续到第三个点即为起始点,终点要求希尔伯特包络小于均值,差分包络小于0,且持续三个点小于前一个点的值,则第三个点即为终点。
步骤三中疑似信号的判定过程为:计算出特征信号片段的方差大于、峰值特征大于设定阈值,并且计算出特征信号在60Hz-800Hz区间功率占总功率的比大于特定阈值0.98,则判定特征信号为肠鸣音疑似信号。
步骤四中计算疑似信号的MFCC系数的过程包括预加重、分帧和加窗,其中窗函数可采用海明窗或汉宁窗。
在步骤五中计算疑似信号和模板信号MFCC系数的匹配距离时,采用DTW算法计算得到疑似信号和模板信号MFCC系数间的最小距离即为匹配距离。
在步骤六中,当匹配距离大于距离阈值时,判定疑似信号为肠鸣音信号。
实施例2
基于自适应双阈值进行疑似肠鸣音数据段的判断,精确定位肠鸣音起始点,同时基于肠鸣音的时域频域特征进行第一重判断,然后再基于MFCC系数结合DTW算法进行肠鸣音最终的识别分类,最终统计显示,具体步骤如下:
一、采集患者信号:首先要采集多个病患肠鸣音样本信号,作为模板匹配的样本信号,并基于确定的肠鸣音模板样本信号,提取出MFCC系数。
提取MFCC系数,信号采样率12000Hz,采用海明窗,预加重系数0.93,采用8个三角滤波器,每帧长32点,重叠16点。
二、自适应双阈值,具体流程包括以下:
首先取1s原始信号,进行预处理,包括去直流,以及进行50-2500Hz的滤波,得到较为纯净的肠鸣音信号。
然后进行信号的希尔伯特包络,为了降低计算量及信号的平滑程度,首先对信号进行降采样,得到新的原始数据,基于此计算希尔伯特包。并基于此包络进行平滑,得到较为光滑的包络数据P1(n),然后将此数据进行差分。
P2(n)=P1(n)-P1(n-1)
最后基于P2(n)进行自适应双阈值的判断,首先是起点的判断,信号满足后一个点大于前一个点,并持续三个点,并且第一个点需要满足大于信号包络及差分包络的均值,即为起点,然后终点为大于后一个点并持续三个点即为终点。
三、第一重特征判断
首先计算特征信号片段的方差:
N为数据长度,μ为数据均值;
然后继续特征信号峰值参数:
Q=d_max/(mean(sqrt(abs(data3)))^2),
abs为取信号数据的绝对值,sqrt取数据开方,mean为计算信号的均值,d_max为信号幅度最大值。
然后计算特征信号的功率占比:
基于此段信号进行FFT傅里叶变换得到频谱y,
计算60hz~800hz频率范围的幅度功率和P60~800hz,
计算此段信号的总功率Psum,
计算功率占比Pratio=P60~800hz/Psum;
四、基于MFCC的DTW模板匹配计算:
首先计算疑似信号的MFCC系数,然后匹配模板信号MFCC系数向量qi和疑似信号MFCC系数ci的点间距离矩阵,计算公式如下:
d(qi,cj)=∑(qi-cj).^2
计算模板和疑似信号的距离矩阵,分别计算单个模板和疑似信号的最小累计距离之和,计算公式如下:
r(i,j)=d(qi,cj)+min{r(i-1,j-1),r(i-1,j),r(i,j-1)}
基于N个模板得到最小距离对应模板相应的阈值参数:疑似信号在经验距离内,并且和对应模板距离最小的模板即为肠鸣音,及对应的肠鸣音类别。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.基于自适应双阈值的肠鸣音智能识别算法,其特征在于,包括以下步骤:
步骤一、利用采集器拾音头采集患者胃肠部位的声音信号d(n),并对其进行预处理,得到预处理后的信号X(n),预处理过程包括去直流和滤波处理;
步骤二、计算得到信号X(n)的希尔伯特包络P及差分包络P1,并基于希尔伯特包络P和差分包络P1的自适应阈值找出特征信号的起始点及终点,提取特征信号;
步骤三、对特征信号进行处理,得到其时频特征,时频特征包括时域信号特征及频域信号特征,时域信号特征分别为特征信号片段的方差和峰值特征,频域信号特征为特定频率功率占比的特征,根据时频特征判定特征信号是否为肠鸣音疑似信号,若判定为疑似信号,则进行下一步计算;
步骤四、对判定的疑似信号进行处理,计算得到疑似信号的MFCC系数;
步骤五、将疑似信号的MFCC系数与预先准备好的模板信号的MFCC系数进行计算,得到疑似信号和模板信号MFCC系数的匹配距离;
步骤六、确定距离阈值,将步骤五得到的匹配距离与距离阈值进行对比,根据对比结果判定疑似信号是否为肠鸣音信号,若判定为肠鸣音信号则进行统计显示。
2.根据权利要求1所述的基于自适应双阈值的肠鸣音智能识别算法,其特征在于,步骤一中对声音信号d(n)的预处理过程包括:对声音信号d(n)进行去直流和滤波处理,滤波范围控制在30Hz-2500Hz的频率范围内。
3.根据权利要求1所述的基于自适应双阈值的肠鸣音智能识别算法,其特征在于,步骤二中对信号X(n)的计算处理过程为:首先基于1s信号片段,降采样,每隔10点采样一次,然后采用希尔伯特变换计算采样信号的包络P,并得到此包络P后,进行平滑,然后差分得到包络P的差分包络P1,然后基于包络P的自适应阈值和差分包络P1的自适应阈值,设定希尔伯特包络阈值和差分包络阈值,当采样信号中后一个数据点的值大于对应设定阈值且大于前一数据点的值,则持续到第三个点即为起始点,终点要求希尔伯特包络小于其均值,差分包络小于0,且持续三个点小于前一个点的值,则第三个点即为终点。
4.根据权利要求1所述的基于自适应双阈值的肠鸣音智能识别算法,其特征在于,步骤三中疑似信号的判定过程为:计算出特征信号片段的方差大于、峰值特征大于设定阈值,并且计算出特征信号在60Hz-800Hz区间功率占总功率的比大于特定阈值0.98,则判定特征信号为肠鸣音疑似信号。
5.根据权利要求1所述的基于自适应双阈值的肠鸣音智能识别算法,其特征在于,步骤四中计算疑似信号的MFCC系数的过程包括预加重、分帧和加窗,其中窗函数可采用海明窗或汉宁窗。
6.根据权利要求1所述的基于自适应双阈值的肠鸣音智能识别算法,其特征在于,在步骤五中计算疑似信号和模板信号MFCC系数的匹配距离时,采用DTW算法计算得到疑似信号和模板信号MFCC系数间的最小距离即为匹配距离。
