CN110580448A - 一种心音分类模型构建、分类方法及装置 - Google Patents
一种心音分类模型构建、分类方法及装置 Download PDFInfo
- Publication number
- CN110580448A CN110580448A CN201910725700.XA CN201910725700A CN110580448A CN 110580448 A CN110580448 A CN 110580448A CN 201910725700 A CN201910725700 A CN 201910725700A CN 110580448 A CN110580448 A CN 110580448A
- Authority
- CN
- China
- Prior art keywords
- heart sound
- frequency domain
- sound signal
- subset
- sequence
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- 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
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
- G06F2218/16—Classification; Matching by matching signal segments
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明公开了一种心音分类模型构建、分类方法及装置,本发明提供了一种与现有技术完全不同的心音分类模型构架,考虑到对象特点以及心音特点,设置了预分类网络对频域特征进行预分类,将频域特征预分类后的结果再与时域特征以及待检测对象的个体特征进行融合后再输入至再分类网络中,获得准确的分类结果,从而提高了心音分类模型构建的准确性,提高了心音分类的准确率。
Description
技术领域
本发明涉及心音分类方法及装置,具体涉及一种心音分类模型构建、分类方法及装置。
背景技术
现有技术中利用心音检测心脏或心血管异常的分析手段还很匮乏,并且在传统医院中检测的手段都太复杂或者代价太大(如冠心病检查的金标准手段血管照影相当于一次不小的手术)。
由于心音的采集过程具有偶发噪声以及被采集个体在采样的过程中身体紧张会导致心音采集的数据质量有较大变化,现有技术中的心音分类模型往往存在易于受噪声影响、同时缺少局部特征和全局特征的统筹考虑,会出现心音分类模型构建的不准确的问题,进而导致心音分类不准确的问题。
发明内容
本发明的目的在于提供一种心音分类模型构建、分类方法及装置,用以解决现有技术中的心音分类模型构建存在的缺少局部特征和全局特征的统筹考虑问题,从而导致分类准确率不高的问题。
为了实现上述任务,本发明采用以下技术方案:
一种心音分类模型构建方法,所述的方法按照以下步骤执行:
步骤1、获取多个对象的初始心音信号序列,获得初始心音信号集;
获取每一个对象的个体信息,获取个体信息集;
对所述初始心音信号集中的每一个初始心音信号序列进行标签标注,获得标签集,所述的标签包括正常心音以及非正常心音;
步骤2、对初始心音信号集中每一个初始心音信号序列进行预处理,获得预处理后的心音信号集;
所述预处理后的心音信号集中每一个预处理后的心音信号序列对应一个对象;
步骤3、从预处理后的心音信号集以及个体信息集中提取每一个对象的心音特征,获得心音特征集;
所述心音特征集包括频域特征子集、时域特征子集以及个体特征子集;
其中频域特征子集包括每一个对象的频域特征,所述的频域特征包括多个频域子数据;
步骤4、将所述的心音特征集作为输入,所述的标签集作为输出,训练神经网络;
所述的神经网络包括依次连接的预分类网络以及再分类网络;
所述的预分类网络用于对所述的频域特征子集中的每一个对象的多个频域子数据进行预分类,输出每一个对象的预分类结果子集;
所述的再分类网络用于输入所述的预分类结果子集、时域特征子集以及个体特征子集后进行分类,输出标签;
获得心音分类模型。
进一步地,所述的预分类网络包括依次设置的特征提取层、数据融合层、第一卷积层以及全连接层;
其中所述的特征提取层包括特征提取模块;
所述的特征提取模块包括依次设置的输入子模块、卷积子模块、激活子模块以及池化子模块;
其中所述的输入子模块用于对每一个对象的所有频域子数据进行预处理,获得预处理后的频域子数据;
所述卷积子模块、激活子模块以及池化子模块用于对预处理后的频域子数据进行预分类,输出每一个对象的预分类结果子集。
进一步地,所述的一个频域子数据包括4段频域序列,包括第一心音信号频域序列、第一心音至第二心音信号频域序列、第二心音信号频域序列以及第二心音至第一心音信号频域序列;
所述的特征提取层包括4个并行设置的特征提取模块,分别用于提取第一心音信号频域序列特征、第一心音至第二心音信号频域序列特征、第二心音信号频域序列特征以及第二心音至第一心音信号频域序列特征;
其中特征提取层中的输入子模块采用式I对第一心音信号频域序列、第一心音至第二心音信号频域序列、第二心音信号频域序列或第二心音至第一心音信号频域序列中的每一个频域值进行更新:
其中F′n为第一心音信号频域序列、第一心音至第二心音信号频域序列、第二心音信号频域序列或第二心音至第一心音信号频域序列中的第n个更新后的频域值,Fn为第一心音信号频域序列、第一心音至第二心音信号频域序列、第二心音信号频域序列或第二心音至第一心音信号频域序列中第n个频域值,n=1,2,……,N,N为正整数。
进一步地,所述的再分类网络包括依次设置的数据处理层、特征融合层、第二卷积层、激活层以及支持向量机分类器;
所述每一个对象的预分类结果子集为二进制数集;
所述的数据处理层用于将所述的预处理结果子集转换为频域特征输出子集其中Num0为预分类结果子集中的0的个数,Num1为预分类结果子集中的1的个数;
所述的特征融合层用于将频域特征输出子集、时域特征子集以及个体特征子集进行拼接,获得融合后的特征子集;
所述的第二卷积层、激活层以及支持向量机分类器用于对融合后的特征子集进行分类,输出标签。
一种心音分类方法,用于对待检测对象的初始心音信号序列进行分类,按照以下步骤执行:
步骤A、采用步骤1-3的方法获得待检测对象的心音特征;
步骤B、将所述的待检测对象的心音特征输入至获得的心音分类模型后,获得分类结果。
