CN110327055A - 一种基于高阶谱和卷积神经网络的心冲击信号的分类方法 - Google Patents
一种基于高阶谱和卷积神经网络的心冲击信号的分类方法 Download PDFInfo
- Publication number
- CN110327055A CN110327055A CN201910690101.9A CN201910690101A CN110327055A CN 110327055 A CN110327055 A CN 110327055A CN 201910690101 A CN201910690101 A CN 201910690101A CN 110327055 A CN110327055 A CN 110327055A
- Authority
- CN
- China
- Prior art keywords
- convolutional neural
- signal
- bispectrum
- neural networks
- heart impact
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1102—Ballistocardiography
-
- 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
- A61B5/7253—Details of waveform analysis characterised by using transforms
-
- 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
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
-
- 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
Abstract
本发明公开了一种基于高阶谱和卷积神经网络的心冲击信号的分类方法,步骤为:S1、获取数据集训练样本;S2、采用切比雪夫和小波变换的滤波方法对步骤S1获得的数据集训练样本进行去噪预处理,得到纯净的心冲击信号;S3、对步骤S2得到的心冲击信号进行高阶谱特征分析,得到信号的幅值和相位的特征信息;S4、构建卷积神经网络模型,将步骤S3得到的特征信息,作为卷积神经网络模型的输入,得到分类结果。该方法利用高阶谱具有时移不变性、尺度变化性和相位保持性进行特征提取得到特征以保留更多的信号信息,还能够抑制高斯有色噪声,从而提升心冲击信号分类的性能;同时,该方法具有更好的泛化性能,并有效解决了高阶谱谱应用的二维模板匹配问题。
Description
技术领域
本发明涉及深度学习的生理信号分类领域,具体涉及一种基于高阶谱和卷积神经网络的心冲击信号的分类方法。
背景技术
国家心血管病中心最新发布的《中国心血管病报告》指出,中国约有超过20%的人患有不同程度的心血管病,且心血管病的致死率一直高于包括肿瘤在内的其他疾病。寻找一种无创的家庭心脏监护方法,对心脏状态进行院外持续监测,并提前预警心脏异常,对慢性心脏疾病进行早期干预和治疗可大大降低突发心脏病造成的风险和损失。
心冲击信号可以描述心脏收缩与血液喷射对血管产生的冲击力引起身体的微小振动,是一种可实现非接触式采集的心脏机械信号。BCG信号的时域和频域特征,包含了大量与人体健康状态有关的信息,包括心率、呼吸、睡眠状态以及突发性的心脏异常活动。在日常生活中,可借助体重计、床、椅子甚至可使用穿戴方式采集心冲击信号,方便有效且成本较低,信号采集过程中无需医护人员操作,减少受试者的焦虑,可在放松状态下准确反映心血管血管系统的工作状态。
信号双谱是一种信号高阶统计量,由于其完整地保留了信号的幅度、频率和相位等信息,具有时移不变性、尺度变化性和相位保持性等特性,并能够抑制高斯有色噪声,所以被广泛应用于信号特征提取。
现有的分类技术可大致分为两类,即基于传统机器学习的分类方法和基于深度学习的分类方法,前者主要采用支持向量机、一近邻和模糊网络识别等方法。虽然取得了一定的成效,但不利于在大数据环境下使用且精度有待提升。后者主要采用一些神经网络模型进行分类,如神经网络、卷积神经网络等,其中有学者采用卷积神经网络的方式完成分类。卷积神经网络连接稀疏,卷积核参数共享,减小了模型存储容量,统计效率高。
发明内容
本发明的目的在于解决样本数量不稳定或者样本数量较少时,也能较好完成数据分类,提出了一种基于高阶谱和卷积神经网络的心冲击信号的分类方法。该方法提供了一种能够避免提取出的特征对噪声敏感的问题,以及解决传统方法必须对信号特征点进行精准定位的难题,并确保提取到高质量的信号特征,获得较好的分类效果的方法。