7.根据权利要求6所述的基于自适应双阈值的肠鸣音智能识别算法,其特征在于,在步骤六中,当匹配距离大于距离阈值时,判定疑似信号为肠鸣音信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910380717.6A CN110179492B (zh) | 2019-05-08 | 2019-05-08 | 基于自适应双阈值的肠鸣音智能识别算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910380717.6A CN110179492B (zh) | 2019-05-08 | 2019-05-08 | 基于自适应双阈值的肠鸣音智能识别算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110179492A true CN110179492A (zh) | 2019-08-30 |
CN110179492B CN110179492B (zh) | 2021-12-14 |
Family
ID=67715806
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910380717.6A Active CN110179492B (zh) | 2019-05-08 | 2019-05-08 | 基于自适应双阈值的肠鸣音智能识别算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110179492B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118370556A (zh) * | 2024-06-21 | 2024-07-23 | 长春理工大学 | 一种肠鸣音智能监测腰腹带及其数据处理系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6776766B2 (en) * | 1996-04-03 | 2004-08-17 | Rush-Presbyterian-St. Luke's Medical Center | Method and apparatus for characterizing gastrointestinal sounds |
CN203555751U (zh) * | 2013-11-08 | 2014-04-23 | 中国人民解放军成都军区总医院 | 一种基于时频分析的腹部肠鸣音分析仪系统 |
CN105078435A (zh) * | 2014-04-24 | 2015-11-25 | 重庆融海超声医学工程研究中心有限公司 | 一种胎心音信号检测与处理装置 |
US20160199020A1 (en) * | 2015-01-09 | 2016-07-14 | Chimei Medical Center | Bowel sound analysis method and system |
US9433365B1 (en) * | 2012-07-26 | 2016-09-06 | National Yang-Ming University | System and method for indentifying rotors in fractionated signals in persistent atrial fibrillation ablation |
CN106075340A (zh) * | 2016-07-11 | 2016-11-09 | 李娜 | 治疗骨关节炎的中药组合物及治疗骨关节炎的中药贴 |
CN106251880A (zh) * | 2015-06-03 | 2016-12-21 | 创心医电股份有限公司 | 识别生理声音的方法以及系统 |
CN106328150A (zh) * | 2016-08-18 | 2017-01-11 | 北京易迈医疗科技有限公司 | 嘈杂环境下的肠鸣音检测方法、装置及系统 |
CN107693004A (zh) * | 2017-09-05 | 2018-02-16 | 广东工业大学 | 基于hilbert变换的胎儿心电提取与胎儿心率识别方法 |
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 |
CN109620154A (zh) * | 2018-12-21 | 2019-04-16 | 平安科技(深圳)有限公司 | 基于深度学习的肠鸣音识别方法及相关装置 |
-
2019
- 2019-05-08 CN CN201910380717.6A patent/CN110179492B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6776766B2 (en) * | 1996-04-03 | 2004-08-17 | Rush-Presbyterian-St. Luke's Medical Center | Method and apparatus for characterizing gastrointestinal sounds |
US9433365B1 (en) * | 2012-07-26 | 2016-09-06 | National Yang-Ming University | System and method for indentifying rotors in fractionated signals in persistent atrial fibrillation ablation |
CN203555751U (zh) * | 2013-11-08 | 2014-04-23 | 中国人民解放军成都军区总医院 | 一种基于时频分析的腹部肠鸣音分析仪系统 |
CN105078435A (zh) * | 2014-04-24 | 2015-11-25 | 重庆融海超声医学工程研究中心有限公司 | 一种胎心音信号检测与处理装置 |