一种心音分类模型构建装置,所述的装置包括心音获得及标签模块、预处理模块、特征提取模块以及模型构建模块;
所述的心音获得及标签模块用于获取多个对象的初始心音信号序列,获得初始心音信号集;
获取每一个对象的个体信息,获取个体信息集;
对所述初始心音信号集中的每一个初始心音信号序列进行标签标注,获得标签集,所述的标签包括正常心音以及非正常心音;
所述的预处理模块用于对初始心音信号集中每一个初始心音信号序列进行预处理,获得预处理后的心音信号集;
所述预处理后的心音信号集中每一个预处理后的心音信号序列对应一个对象;
所述的特征提取模块用于从预处理后的心音信号集以及个体信息集中提取每一个对象的心音特征,获得心音特征集;
所述心音特征集包括频域特征子集、时域特征子集以及个体特征子集;
其中频域特征子集包括每一个对象的频域特征,所述的频域特征包括多个频域子数据;
所述的模型构建模块用于将所述的心音特征集作为输入,所述的标签集作为输出,训练神经网络;
所述的神经网络包括依次连接的预分类网络以及再分类网络;
所述的预分类网络用于对所述的频域特征子集中的每一个对象的多个频域子数据进行预分类,输出每一个对象的预分类结果子集;
所述的再分类网络用于输入所述的预分类结果子集、时域特征子集以及个体特征子集后进行分类,获得标签;
获得心音分类模型。
进一步地,所述的预分类网络包括依次设置的特征提取层、数据融合层、第一卷积层以及全连接层;
其中所述的特征提取层包括特征提取模块;
所述的特征提取模块包括依次设置的输入子模块、卷积子模块、激活子模块以及池化子模块;
其中所述的输入子模块用于对每一个对象的所有频域子数据进行预处理,获得预处理后的频域子数据;
所述卷积子模块、激活子模块以及池化子模块用于对预处理后的频域子数据进行预分类,输出每一个对象的预分类结果子集。
进一步地,所述的一个频域子数据包括4段频域序列,包括第一心音信号频域序列、第一心音至第二心音信号频域序列、第二心音信号频域序列以及第二心音至第一心音信号频域序列;
所述的特征提取层包括4个并行设置的特征提取模块,分别用于提取第一心音信号频域序列特征、第一心音至第二心音信号频域序列特征、第二心音信号频域序列特征以及第二心音至第一心音信号频域序列特征;
其中特征提取层中的输入子模块采用式I对第一心音信号频域序列、第一心音至第二心音信号频域序列、第二心音信号频域序列或第二心音至第一心音信号频域序列中的每一个频域值进行更新:
其中F′n为第一心音信号频域序列、第一心音至第二心音信号频域序列、第二心音信号频域序列或第二心音至第一心音信号频域序列中的第n个更新后的频域值,Fn为第一心音信号频域序列、第一心音至第二心音信号频域序列、第二心音信号频域序列或第二心音至第一心音信号频域序列中第n个频域值,n=1,2,……,N,N为正整数。
进一步地,所述的再分类网络包括依次设置的数据处理层、特征融合层、第二卷积层、激活层以及支持向量机分类器;
所述每一个对象的预分类结果子集为二进制数集;
所述的数据处理层用于将所述的预处理结果子集转换为频域特征输出子集其中Num0为预分类结果子集中的0的个数,Num1为预分类结果子集中的1的个数;
所述的特征融合层用于将频域特征输出子集、时域特征子集以及个体特征子集进行拼接,获得融合后的特征子集;
所述的第二卷积层、激活层以及支持向量机分类器用于对融合后的特征子集进行分类,输出标签。
一种心音分类装置,包括心音获得及标签模块、预处理模块以及特征提取模块组成的获取模块以及心音分类模型构建装置构建出的心音分类模块。
本发明与现有技术相比具有以下技术效果:
1、本发明提供的心音分类模型构建、分类方法及装置提供了一种与现有技术完全不同的心音分类模型构架,考虑到对象特点以及心音特点,设置了预分类网络对频域特征进行预分类,将频域特征预分类后的结果再与时域特征以及待检测对象的个体特征进行融合后再输入至再分类网络中,获得准确的分类结果,从而提高了心音分类模型构建的准确性,提高了心音分类的准确率;
2、本发明提供的心音分类模型构建、分类方法及装置中提供的心音分类模型考虑到心音本身的特点,在预分类网络中设置了4个并行的特征提取模块分别对第一心音信号频域序列、第一心音至第二心音信号频域序列、第二心音信号频域序列以及第二心音至第一心音信号频域序列进行频域特征提取,提高了频域特征提取的准确性,从而提高了心音分类模型构建的准确性,提高了心音分类的准确率;
3、本发明提供的心音分类模型构建、分类方法及装置中构建的心音分类模型通过在再分类网络中设置了数据处理层,预分类网络分类获得的预分类结果子集进行转换,使得频域特征与时域特征以及待检测对象的个体特征能够充分的融合,从而提高了心音分类模型构建的准确性,提高了心音分类的准确率。
附图说明
图1为本发明的一个实施例中提供的心音分类模型内部结构示意图;
图2为本发明的一个实施例中提供的特征提取模块内部结构示意图;
图3为本发明的一个实施例中提供的初始心音信号序列示意图。
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。以便本领域的技术人员更好的理解本发明。需要特别提醒注意的是,在以下的描述中,当已知功能和设计的详细描述也许会淡化本发明的主要内容时,这些描述在这里将被忽略。
以下对本发明涉及的定义或概念内涵做以说明:
如图3所示,一般心音信号的横轴为时间轴,纵轴为幅值,心脏储备指标(在心音上的表现为心音信号特征,即S1/S2,D/S,其中,S1为第一心音特征值,S2为第二心音特征值,D/S为时限比,diastole/systole的缩写)。当心脏正常时,心音信号的时域特征是心脏的舒张期大于收缩期,在心音上则反映为第二心音开始到下一周期第一心音信号开始的持续时间大于第一心音开始到第二心音开始时的持续时间,则D/S等于第二心音开始到下一周期第一心音信号开始的持续时间,与第一心音开始到第二心音开始的持续时间的比值。
心跳周期数:在一段时长采样的心音信号中,包含完整的心跳周期数据段的个数。
第一心音与第二心音幅值比:在一段完整的心跳周期的数据中,第一心音数据包络的最大值(S1max)和第二心音数据包络的最大值(S2max)的比。
心舒期与心缩期时长比:在一段完整的心跳周期的数据中,第一S1max到S2max时间间隔和S2max到S1max(下一个)时间间隔的比。
HRV变化值:在一段心音信号的采样数据包含的多个完整心跳周期计算得到的心跳数(Heart Rate Value)HRVi和HRVi的均值Mhrv的比。
BMI值:身体质量指数(Body Mass Index),体重值(单位:公斤)和身高(单位:米)平方的比值。
实施例一
在本实施例中公开了一种心音分类模型构建方法,方法按照以下步骤执行:
步骤1、获取多个对象的初始心音信号序列,获得初始心音信号集;
获取每一个对象的个体信息,获取个体信息集;
对所述初始心音信号集中的每一个初始心音信号序列进行标签标注,获得标签集,所述的标签包括正常心音以及非正常心音;
在实施例中,采用高灵敏度的压电的心音传感器针对多个对象的心音进行采样,获得固定时长(在本实施例中为1分钟)的初始心音信号序列;通过通用手机传送给后台(云端服务器)进行处理。
其中对象可以是男性或女性。
对象的个体信息包括对象的BMI值、血压值以及性别值,其中BMI值是一个大于0的数值,血压值也是大于0的数值,在本实施例中,利用1表示男性,0表示女性。
在本实施例中,对每一个初始心音信号序列进行标签标注时,采用0表示正常心音,采用1表示非正常心音,因此标签集是一个由1和0组成的二进制数集。
步骤2、对初始心音信号集中每一个初始心音信号序列进行预处理,获得预处理后的心音信号集;
预处理后的心音信号集中每一个预处理后的心音信号序列对应一个对象;
在实际环境对被采样人进行心音的采集过程中,由于传感器和被采样人皮肤的摩擦声(偶发)/被采样人身体内出现的异常肺部呼吸噪声/采样环境突发的大的电器噪声/人的咳嗽声等(身体内及环境的偶发噪声),以及由于被采样人的特殊身体情况(如身体瘦弱/心脏跳动特别有力/采样时紧张,胸口起伏很大等等),都可能导致心音信号有大噪声信号混入或者心音信号产生部分或周期性的失真,因此在提取心音信号特征之前,需要对心音信号先进行去噪的预处理,以保证信号的准确性。
在本实施例中,对初始心音信号集中每一个初始心音信号序列进行时域噪声去除及滤波的预处理。
步骤3、从预处理后的心音信号集以及个体信息集中提取每一个对象的心音特征,获得心音特征集;
所述心音特征集包括频域特征子集、时域特征子集以及个体特征子集;
其中频域特征子集包括每一个对象的频域特征,所述的频域特征包括多个频域子数据;
在本实施例中,时域特征子集包括多个待检测对象的时域特征,其中一个待检测对象的时域特征为T:{TC1,TC2,TC3},其中TC1为初始心音信号序列中(固定时长(1Min)内的所有心跳周期信号)提取出第一心音与第二心音幅值比(S1max/S2max)的最大变化值;TC2为初始心音信号序列中心舒期时长(单位:毫秒)与心缩期时长(毫秒)比的变化最大值;TC3为初始心音信号序列中心率变化最大值(持续1Min的心音信号中心率变化的的最大值和平均心率值的比值);
在本实施例中,如图3所示,出现幅度值最大的数据点(S1max)附近数据段是第一心音(S1)数据包络,在相邻两个的S1max间,出现的波峰(S2max)是第二心音(S2)数据包络。心音的基础分析利用了心音时域上的统计分析特性,即一个完整的心跳周期的基本数据波形中会明显包含第一心音(S1)和第二心音(S2)数据包络,第一心音(S1)或者第二心音(S2)的数据峰值最大,通过判断采集信号的数据最大值个数大致估计心跳周期数,提取时域特征。
因此,在本实施例中时域特征包括{TC1,TC2,TC3}:
TC1:第一心音与第二心音幅值比(S1max/S2max)的变化最大值;
TC2:心舒期时长(单位:毫秒)与心缩期时长(毫秒)比的变化最大值;
TC3:HRV变化最大值(持续1Min的心音信号中心率变化的的最大值和平均心率值的比值);
个体特征子集包括多个待检测对象的个体特征,其中一个待检测对象的个体特征包括BMI值、血压值以及性别值;
在本实施例中,个体特征包括{SC1,SC2,SC3}:SC1是否肥胖(依据BMI值,非肥胖:0,肥胖:1)、SC2是否高血压(非高血压:0,高血压:1)以及性别值SC3(男:0,女:1);
频域特征子集包括多个待检测对象的频域特征,其中一个待检测对象的频域特征包括多个频域子数据;
在本实施例中,对于一个对象的频域特征包括多个频域子数据,具体是考虑到心跳周期,对对象的频域特征首先按照心跳周期进行了分段,也就是说,一个对象的频域特征首先包括了多段即多个频域子数据。
因此在本实施例中,对于一个待检测对象获得的心音特征为:
频域特征F(数据维度为1000):{0.12908294,0.17441652,0.12432783,0.01574522,0.,0.04318925,0.06558538,0.07768848,0.09758677,……,0.78987668,0.86461932,0.87982688,0.87217545,0.83962924,0.78549451};
时域特征T(数据维度为3):{0.2,0.08,0.15};
个体特征S(数据维度为3):{1,0,1}表示个体为肥胖/非高血压/男性;
步骤4、将所述的心音特征集作为输入,所述的标签集作为输出,训练神经网络;
所述的神经网络包括依次连接的预分类网络以及再分类网络;
所述的预分类网络用于对所述的频域特征子集中的每一个对象的多个频域子数据进行预分类,输出每一个对象的预分类结果子集;
所述的再分类网络用于输入所述的预分类结果子集、时域特征子集以及个体特征子集后进行分类,输出标签;
获得心音分类模型。
在本实施例中提供的心音分类模型,如图1所示,主要对模型的构架进行了改进,改进后的心音分类模型能够融合更多的待检测对象的特征,从而提高心音分类的准确率。
其中提出了预分类网络首先对频域特征进行分类,将分类结果和时域特征以及个体特征再同时输入至再分类网络中,获得分类结果。
可选地,预分类网络包括依次设置的特征提取层、数据融合层、第一卷积层以及全连接层;
其中特征提取层包括特征提取模块;
特征提取模块包括依次设置的输入子模块、卷积子模块、激活子模块以及池化子模块;
其中输入子模块用于对每一个对象的所有频域子数据进行预处理,获得预处理后的频域子数据;
所述卷积子模块、激活子模块以及池化子模块用于对预处理后的频域子数据进行预分类,输出每一个对象的预分类结果子集。
在本实施例中,特征提取层可以是一层,即将每一个对象的多个频域子数据顺序输入至特征提取层中,依次输出多个特征提取值;
为了提高模型分类的准确性,考虑到心音信号具有的周期性,在本实施例中,根据心音信号本身的特点,频域子数据包括4段频域序列,为了对4段频域序列分别进行特征提取,设置了4个并行的特征提取模块。
可选地,频域子数据包括4段频域序列,包括第一心音信号频域序列、第一心音至第二心音信号频域序列、第二心音信号频域序列以及第二心音至第一心音信号频域序列;
特征提取层包括4个并行设置的特征提取模块,分别用于提取第一心音信号频域序列特征、第一心音至第二心音信号频域序列特征、第二心音信号频域序列特征以及第二心音至第一心音信号频域序列特征;
其中特征提取层中的输入子模块采用式I对第一心音信号频域序列、第一心音至第二心音信号频域序列、第二心音信号频域序列或第二心音至第一心音信号频域序列中的每一个频域值进行更新:
其中F′n为第一心音信号频域序列、第一心音至第二心音信号频域序列、第二心音信号频域序列或第二心音至第一心音信号频域序列中的第n个更新后的频域值,Fn为第一心音信号频域序列、第一心音至第二心音信号频域序列、第二心音信号频域序列或第二心音至第一心音信号频域序列中第n个频域值,n=1,2,……,N,N为正整数。
在本实施例中,每个频域子数据还要进行分段,获得4段频域序列,分别是第一心音信号频域序列、第一心音至第二心音信号频域序列、第二心音信号频域序列以及第二心音至第一心音信号频域序列。
在本实施例中,获得频域特征的方法是对心音进行完整心跳周期数据的提取,可以提取出多个频域子数据,每一个频域子数据完整的心音数据包含第一心音(S1)及第二心音(S2);可以划分为4段数据(S1,S1-S2,S2,S2-S1),每段数据选取1000点(即截取250毫秒的数据,如果不足250毫秒,则不足部分数据进行补0),对4段数据进行FFT变换得到4段频域数据(各段点数1000个),并对每段频域数据进行伸缩处理(数据值统一变换到0-1区间),最后得到一个待检测对象的频域特征为4组数据输入集;
因此一个待检测对象的频域特征经过特征提取层后会输出4个频域特征子序列。
也就是说,例如一个对象的频域特征按照心跳周期进行划分后为:{f1,f2,…,fi,…,fI},其中i=1,2,…,I,I为正整数,其中fi表示第i个心跳周期的频域子数据即第i个频域子数据;
第i个频域子数据fi也是由多个频域值组成的,这多个频域值组成了一个完整的心跳周期,这个心跳周期可以再分成4段,即fi={fi 1,fi 2,fi 3,fi 4},其中fi 1表示第i个频域子数据中的第一心音信号频域序列,fi 2表示第i个频域子数据中的第一心音至第二心音信号频域序列,fi 3表示第i个频域子数据中的第二心音信号频域序列,fi 4示第i个频域子数据中的第二心音至第一心音信号频域序列。
将一个对象的频域特征输入至预分类网络中时,多个频域子数据是顺序输入的,但是每一个频域子数据中的4段频域序列是同时输入至预分类网络中,也就是说,一个频域子数据4段频域序列经过预分类网络会得到一个预分类的结果,即0或1,分别表示正常心音以及非正常心音;那么多个频域子数据输入值预分类网络后,会得到一个由0和/或1组成的二进制序列,即一个对象的预分类结果子集,例如:{1 0 1 0 1 0 0 0 0 1 0 0 0 0 0 1 11 1 0 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 0 1 1 0 1 1 1 1 1 1 1 0 1 1 1 0 1 1 1 11 1 1 1}。
在本实施例中,预分类网络采用多路并行的4层特征提取模块组成的特征提取层对频域特征进行提取,如图1-2所示,其中每一个特征提取模块包括4层依次为:输入子模块A、卷积子模块B、激活子模块C以及池化子模块D)进行初步特征提取,获得多路特征数据;
再通过1层(数据融合层E)合并多路频域特征数据;
进一步通过1层第一卷积层F提取特征后,通过全连接层G(Sigmoid)获得预分类输出。
其中卷积子模块B采用卷积核的大小的取值范围为2-4,作为一种优选的实施方式卷积层B的卷积核为3,卷积层B的步长为1(尽量保留更多的特征),不填充。
第一卷积层F采用4*4卷积核,步长为3,填充值设为2。
在本实施例中,预分类网络采用一维的卷积神经网络构建训练及分类模型。
在本实施例中,特征提取模块中输入子模块对数据进一步进行预处理:考虑到心音信号的特点,把数据预处理的得到的数据序列F进一步按方差处理对得到的新数据序列再归一化后作为卷积子模块的输入;
其中卷积子模块用于提取输入数据序列的特征序列,其中卷积核大小为3(2-4可选),步长为1(尽量保留更多的特征),不填充。
其中激活子模块利用Relu函数将卷积层输出的特征序列进行映射处理得到序列;
其中池化子模块按0.5%的比例随机丢弃激活层输出的序列。
在本实施例中,每一个频域子数据中的4段频域序列输入至特征提取模块中,会输出4个序列。
因此在预分类网络中还设置了数据融合层,将4个序列进行融合形成新的频域数据序列;融合后的频域数据序列形成一个二维的序列,序列大小规模为{4*998}。
在预分类网络中设置的卷积层是对数据融合层输出的融合后的频域数据序列进行卷积,采用4*4卷积核,步长为3,填充值设为2;
将经过卷积后的特征序列通过全连接层的Sigmoid函数进行预分类网络结果的输出。
可选地,再分类网络包括依次设置的数据处理层、特征融合层、第二卷积层、激活层以及支持向量机分类器;
所述每一个对象的预分类结果子集为二进制数集;
数据处理层用于将预处理结果子集转换为频域特征输出子集其中Num0为预分类结果子集中的0的个数,Num1为预分类结果子集中的1的个数;
特征融合层用于将频域特征输出子集、时域特征子集以及个体特征子集进行拼接,获得融合后的特征子集;
第二卷积层、激活层以及支持向量机分类器用于对融合后的特征子集进行分类,输出标签。
在本实施例中,由于不同对象或者不同时间采样分割得到预分类结果子集的长度都可能不一样,针对不同的心音采样信号,通过预分类模型得到的预分类结果子集为不定长序列,因此在再分类网络中首先设置了数据处理层对预分类网络的输出结果进行处理。
其中数据处理层将预分类网络输出的非等长0,1序列进行规范化处理,映射分为两步,首先逐个判断累计统计出预分类的0,1个数N0,N1;然后按比例计算得到定长输入数据序列获得二进制预分类结果子集。
在本实施例中,对于预分类结果子集:{1 0 1 0 1 0 0 0 0 1 0 0 0 0 0 1 1 11 0 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 0 1 1 0 1 1 1 1 1 1 1 0 1 1 1 0 1 1 1 1 11 1 1}。
将其转换为频域特征输出子集{43/60,17/60}={0.717,0.283}。
特征融合层用于将数据处理层输出的频域特征输出子集、时域特征子集以及个体特征子集进行融合,采用简单拼接方法形成长度为8的一维特征序列。
在本实施例中,将二进制预处理结果子集:{0.717,0.283}、时域特征T:{0.2,0.08,0.15}以及个体特征S:{1,0,1}进行拼接,获得{0.717,0.283,0.2,0.08,0.15,1,0,1}的一维特征序列。
在本实施例中将一维特征序列输入至第二卷积层(卷积核大小为3,步长1,填充2)中进行再次提取特征,采用激活层(Relu)对特征进行输出,再将输出后的特征输入至SVM中,获得最终的判断结果。
在本实施例中提供的心音模型构建方法考虑到心音信号易于受噪声干扰(体内及外部环境)、随时间心跳变化不一致(非平稳随机过程信号)、以及被采样个体整体情况的差异性,利用两级神经网络架构,比较全面的通过学习局部频域特征、时域的变化特征以及个体的整体差异性特征,提高了心音分类的准确性。
实施例二
一种心音分类方法,用于对待检测对象的初始心音信号序列进行分类,按照以下步骤执行:
步骤A、采用实施例一中步骤1-3的方法获得待检测对象的心音特征;
步骤B、将待检测对象的心音特征输入至实施例一获得的心音分类模型后,获得分类结果。
在本实施例中,采样1分钟的截取了8秒钟(采样频率4K,共32000个点)的时域心音信号图像如图2所示,针对此心音信号(1分钟)共提取出55段完整心跳周期数据。
获得频域特征55*4*1000,截取部分特征数据:{0.4473835 0.484714530.43720987 0.29663709 0.07759474 0.0.02217657 0.06209509 0.13750037 0.16001750.18037689 0.19912309...0.93369039 0.93702129 0.93858873 0.8814945 0.786924060.74809854 0.77838133};
将该频域特征通过预分类模型得到36个“1”及19个“0”组成的预分类结果子集,将预分类结果子集输入至再分类网络中的数据处理层中,转换为频域特征输出子集{36/55,19/55}={0.6545,0.3455}。
将频域特征输出子集拼接时域特征子集,个体特征子集后得到新的融合后的特征子集{0.6545,0.3455,0.0199,0.0084,0.00216,0,0,1}输入到卷积层、激活层以及支持向量机分类器中分类最终得到分类结果“1”,为非正常心音判断。
实施例三
一种心音分类模型构建装置,装置包括心音获得及标签模块、预处理模块、特征提取模块以及模型构建模块;
心音获得及标签模块用于获取多个对象的初始心音信号序列,获得初始心音信号集;
获取每一个对象的个体信息,获取个体信息集;
对所述初始心音信号集中的每一个初始心音信号序列进行标签标注,获得标签集,标签包括正常心音以及非正常心音;
预处理模块用于对初始心音信号集中每一个初始心音信号序列进行预处理,获得预处理后的心音信号集;
所述预处理后的心音信号集中每一个预处理后的心音信号序列对应一个对象;
特征提取模块用于从预处理后的心音信号集以及个体信息集中提取每一个对象的心音特征,获得心音特征集;
所述心音特征集包括频域特征子集、时域特征子集以及个体特征子集;
其中频域特征子集包括每一个对象的频域特征,频域特征包括多个频域子数据;
模型构建模块用于将心音特征集作为输入,标签集作为输出,训练神经网络;
神经网络包括依次连接的预分类网络以及再分类网络;
预分类网络用于对频域特征子集中的每一个对象的多个频域子数据进行预分类,输出每一个对象的预分类结果子集;
再分类网络用于输入预分类结果子集、时域特征子集以及个体特征子集后进行分类,获得标签;
获得心音分类模型。
可选地,预分类网络包括依次设置的特征提取层、特征融合层、第一卷积层以及全连接层;
预分类网络包括依次设置的特征提取层、数据融合层、第一卷积层以及全连接层;
其中特征提取层包括特征提取模块;
特征提取模块包括依次设置的输入子模块、卷积子模块、激活子模块以及池化子模块;
其中输入子模块用于对每一个对象的所有频域子数据进行预处理,获得预处理后的频域子数据;
所述卷积子模块、激活子模块以及池化子模块用于对预处理后的频域子数据进行预分类,输出每一个对象的预分类结果子集。
可选地,频域子数据包括4段频域序列,包括第一心音信号频域序列、第一心音至第二心音信号频域序列、第二心音信号频域序列以及第二心音至第一心音信号频域序列;
特征提取层包括4个并行设置的特征提取模块,分别用于提取第一心音信号频域序列特征、第一心音至第二心音信号频域序列特征、第二心音信号频域序列特征以及第二心音至第一心音信号频域序列特征;
其中特征提取层中的输入子模块采用式I对第一心音信号频域序列、第一心音至第二心音信号频域序列、第二心音信号频域序列或第二心音至第一心音信号频域序列中的每一个频域值进行更新:
其中F′n为第一心音信号频域序列、第一心音至第二心音信号频域序列、第二心音信号频域序列或第二心音至第一心音信号频域序列中的第n个更新后的频域值,Fn为第一心音信号频域序列、第一心音至第二心音信号频域序列、第二心音信号频域序列或第二心音至第一心音信号频域序列中第n个频域值,n=1,2,……,N,N为正整数。
可选地,再分类网络包括依次设置的数据处理层、特征融合层、第二卷积层、激活层以及支持向量机分类器;
所述每一个对象的预分类结果子集为二进制数集;
数据处理层用于将预处理结果子集转换为频域特征输出子集其中Num0为预分类结果子集中的0的个数,Num1为预分类结果子集中的1的个数;
特征融合层用于将频域特征输出子集、时域特征子集以及个体特征子集进行拼接,获得融合后的特征子集;
第二卷积层、激活层以及支持向量机分类器用于对融合后的特征子集进行分类,输出标签。
实施例四
一种心音分类装置,包括实施例三的心音获得及标签模块、预处理模块以及特征提取模块组成的获取模块以及实施例三心音分类模型构建装置构建出的心音分类模块。
通过以上的实施方式的描述,所属领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在可读取的存储介质中,如计算机的软盘,硬盘或光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
Claims (10)
1.一种心音分类模型构建方法,其特征在于,所述的方法按照以下步骤执行:
步骤1、获取多个对象的初始心音信号序列,获得初始心音信号集;
获取每一个对象的个体信息,获取个体信息集;
对所述初始心音信号集中的每一个初始心音信号序列进行标签标注,获得标签集,所述的标签包括正常心音以及非正常心音;
步骤2、对初始心音信号集中每一个初始心音信号序列进行预处理,获得预处理后的心音信号集;
所述预处理后的心音信号集中每一个预处理后的心音信号序列对应一个对象;
步骤3、从预处理后的心音信号集以及个体信息集中提取每一个对象的心音特征,获得心音特征集;
所述心音特征集包括频域特征子集、时域特征子集以及个体特征子集;
其中频域特征子集包括每一个对象的频域特征,所述的频域特征包括多个频域子数据;
步骤4、将所述的心音特征集作为输入,所述的标签集作为输出,训练神经网络;
所述的神经网络包括依次连接的预分类网络以及再分类网络;
所述的预分类网络用于对所述的频域特征子集中的每一个对象的多个频域子数据进行预分类,输出每一个对象的预分类结果子集;
所述的再分类网络用于输入所述的预分类结果子集、时域特征子集以及个体特征子集后进行分类,输出标签;
获得心音分类模型。
2.如权利要求1所述的心音分类模型构建方法,其特征在于,所述的预分类网络包括依次设置的特征提取层、数据融合层、第一卷积层以及全连接层;
其中所述的特征提取层包括特征提取模块;
所述的特征提取模块包括依次设置的输入子模块、卷积子模块、激活子模块以及池化子模块;
其中所述的输入子模块用于对每一个对象的所有频域子数据进行预处理,获得预处理后的频域子数据;
所述卷积子模块、激活子模块以及池化子模块用于对预处理后的频域子数据进行预分类,输出每一个对象的预分类结果子集。
3.如权利要求2所述的心音分类模型构建方法,其特征在于,所述的一个频域子数据包括4段频域序列,包括第一心音信号频域序列、第一心音至第二心音信号频域序列、第二心音信号频域序列以及第二心音至第一心音信号频域序列;
所述的特征提取层包括4个并行设置的特征提取模块,分别用于提取第一心音信号频域序列特征、第一心音至第二心音信号频域序列特征、第二心音信号频域序列特征以及第二心音至第一心音信号频域序列特征;
其中特征提取层中的输入子模块采用式I对第一心音信号频域序列、第一心音至第二心音信号频域序列、第二心音信号频域序列或第二心音至第一心音信号频域序列中的每一个频域值进行更新:
其中F′n为第一心音信号频域序列、第一心音至第二心音信号频域序列、第二心音信号频域序列或第二心音至第一心音信号频域序列中的第n个更新后的频域值,Fn为第一心音信号频域序列、第一心音至第二心音信号频域序列、第二心音信号频域序列或第二心音至第一心音信号频域序列中第n个频域值,n=1,2,……,N,N为正整数。
4.如权利要求1所述的心音分类模型构建方法,其特征在于,所述的再分类网络包括依次设置的数据处理层、特征融合层、第二卷积层、激活层以及支持向量机分类器;
所述每一个对象的预分类结果子集为二进制数集;
所述的数据处理层用于将所述的预处理结果子集转换为频域特征输出子集其中Num0为预分类结果子集中的0的个数,Num1为预分类结果子集中的1的个数;
所述的特征融合层用于将频域特征输出子集、时域特征子集以及个体特征子集进行拼接,获得融合后的特征子集;
所述的第二卷积层、激活层以及支持向量机分类器用于对融合后的特征子集进行分类,输出标签。
5.一种心音分类方法,用于对待检测对象的初始心音信号序列进行分类,其特征在于,按照以下步骤执行:
步骤A、采用权利要求1中步骤1-3的方法获得待检测对象的心音特征;
步骤B、将所述的待检测对象的心音特征输入至权利要求1-4任一项权利要求获得的心音分类模型后,获得分类结果。
6.一种心音分类模型构建装置,其特征在于,所述的装置包括心音获得及标签模块、预处理模块、特征提取模块以及模型构建模块;
所述的心音获得及标签模块用于获取多个对象的初始心音信号序列,获得初始心音信号集;
获取每一个对象的个体信息,获取个体信息集;
对所述初始心音信号集中的每一个初始心音信号序列进行标签标注,获得标签集,所述的标签包括正常心音以及非正常心音;
所述的预处理模块用于对初始心音信号集中每一个初始心音信号序列进行预处理,获得预处理后的心音信号集;
所述预处理后的心音信号集中每一个预处理后的心音信号序列对应一个对象;
所述的特征提取模块用于从预处理后的心音信号集以及个体信息集中提取每一个对象的心音特征,获得心音特征集;
所述心音特征集包括频域特征子集、时域特征子集以及个体特征子集;
其中频域特征子集包括每一个对象的频域特征,所述的频域特征包括多个频域子数据;
所述的模型构建模块用于将所述的心音特征集作为输入,所述的标签集作为输出,训练神经网络;
所述的神经网络包括依次连接的预分类网络以及再分类网络;
所述的预分类网络用于对所述的频域特征子集中的每一个对象的多个频域子数据进行预分类,输出每一个对象的预分类结果子集;
所述的再分类网络用于输入所述的预分类结果子集、时域特征子集以及个体特征子集后进行分类,获得标签;
获得心音分类模型。
7.如权利要求6所述的心音分类模型构建装置,其特征在于,所述的预分类网络包括依次设置的特征提取层、数据融合层、第一卷积层以及全连接层;
其中所述的特征提取层包括特征提取模块;
所述的特征提取模块包括依次设置的输入子模块、卷积子模块、激活子模块以及池化子模块;
其中所述的输入子模块用于对每一个对象的所有频域子数据进行预处理,获得预处理后的频域子数据;
所述卷积子模块、激活子模块以及池化子模块用于对预处理后的频域子数据进行预分类,输出每一个对象的预分类结果子集。
8.如权利要求7所述的心音分类模型构建装置,其特征在于,所述的一个频域子数据包括4段频域序列,包括第一心音信号频域序列、第一心音至第二心音信号频域序列、第二心音信号频域序列以及第二心音至第一心音信号频域序列;
所述的特征提取层包括4个并行设置的特征提取模块,分别用于提取第一心音信号频域序列特征、第一心音至第二心音信号频域序列特征、第二心音信号频域序列特征以及第二心音至第一心音信号频域序列特征;
其中特征提取层中的输入子模块采用式I对第一心音信号频域序列、第一心音至第二心音信号频域序列、第二心音信号频域序列或第二心音至第一心音信号频域序列中的每一个频域值进行更新:
其中F′n为第一心音信号频域序列、第一心音至第二心音信号频域序列、第二心音信号频域序列或第二心音至第一心音信号频域序列中的第n个更新后的频域值,Fn为第一心音信号频域序列、第一心音至第二心音信号频域序列、第二心音信号频域序列或第二心音至第一心音信号频域序列中第n个频域值,n=1,2,……,N,N为正整数。
9.如权利要求6所述的心音分类模型构建装置,其特征在于,所述的再分类网络包括依次设置的数据处理层、特征融合层、第二卷积层、激活层以及支持向量机分类器;
所述每一个对象的预分类结果子集为二进制数集;
所述的数据处理层用于将所述的预处理结果子集转换为频域特征输出子集其中Num0为预分类结果子集中的0的个数,Num1为预分类结果子集中的1的个数;
所述的特征融合层用于将频域特征输出子集、时域特征子集以及个体特征子集进行拼接,获得融合后的特征子集;
所述的第二卷积层、激活层以及支持向量机分类器用于对融合后的特征子集进行分类,输出标签。
10.一种心音分类装置,其特征在于,包括权利要求6中的心音获得及标签模块、预处理模块以及特征提取模块组成的获取模块以及权利要求6-9任一项权利要求所述的心音分类模型构建装置构建出的心音分类模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910725700.XA CN110580448B (zh) | 2019-08-07 | 2019-08-07 | 一种心音分类模型构建、分类方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910725700.XA CN110580448B (zh) | 2019-08-07 | 2019-08-07 | 一种心音分类模型构建、分类方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110580448A true CN110580448A (zh) | 2019-12-17 |
CN110580448B CN110580448B (zh) | 2022-12-13 |
Family
ID=68810505
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910725700.XA Active CN110580448B (zh) | 2019-08-07 | 2019-08-07 | 一种心音分类模型构建、分类方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110580448B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111445921A (zh) * | 2020-03-20 | 2020-07-24 | 腾讯科技(深圳)有限公司 | 音频特征的提取方法、装置、计算机设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014233598A (ja) * | 2013-06-05 | 2014-12-15 | 国立大学法人山口大学 | 聴診心音信号の処理方法、聴診心音信号の処理装置及び聴診心音信号を処理するためのプログラム |
US20150106020A1 (en) * | 2013-10-10 | 2015-04-16 | Wireless Medical Monitoring Inc. | Method and Apparatus for Wireless Health Monitoring and Emergent Condition Prediction |
CN104887263A (zh) * | 2015-05-21 | 2015-09-09 | 东南大学 | 一种基于心音多维特征提取的身份识别算法及其系统 |
CN107945817A (zh) * | 2017-11-15 | 2018-04-20 | 广东顺德西安交通大学研究院 | 心肺音信号分类方法、检测方法、装置、介质和计算机设备 |
CN108171103A (zh) * | 2016-12-07 | 2018-06-15 | 北京三星通信技术研究有限公司 | 目标检测方法及装置 |
US20180228444A1 (en) * | 2017-02-16 | 2018-08-16 | Tata Consultancy Services Limited | Method and system for detection of coronary artery disease in a person using a fusion approach |
-
2019
- 2019-08-07 CN CN201910725700.XA patent/CN110580448B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014233598A (ja) * | 2013-06-05 | 2014-12-15 | 国立大学法人山口大学 | 聴診心音信号の処理方法、聴診心音信号の処理装置及び聴診心音信号を処理するためのプログラム |
US20150106020A1 (en) * | 2013-10-10 | 2015-04-16 | Wireless Medical Monitoring Inc. | Method and Apparatus for Wireless Health Monitoring and Emergent Condition Prediction |
CN104887263A (zh) * | 2015-05-21 | 2015-09-09 | 东南大学 | 一种基于心音多维特征提取的身份识别算法及其系统 |
CN108171103A (zh) * | 2016-12-07 | 2018-06-15 | 北京三星通信技术研究有限公司 | 目标检测方法及装置 |
US20180228444A1 (en) * | 2017-02-16 | 2018-08-16 | Tata Consultancy Services Limited | Method and system for detection of coronary artery disease in a person using a fusion approach |
CN107945817A (zh) * | 2017-11-15 | 2018-04-20 | 广东顺德西安交通大学研究院 | 心肺音信号分类方法、检测方法、装置、介质和计算机设备 |
Non-Patent Citations (4)
Title |
---|
ABDEL-RAHMAN MOHAMED 等: "Deep Belief Networks using discriminative features for phone recognition", 《2011 IEEE INTERNATIONAL CONFERENCE ON ACOUSTICS, SPEECH AND SIGNAL PROCESSING (ICASSP)》 * |
JOSÉ JAVIER GONZÁLEZ ORTIZ 等: "Heart sound classification based on temporal alignment techniques", 《COMPUTER SCIENCE AND ENGINEERING, UNIVERSITY OF MICHIGAN》 * |
W. ZHANG 等: "Heart sound classification based on scaled spectrogram and partial least squares regression", 《COMPUTER SCIENCE BIOMED. SIGNAL PROCESS. CONTROL》 * |
刘丽萍等: "心音信号的特征分析及分类识别", 《信息通信》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111445921A (zh) * | 2020-03-20 | 2020-07-24 | 腾讯科技(深圳)有限公司 | 音频特征的提取方法、装置、计算机设备及存储介质 |
CN111445921B (zh) * | 2020-03-20 | 2023-10-17 | 腾讯科技(深圳)有限公司 | 音频特征的提取方法、装置、计算机设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110580448B (zh) | 2022-12-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zabihi et al. | Analysis of high-dimensional phase space via Poincaré section for patient-specific seizure detection | |
EP3803709B1 (en) | Detecting abnormalities in ecg signals | |
Zhang et al. | Towards heart sound classification without segmentation using convolutional neural network | |
KR101072452B1 (ko) | 심장질환 진단장치 및 방법 | |
WO2019234458A1 (en) | Detecting abnormalities in ecg signals | |
CN112294341B (zh) | 一种基于轻量卷积神经网络的睡眠脑电纺锤波识别方法及系统 | |
Singh et al. | Classification of short unsegmented heart sound based on deep learning | |
US11490849B2 (en) | System and method of marking cardiac time intervals from the heart valve signals | |
Hamza et al. | Svm for human identification using the ECG signal | |
CN114041786B (zh) | 心冲击图信号的检测方法、装置以及设备 | |
KR20110127785A (ko) | 시간 영역 특징을 이용한 심장 질환 진단 장치 | |
CN113116321A (zh) | 基于pso-grnn神经网络的无创连续血压测量系统 | |
CN114190897B (zh) | 睡眠分期模型的训练方法、睡眠分期方法及装置 | |
Samyoun et al. | Stress detection via sensor translation | |
Jiang et al. | Recent research for unobtrusive atrial fibrillation detection methods based on cardiac dynamics signals: A survey | |
CN110580448B (zh) | 一种心音分类模型构建、分类方法及装置 | |
CN108338777A (zh) | 一种脉搏信号检测分析方法及装置 | |
Quanyu | Pulse signal analysis based on deep learning network | |
CN110368019B (zh) | 一种心音信号特征提取、检测模型构建及检测装置 | |
Aghakabi et al. | Fusing dorsal hand vein and ECG for personal identification | |
Khanmohammadi et al. | Fetal gender identification using machine and deep learning algorithms on phonocardiogram signals | |
CN112686091A (zh) | 基于深度神经网络的两步骤心律失常分类方法 | |
CN115500817A (zh) | 一种融合毫米波雷达和深度学习模型的无接触式心震信号检测方法及其装置 | |
Tiwari et al. | Convolutional neural network-based ecg classification on pynq-z2 framework | |
Zhang et al. | Computerized radial artery pulse signal classification for lung cancer detection |
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 |