实现本发明目的的技术方案是:
一种基于高阶谱和卷积神经网络的心冲击信号的分类方法,其特征在于,包括如下步骤:
S1、获取数据集训练样本;
S2、采用切比雪夫和小波变换的滤波方法对步骤S1获得的数据集训练样本进行去噪预处理,得到纯净的心冲击信号;
S3、对步骤S2得到的心冲击信号进行高阶谱特征分析,得到信号的幅值和相位的特征信息;
S4、构建卷积神经网络模型,将步骤S3得到的特征信息,作为卷积神经网络模型的输入,得到分类结果。
步骤S1中,所述的数据集训练样本,是运用设计的心冲击信号硬件采集电路采集,采用美国MEAS研制的镀银聚偏二氟乙烯(Polyvinylidene Fluoride,PVDF)压电薄膜作为采集BCG信号的传感器。
步骤S2中,所述的预处理,包括如下步骤:
S2-1、采用切比雪夫滤波器对数据集训练样本滤波,具体是采用截止频率为0.75Hz的高通滤波器消除呼吸趋势项,采用截止频率为30Hz的低通滤波器消除电路中产生的高频电磁噪声,采用50Hz陷波滤波器消除工频干扰,得到切比雪夫滤波后的信号;
S2-2、小波变换:首先选择sym8小波基对切比雪夫滤波后的信号进行6阶小波变换,然后根据不同信号的特点,采用软硬阈值折衷法阈值函数,最后重构经过阈值处理的小波系数,获得较为纯净的信号。
步骤S3中,所述的高阶谱特征分析,也就是双谱估计方法,包括如下步骤:
S3-1、对心冲击信号进行双谱分析运算,双谱定义为:
上式就是对随机变量x的3阶累计量c3x,再进行傅里叶变换得到3阶累积量谱Bx(ω1,ω2)。其中ω是圆频率,圆频率是一秒钟转过的弧度数,且ω=2πf,f为信号频率,τ为信号周期,傅里叶变换定义为
S3-2、对步骤S3-1定义的双谱进行双谱估计,双谱估计方法包括参数法和非参数法,非参数法中包含双谱直接估计法和双谱间接估计法,直接法的具体流程如下:
S3-2-1、将输入的心冲击信号分成K段,以BCG的采集频率2000的倍数截取;
S3-2-2、先估计各段心冲击信号的Fourier序列,再计算各段心冲击信号的三阶累积量的估计值,取估计值的平均值作为实验数据组;
S3-2-3、在matlab上编程得到心冲击信号的双谱三维图,分析谱峰值的集中与分散程度;
S3-3、从步骤S3-1的双谱定义式中,得出双谱为复值函数,具有幅值和相位,将幅值和相位的作为分类的特征。
步骤S3-2中,所述的双谱估计,最优窗选择64,双谱输出为128×128大小的矩阵,根据双谱对称性质,取其左上角64×64大小的矩阵表示双谱特性,并分别计算双谱的幅度值和相位值。
步骤S4中,所述的输入,是以双谱的幅度值和相位值生成的矩阵作为卷积神经网络的输入,输入前对信号的双谱特征进行能量归一化处理,并设置标签标注信号所属的类别,得到用于网络训练和测试的数据集,在用于网络训练和测试的数据集中随机抽取每种信号总量的1/4样本作为训练集,余下的样本作为测试样本。
步骤S4中,所述的卷积神经网络模型为一维卷积神经网络模型,网络框架包括:一个输入层,两个卷积层,两个池化层,一个全连接层,一个输出层,优化一维卷积神经网络模型,优化参数为:
(1)优化卷积核的尺寸;
(2)在卷积核尺寸参数确定的条件下,设置不同的学习率;
(3)在卷积核尺寸、学习率等参数确定的条件下,设置迭代次数和批量大小。
有益效果:本发明提供的一种基于高阶谱和卷积神经网络的心冲击信号的分类方法,有如下优点:
第一,采用先切比雪夫滤波器在小波变换滤波两者融合的方法完成一维心冲击信号的去噪处理,得到较为纯净的信号,避免了提取出的特征对噪声敏感的问题;
第二,对心冲击信号进行双谱分析,完整地保留了信号的幅度、频率和相位等信息,具有时移不变性、尺度变化性和相位保持性等特性,并能够抑制高斯有色噪声。
第三,构建并优化了面向心电信号的一维卷积神经网络模型,该算法在训练过程中,网络能够以很快的速度收敛,而且提高了多种心律失常识别的准确率。利用本发明的方法,能够提高分类结果的准确率,对于医疗辅助检测心律失常很有帮助。
附图说明
图1为本发明的一种基于高阶谱和卷积神经网络的心冲击信号的分类方法的流程图;
图2为数据样本获取的硬件电路图;
图3为去噪效果图;
图4为健康和不健康人的双谱估计的三维图;
图5为健康和不健康人的的双谱幅值特征图;
图6为健康和不健康人的的双谱相位特征图;
图7为构建的一维卷积神经网络模型图;
具体实施方式
下面结合附图和实施例对本发明做进一步阐述,但不是对本发明的限定。
实施例:
如图1所示,一种基于高阶谱和卷积神经网络的心冲击信号的分类方法,包括如下步骤:
一种基于高阶谱和卷积神经网络的心冲击信号的分类方法,其特征在于,包括如下步骤:
S1、获取数据集训练样本;
S2、采用切比雪夫和小波变换的滤波方法对步骤S1获得的数据集训练样本进行去噪预处理,得到纯净的心冲击信号;
S3、对步骤S2得到的心冲击信号进行高阶谱特征分析,得到信号的幅值和相位的特征信息;
S4、构建卷积神经网络模型,将步骤S3得到的特征信息,作为卷积神经网络模型的输入,得到分类结果。
步骤S1中,所述的数据集训练样本,运用设计的心冲击信号硬件采集电路采集,数据样本获取的硬件电路图如图2所示,采用美国MEAS研制的PVDF压电薄膜作为采集BCG信号的传感器。
步骤S2中,所述的预处理,包括如下步骤:
S2-1、采用切比雪夫滤波器对数据集训练样本滤波,具体是采用截止频率为0.75Hz的高通滤波器消除呼吸趋势项,采用截止频率为30Hz的低通滤波器消除电路中产生的高频电磁噪声,采用50Hz陷波滤波器消除工频干扰,得到切比雪夫滤波后的信号;
S2-2、小波变换:首先选择sym8小波基对切比雪夫滤波后的信号进行6阶小波变换,然后根据不同信号的特点,采用软硬阈值折衷法阈值函数,最后重构经过阈值处理的小波系数,获得较为纯净的信号;去噪后的效果图如图3所示。
步骤S3中,所述的高阶谱特征分析,包括如下步骤:
S3-1、对心冲击信号进行双谱分析运算,双谱定义的具体推导如下:
S3-1-1、设x1,x2,...,x3为k个随机变量,它们的第一联合特征函数:
φ(ω1,...,ωk)=E{exp[j(ω1x1+...+ωkxk)]} (1)
然后对φ(w1,...,wk)的w1,...,wk求r阶偏导,可得这k个随机变量的r阶矩为:
其次,将累积量生成函数定义为:
S3-1-2、令r1=...=rk=1,就可以得到k个随机变量x1,x2,...xk的k阶高阶矩mkx(τ1,...,τk-1),k阶矩谱可以定义成为k阶矩k-1维傅里叶变换,即:
S3-1-3、再设k个随机变量x1,x2,...xk的k阶累计量分别为:
再对k阶累积量的k-1维傅里叶变换得到k阶累积量谱,即:
通常把高阶累计量谱简称高阶谱,也叫多谱,最常用的高阶谱是三阶谱与四阶谱。对如上的k阶累积量谱取三阶累积量谱,得出双谱的定义如式:
|ω1|≤π,|ω2|≤π,|ω1+ω2|≤π (7)
上式就是对随机变量x的3阶累计量c3x,再进行傅里叶变换得到3阶累积量谱Bx(ω1,ω2)。其中ω是圆频率,圆频率是一秒钟转过的弧度数,且ω=2πf,f为信号频率,τ为信号周期,傅里叶变换定义为
S3-2、对步骤S3-1定义的双谱进行双谱估计,双谱估计方法包括参数法和非参数法,非参数法中包含双谱直接估计法和双谱间接估计法,两种方法的具体流程如下:
直接法:
S3-2-1-a、将心冲击信号分成K段,以BCG的采集频率2000的倍数截取,每段包含M个观测样本,即N=KM,每段数据需要减去该段均值,数据长度不够时在每段数据末增添0,以满足一个FFT通用长度的要求;
S3-2-1-b、计算DFT系数:
其中,{y(i)(n),n=1,2,…,M-1}是第i段数据;
S3-2-1-c、计算DFT系数的三重相关:
其中,0≤λ2≤λ1,λ2+λ1≤fs/2,且N0和L1应满足关系式M=(2L1+1)N0;
S3-2-1-d、将K段双谱估计的平均值即为所给数据的双谱估计,即
式子中
间接法:
S3-2-2-a、将数据x(1),x(2),…,x(N)分成K段,每段有M个样本,并且减去各自的均值;
S3-2-2-b、设{x(i)(n),n=1,2,…,M-1}是第i段数据,估计各段的三阶累积量值:
式子中,M1=max(0,l-k),M2=min(M-1,M-1-l,M-1-k),此式子利用了三阶累积量的对称性;
S3-2-2-c、求取所有3阶累积量的均值,就是整个观测数据的组的三阶累积量估计值,如下式所示:
S3-2-2-d、利用双谱的对称性,产生双谱估计值:
式子中,L<M-1,其中ω(l,k)是二维窗函数。
S3-2-3、本发明选用的是直接法,具体过程如下:
(a)将输入的心冲击信号分成K段,以BCG的采集频率2000的倍数截取;
(b)先估计各段心冲击信号的Fourier序列,再计算各段心冲击信号的三阶累积量的估计值,取估计值的平均值作为实验数据组;
(c)在matlab上编程得到心冲击信号的双谱三维图,分析谱峰值的集中与分散程度,健康和不健康人的双谱估计的三维图如图4所示,从图中可以看出,健康人的主峰幅度明显高于有心脏病的人,因为健康者的心脏动力强,能量高;
S3-3、从步骤S3-1的双谱定义式中,得出双谱为复值函数,具有幅值和相位,将幅值和相位的作为分类的特征;以一个健康人和有心脏异常的人为例,画出他们的幅值和相位图,如图5和图6所示,图中可以看出,健康人的的幅值高于不健康人的幅值,健康人的相位由负值到正值的变化,而不健康人的相位由正值到负值的变化。两者间的变化说明高阶谱特征可以作为分类的一个特征。
步骤S3-2中,所述的双谱估计,最优窗选择64,双谱输出为128×128大小的矩阵,根据双谱对称性质,取其左上角64×64大小的矩阵表示双谱特性,并分别计算双谱的幅度值和相位值。
步骤S4中,所述的输入,是以双谱的幅度值和相位值生成的矩阵作为卷积神经网络的输入,输入前对信号的双谱特征进行能量归一化处理,并设置标签标注信号所属的类别,得到用于网络训练和测试的数据集,在用于网络训练和测试的数据集中随机抽取每种信号总量的1/4样本作为训练集,余下的样本作为测试样本。
步骤S4中,所述的卷积神经网络模型为一维卷积神经网络模型,模型图如图7所示,网络框架包括:一个输入层,两个卷积层,两个池化层,一个全连接层,一个输出层;第一层卷积层设置outputmaps=5,kernelsize=35,actv=relu,第二层池化层设置scale=5,pool=mean,第三层卷积层设置outputmaps=10,kernelsize=9,actv=relu,第四层池化层设置scale=3,pool=mean,第五层输出层设置output=softmax。
优化一维卷积神经网络模型,优化参数为:
(1)在卷积核尺寸参数确定的条件下,设置不同的学习率,最终确定学习率为0.06;
(2)在卷积核尺寸、学习率等参数确定的条件下,设置迭代次数和批量大小,最终确定批量大小为10,迭代次数为200次。
Claims (7)
1.一种基于高阶谱和卷积神经网络的心冲击信号的分类方法,其特征在于,包括如下步骤:
S1、获取数据集训练样本;
S2、采用切比雪夫和小波变换的滤波方法对步骤S1获得的数据集训练样本进行去噪预处理,得到纯净的心冲击信号;
S3、对步骤S2得到的心冲击信号进行高阶谱特征分析,得到信号的幅值和相位的特征信息;
S4、构建卷积神经网络模型,将步骤S3得到的特征信息,作为卷积神经网络模型的输入,得到分类结果。
2.根据权利要求1所述的一种基于高阶谱和卷积神经网络的心冲击信号的分类方法,其特征在于,步骤S1中,所述的数据集训练样本,是运用设计的心冲击信号硬件采集电路采集,采用美国MEAS研制的PVDF压电薄膜作为采集BCG信号的传感器。
3.根据权利要求1所述的一种基于高阶谱和卷积神经网络的心冲击信号的分类方法,其特征在于,步骤S2中,所述的预处理,包括如下步骤:
S2-1、采用切比雪夫滤波器对数据集训练样本滤波,具体是采用截止频率为0.75Hz的高通滤波器消除呼吸趋势项,采用截止频率为30Hz的低通滤波器消除电路中产生的高频电磁噪声,采用50Hz陷波滤波器消除工频干扰,得到切比雪夫滤波后的信号;
S2-2、小波变换:首先选择sym8小波基对切比雪夫滤波后的信号进行6阶小波变换,然后根据不同信号的特点,采用软硬阈值折衷法阈值函数,最后重构经过阈值处理的小波系数,获得较为纯净的信号。
4.根据权利要求1所述的一种基于高阶谱和卷积神经网络的心冲击信号的分类方法,其特征在于,步骤S3中,所述的高阶谱特征分析,也就是双谱,包括如下步骤:
S3-1、对心冲击信号进行双谱分析运算,双谱定义为:
上式就是对随机变量x的3阶累计量c3x,再进行傅里叶变换得到3阶累积量谱Bx(ω1,ω2)。其中ω是圆频率,圆频率是一秒钟转过的弧度数,且ω=2πf,f为信号频率,τ为信号周期,傅里叶变换定义为
S3-2、对步骤S3-1定义的双谱进行双谱估计,双谱估计方法包括参数法和非参数法,非参数法中包含双谱直接估计法和双谱间接估计法,直接法的具体流程如下:
S3-2-1、将输入的心冲击信号分成K段,以BCG信号采集频率2000的倍数截取;
S3-2-2、先估计各段心冲击信号的Fourier序列,再计算各段心冲击信号的三阶累积量的估计值,取估计值的平均值作为实验数据组;
S3-2-3、在matlab上编程得到心冲击信号的双谱三维图,分析谱峰值的集中与分散程度;
S3-3、从步骤S3-1的双谱定义式中,得出双谱为复值函数,具有幅值和相位,可以将幅值和相位的作为分类的特征。
5.根据权利要求4所述的一种基于高阶谱和卷积神经网络的心冲击信号的分类方法,其特征在于,步骤S3-2中,所述的双谱估计,最优窗选择64,双谱输出为128×128大小的矩阵,根据双谱对称性质,取其左上角64×64大小的矩阵表示双谱特性,并分别计算双谱的幅度值和相位值。
6.根据权利要求1所述的一种基于高阶谱和卷积神经网络的心冲击信号的分类方法,其特征在于,步骤S4中,所述的输入,是以双谱的幅度值和相位值生成的矩阵作为卷积神经网络的输入,输入前对信号的双谱特征进行能量归一化处理,并设置标签标注信号所属的类别,得到用于网络训练和测试的数据集,在用于网络训练和测试的数据集中随机抽取每种信号总量的1/4样本作为训练集,余下的样本作为测试样本。
7.根据权利要求1所述的一种基于高阶谱和卷积神经网络的心冲击信号的分类方法,其特征在于,步骤S4中,所述的卷积神经网络模型为一维卷积神经网络模型,网络框架包括:一个输入层,两个卷积层,两个池化层,一个全连接层,一个输出层,优化一维卷积神经网络模型,优化参数为:
(1)优化卷积核的尺寸;
(2)在卷积核尺寸参数确定的条件下,设置不同的学习率;
(3)在卷积核尺寸、学习率等参数确定的条件下,设置迭代次数和批量大小。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910690101.9A CN110327055A (zh) | 2019-07-29 | 2019-07-29 | 一种基于高阶谱和卷积神经网络的心冲击信号的分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910690101.9A CN110327055A (zh) | 2019-07-29 | 2019-07-29 | 一种基于高阶谱和卷积神经网络的心冲击信号的分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110327055A true CN110327055A (zh) | 2019-10-15 |
Family
ID=68147898
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910690101.9A Pending CN110327055A (zh) | 2019-07-29 | 2019-07-29 | 一种基于高阶谱和卷积神经网络的心冲击信号的分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110327055A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110659629A (zh) * | 2019-10-09 | 2020-01-07 | 哈尔滨工业大学 | 一种基于双谱和深度卷积神经网络的微弱x射线脉冲星信号辨识方法 |
CN111568409A (zh) * | 2020-04-27 | 2020-08-25 | 南京航空航天大学 | 基于双谱分析和图傅里叶变换的心电信号特征提取方法 |
CN112087774A (zh) * | 2020-09-14 | 2020-12-15 | 桂林电子科技大学 | 一种基于残差神经网络的通信辐射源个体识别方法 |
CN112617849A (zh) * | 2020-12-31 | 2021-04-09 | 山西三友和智慧信息技术股份有限公司 | 一种基于cnn+lstm的心房颤动检测与分类方法 |
CN113542171A (zh) * | 2021-07-12 | 2021-10-22 | 湖南大学 | 一种基于cnn和组合高阶谱图像的调制样式识别方法和系统 |
CN114376521A (zh) * | 2021-12-27 | 2022-04-22 | 天翼云科技有限公司 | 一种睡眠状态识别模型训练、睡眠分期方法及装置 |
CN114881093A (zh) * | 2022-07-05 | 2022-08-09 | 北京理工大学 | 一种信号分类识别方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010060153A1 (en) * | 2008-11-28 | 2010-06-03 | The University Of Queensland | A method and apparatus for determining sleep states |
CN106681961A (zh) * | 2015-11-09 | 2017-05-17 | 三星电子株式会社 | 信号特征提取方法和设备 |
CN108606798A (zh) * | 2018-05-10 | 2018-10-02 | 东北大学 | 基于深度卷积残差网络的非接触式房颤智能检测系统 |
CN109961017A (zh) * | 2019-02-26 | 2019-07-02 | 杭州电子科技大学 | 一种基于卷积循环神经网络的心音信号分类方法 |
-
2019
- 2019-07-29 CN CN201910690101.9A patent/CN110327055A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010060153A1 (en) * | 2008-11-28 | 2010-06-03 | The University Of Queensland | A method and apparatus for determining sleep states |
CN106681961A (zh) * | 2015-11-09 | 2017-05-17 | 三星电子株式会社 | 信号特征提取方法和设备 |
CN108606798A (zh) * | 2018-05-10 | 2018-10-02 | 东北大学 | 基于深度卷积残差网络的非接触式房颤智能检测系统 |
CN109961017A (zh) * | 2019-02-26 | 2019-07-02 | 杭州电子科技大学 | 一种基于卷积循环神经网络的心音信号分类方法 |
Non-Patent Citations (4)
Title |
---|
ZIMIN WANG, LI ZENG, YUMENG WANG, MAN WANG: "A Method of Feature Extraction for BCG Signal Based on Wavelet and Bispectrum", 《2018 7TH INTERNATIONAL CONFERENCE ON DIGITAL HOME》 * |
王子民,王曼,刘振丙,伍锡如: "基于高阶统计量的BCG信号特性分析", 《桂林电子科技大学学报》 * |
王曼: "基于高阶统计量的 BCG 信号特征分析与识别", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 * |
金晶晶: "心冲击信号的无感觉检测与分析方法研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110659629A (zh) * | 2019-10-09 | 2020-01-07 | 哈尔滨工业大学 | 一种基于双谱和深度卷积神经网络的微弱x射线脉冲星信号辨识方法 |
CN111568409A (zh) * | 2020-04-27 | 2020-08-25 | 南京航空航天大学 | 基于双谱分析和图傅里叶变换的心电信号特征提取方法 |
CN112087774A (zh) * | 2020-09-14 | 2020-12-15 | 桂林电子科技大学 | 一种基于残差神经网络的通信辐射源个体识别方法 |
CN112087774B (zh) * | 2020-09-14 | 2023-04-18 | 桂林电子科技大学 | 一种基于残差神经网络的通信辐射源个体识别方法 |
CN112617849A (zh) * | 2020-12-31 | 2021-04-09 | 山西三友和智慧信息技术股份有限公司 | 一种基于cnn+lstm的心房颤动检测与分类方法 |
CN113542171A (zh) * | 2021-07-12 | 2021-10-22 | 湖南大学 | 一种基于cnn和组合高阶谱图像的调制样式识别方法和系统 |
CN114376521A (zh) * | 2021-12-27 | 2022-04-22 | 天翼云科技有限公司 | 一种睡眠状态识别模型训练、睡眠分期方法及装置 |
CN114881093A (zh) * | 2022-07-05 | 2022-08-09 | 北京理工大学 | 一种信号分类识别方法 |
CN114881093B (zh) * | 2022-07-05 | 2022-11-18 | 北京理工大学 | 一种信号分类识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110327055A (zh) | 一种基于高阶谱和卷积神经网络的心冲击信号的分类方法 | |
Li et al. | Classification of ECG signals based on 1D convolution neural network | |
CN110840402B (zh) | 一种基于机器学习的房颤信号识别方法及系统 | |
Acharya et al. | Automated characterization of coronary artery disease, myocardial infarction, and congestive heart failure using contourlet and shearlet transforms of electrocardiogram signal | |
CN106725428B (zh) | 一种心电信号分类方法及装置 | |
Kumar et al. | Investigating cardiac arrhythmia in ECG using random forest classification | |
Adam et al. | Automated characterization of cardiovascular diseases using relative wavelet nonlinear features extracted from ECG signals | |
CN111990989A (zh) | 一种基于生成对抗及卷积循环网络的心电信号识别方法 | |
CN104367316B (zh) | 基于形态学滤波与提升小波变换的心电信号去噪方法 | |
CN110619322A (zh) | 一种基于多流态卷积循环神经网络的多导联心电异常信号识别方法及系统 | |
CN114052744B (zh) | 基于脉冲神经网络的心电信号分类方法 | |
CN104840186A (zh) | 一种充血性心力衰竭患者自主神经功能的评估方法 | |
Khan et al. | Detection of dilated cardiomyopathy using pulse plethysmographic signal analysis | |
CN111887858A (zh) | 基于跨模态映射的心冲击图信号心率估计方法 | |
CN110226919A (zh) | 心电信号类型检测方法、装置、计算机设备及存储介质 | |
CN110110776A (zh) | 一种病人与健康人的静息态复数fMRI数据ICA-CNN分类框架 | |
CN111000551A (zh) | 一种基于深度卷积神经网络模型的心脏病发风险诊断方法 | |
Sabor et al. | Robust arrhythmia classification based on QRS detection and a compact 1D-CNN for wearable ECG devices | |
Keshavamurthy et al. | Review paper on denoising of ECG signal | |
Shi et al. | Automated atrial fibrillation detection based on feature fusion using discriminant canonical correlation analysis | |
Tseng et al. | Sliding large kernel of deep learning algorithm for mobile electrocardiogram diagnosis | |
Ganguly et al. | A non-invasive approach for fetal arrhythmia detection and classification from ecg signals | |
Gurve et al. | Deep learning of EEG time–frequency representations for identifying eye states | |
Ding-Fei et al. | Study of feature extraction based on autoregressive modeling in EGG automatic diagnosis | |
Jagannath et al. | A novel Bayesian deep learning methodology for enhanced foetal cardiac signal mining |
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: 20191015 |
|
RJ01 | Rejection of invention patent application after publication |