US20160199020A1 (en) * | 2015-01-09 | 2016-07-14 | Chimei Medical Center | Bowel sound analysis method and system |
CN106251880A (zh) * | 2015-06-03 | 2016-12-21 | 创心医电股份有限公司 | 识别生理声音的方法以及系统 |
CN106075340A (zh) * | 2016-07-11 | 2016-11-09 | 李娜 | 治疗骨关节炎的中药组合物及治疗骨关节炎的中药贴 |
CN106328150A (zh) * | 2016-08-18 | 2017-01-11 | 北京易迈医疗科技有限公司 | 嘈杂环境下的肠鸣音检测方法、装置及系统 |
CN107693004A (zh) * | 2017-09-05 | 2018-02-16 | 广东工业大学 | 基于hilbert变换的胎儿心电提取与胎儿心率识别方法 |
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 |
CN109620154A (zh) * | 2018-12-21 | 2019-04-16 | 平安科技(深圳)有限公司 | 基于深度学习的肠鸣音识别方法及相关装置 |
Non-Patent Citations (4)
Title |
---|
GARY ALLWOOD,ET AL: "Advances in Acoustic Signal Processing Techniques for Enhanced Bowel Sound Analysis", 《IEEE REVIEWS IN BIOMEDICAL ENGINEERING》 * |
H. A. MANSY,R.H. SANDIER: "Detection and analysis of gastrointestinal sounds in normal and small bowel obstructed rats", 《MEDICAL & BIOLOGICAL ENGINEERING & COMPUTING 2000》 * |
刘伟: "基于Android平台的心音身份识别系统", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
李欢: "肠鸣音数据采集及其特征提取方法", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118370556A (zh) * | 2024-06-21 | 2024-07-23 | 长春理工大学 | 一种肠鸣音智能监测腰腹带及其数据处理系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110179492B (zh) | 2021-12-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102543063B (zh) | 基于说话人分割与聚类的多说话人语速估计方法 | |
CN106297770B (zh) | 基于时频域统计特征提取的自然环境声音识别方法 | |
CN105976809B (zh) | 基于语音和面部表情的双模态情感融合的识别方法及系统 | |
CN102034288B (zh) | 基于多生物特征识别的智能门禁系统 | |
CN105679312B (zh) | 一种噪声环境下声纹识别的语音特征处理方法 | |
Xie et al. | Acoustic classification of australian anurans using syllable features | |
CN104078039A (zh) | 基于隐马尔科夫模型的家用服务机器人语音识别系统 | |
WO2019232848A1 (zh) | 语音区分方法、装置、计算机设备及存储介质 | |
WO2018095167A1 (zh) | 声纹识别方法和声纹识别系统 | |
CN103077728A (zh) | 一种病人虚弱语音端点检测方法 | |
CN106910495A (zh) | 一种应用于异常声音检测的音频分类系统和方法 | |
CN110176250A (zh) | 一种基于局部学习的鲁棒声学场景识别方法 | |
CN110942784A (zh) | 基于支持向量机的鼾声分类系统 | |
Jaafar et al. | Automatic syllables segmentation for frog identification system | |
CN113345443A (zh) | 基于梅尔频率倒谱系数的海洋哺乳动物发声检测识别方法 | |
CN112466276A (zh) | 一种语音合成系统训练方法、装置以及可读存储介质 | |
CN112786054A (zh) | 基于语音的智能面试评估方法、装置、设备及存储介质 | |
CN105916090A (zh) | 一种基于智能化语音识别技术的助听器系统 | |
CN110179492A (zh) | 基于自适应双阈值的肠鸣音智能识别算法 | |
CN110335613B (zh) | 一种采用拾音器实时探测的鸟类识别方法 | |
CN117079673B (zh) | 一种基于多模态人工智能的智能情绪识别方法 | |
CN111785262B (zh) | 一种基于残差网络及融合特征的说话人年龄性别分类方法 | |
CN112837704A (zh) | 一种基于端点检测的语音背景噪声识别方法 | |
CN107822627B (zh) | 一种基于脑电信号的眼动信号识别方法 | |
CN111862991A (zh) | 一种婴儿哭声的识别方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |