CN110956192A - 一种非重构压缩感知生理数据的分类方法及装置 - Google Patents

一种非重构压缩感知生理数据的分类方法及装置 Download PDF

Info

Publication number
CN110956192A
CN110956192A CN201910259938.8A CN201910259938A CN110956192A CN 110956192 A CN110956192 A CN 110956192A CN 201910259938 A CN201910259938 A CN 201910259938A CN 110956192 A CN110956192 A CN 110956192A
Authority
CN
China
Prior art keywords
physiological
signal
compressed sensing
physiological data
signals
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.)
Withdrawn
Application number
CN201910259938.8A
Other languages
English (en)
Inventor
成谢锋
冯珊
刘佳
单煦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN201910259938.8A priority Critical patent/CN110956192A/zh
Publication of CN110956192A publication Critical patent/CN110956192A/zh
Withdrawn legal-status Critical Current

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明公开了一种非重构压缩感知生理数据的分类方法及装置，通过设计的生理信号的行阶梯观测矩阵对生理信号进行压缩感知，并使用MFCC、GFCC、PNCC提取压缩感知后的心音信号观测序列的信号特征，对提取的信号特征进行融合，使用多类支持向量机对进行融合后的特征向量进行分类，获取生理数据的分类结果，并对无法确定的信号进行重构任何再次进行分类，最后对分类结果进行存储；本发明提供的非重构压缩感知生理数据的分类方法及装置，具有分类方法简单、分类正确率高的特点。

Description

一种非重构压缩感知生理数据的分类方法及装置
技术领域
本发明涉及一种非重构压缩感知生理数据的分类方法及装置，属于生物信号处理技术领域。
背景技术
准确、及时地掌握人体的主要生理信号特征，对提供医疗判断和治疗具有重要的作用。传感器和通信技术的进步，使人们日常生理信号监测成为了可能。人们通过可穿戴式生理监测设备，可以随时随地收集生理活动信息，通过网络通信技术，将其传送到远程医疗监护中心进行监测、判断、诊疗等。这对一些心脑血管疾病等慢性疾病的防范与治疗具有积极的作用。但是生理信号的分类和存储是主要难题。当前存储数据的方法是直接将采集的生理信号存储，既浪费内存也费时。
压缩感知(Compressed Sensing,CS)是一种新的在采样的同时实现压缩感知目的的理论框架，能以较低的频率采样信号，并且可以高概率重构该信号，可将生理信号全部压缩感知后再进行存储；压缩感知理论常用的观测矩阵是随机高斯矩阵、随机伯努利矩阵、部分哈达玛矩阵等。生理信号经过压缩感知后的观测序列的波形都类似白噪声，不再具有奈奎斯特采样序列的时频域特征，这毋庸置疑的加大了生理信号特征提取的难度，如提取第一心音与第二心音时限之比、提取脑电序列的频域特征、主成分分析方法对QRS波的采样数据进行主成分选择等，所以根据目前的压缩感知理论，如果要提取原始生理信号的特性、沿用传统的奈奎斯特采样中提取生理信号特征的方法，必须将压缩感知采样得到的观测序列进行重构得到原始生理信号，再进行分类识别，而重构过程是一个计算量大、复杂度很高的问题。
发明内容
本发明的目的在于提供一种非重构压缩感知生理数据的分类方法及装置，以解决现有技术中导致的上述多项缺陷或缺陷之一。
为达到上述目的，本发明是采用下述技术方案实现的：
第一方面，本发明提供了一种非重构压缩感知生理数据的分类方法，所述方法包括如下步骤：
采集生理信号；
构建适用于生理信号的行阶梯观测矩阵；
使用所述适用于生理信号的行阶梯观测矩阵对生理信号进行压缩感知，获取压缩感知后的生理信号观测序列；
分别使用MFCC、GFCC、PNCC提取压缩感知后的生理信号观测序列的信号特征；
对使用MFCC、GFCC、PNCC提取压缩感知后的生理信号观测序列的信号特征进行融合，获取融合后的特征向量；
使用多类支持向量机对特征向量进行分类，获取生理数据的分类结果。
进一步的，所述生理信号的分类结果包括正常信号、异常信号、不确定信号；
进一步的，所述方法还包括对不确定信号的重构，并将重构后的信号再次进行分类识别。
进一步的，所述方法还包括：根据生理数据的分类结果将生理数据按类存储在数据库中。
所述构建的适用于生理信号的行阶梯观测矩阵ΦM×N为：
Figure BDA0002014990380000031
其中每行中“1”的个数γ＝1/κ，κ＝M/N，M为观测序列采样点数，N为原始信号采样点数。
第二方面，本发明还提供了一种非重构压缩感知生理数据的分类装置，所述装置包括：
信号采集模块：用于采集生理信号；
矩阵设计模块：用于设计适用于生理信号的行阶梯观测矩阵；
第一获取模块：用于使用行阶梯观测矩阵对生理信号进行压缩感知，获取压缩感知后的生理信号观测序列；
信号特征提取模块：用于分别使用MFCC、GFCC、PNCC提取压缩感知后的生理信号观测序列的信号特征；
特征向量获取模块：用于对使用MFCC、GFCC、PNCC提取压缩感知后的生理信号观测序列的信号特征进行融合，获取融合后的特征向量；
分类结果获取模块：用于使用多类支持向量机对特征向量进行分类，获取生理数据的分类结果。
进一步的，所述装置还包括用于对不确定信号进行重构，并将重构后的信号再次进行分类识别的重构模块。
进一步的，所述装置还包括用于根据生理数据的分类结果将生理数据按类存放在数据库中的存储模块。
本发明提供的一种非重构压缩感知生理数据的分类方法及装置，通过设计的生理信号的行阶梯观测矩阵对生理信号进行压缩感知，并使用MFCC、GFCC、PNCC提取压缩感知后的生理信号观测序列的信号特征，对提取的信号特征进行融合，使用多类支持向量机对进行融合后的特征向量进行分类，获取生理数据的分类结果，并对无法确定的信号进行重构任何再次进行分类，最后对分类结果进行存储；本发明提供的非重构压缩感知生理数据的分类方法及装置，具有分类方法简单、正确存储率高的优点，可有效提高存储生理信号压缩感知处理数据的效率。
具体实施方式
下面对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
本实施例以对心音信号进行分类为例，提供一种非重构压缩感知生理数据的分类方法，分类方法包括如下步骤：
步骤1：采集心音信号，采集的心音信号为原始心音信号。
步骤2：压缩感知心音信号；
根据Lei提出的观测矩阵—行阶梯矩阵，设计适用于心音信号的行阶梯观测矩阵ΦM×N，行阶梯观测矩阵ΦM×N为：
Figure BDA0002014990380000041
其中每行中“1”的个数γ＝1/κ，κ＝M/N，M为观测序列采样点数，N为原始信号采样点数；
使用所述适用于心音信号的行阶梯观测矩阵对生理信号进行压缩感知，获取压缩感知后的生理信号观测序列Y，压缩感知后的生理信号观测序列Y和原始信号X原始的关系为：
Figure BDA0002014990380000051
其中，ix表示行数，γ表示每行中“1”的个数。压缩感知后的心音信号观测序列波形与采集的原始心音信号波形结构相似，且保留了心音信号的时域形状特点；当γ＝R时，表示波形的幅值和频率都为原始心音信号幅值和频率的R倍；
心音信号经适用于心音信号的行阶梯观测矩阵压缩感知后的频谱结构基本不变，所以从频域提取的特征向量。
步骤3：使用MFCC提取压缩感知后的心音信号观测序列的信号特征；
对压缩感知后的心音信号观测序列进行预加重、分帧、加窗处理；通过预加重增加高频成分；
应当清楚，心音信号每帧取值长度为24～256ms认为是比较平稳的，将压缩感知后的心音信号观测序列Y分成25ms的帧长，加窗则选择加Hamming窗，通过下式以去除帧的开始和结束处的不连续性，获取进行去除帧的开始和结束处不连续处理后的观测序列Y′：
Figure BDA0002014990380000061
Y表示压缩感知后的心音信号观测序列，N是心音观测序列采样数，n表示采样点。
计算对压缩感知后的心音观测序列进行去除帧的开始和结束处不连续处理后的观测序列Y′中每帧的DFT：
Figure BDA0002014990380000062
其中，L表示离散傅里叶变换的点数，nY表示Y的采样点，j表示复数形式，k表示DFT变换后的数值下标，其中，l是L的变量；
将压缩感知后的频域心音信号序列通过Mel尺度三角形滤波器组处理得到Mel频谱，再经过对数能量处理获取对数能力，计算对数能量的公式如下：
Figure BDA0002014990380000063
其中，p表示表示三角滤波器组的个数，P是三角滤波器组总个数，本实施例中使用滤波器组的总个数为24个，Hp表示每个滤波器的传递函数，Sp表示对数能量，k表示DFT变换后的数值下标。为了计算MFCC，对获取的Sp做离散余弦变换，然后变换到倒频谱，p阶的Mel-scale Cepstrum参数的公式为：
Figure BDA0002014990380000064
其中，m指MFCC系数阶数，p是三角滤波器个数。
基于MFCC特征同时计算各种统计数据，例如平均值，标准偏差，最大值和最小值，然后通过组合这些统计，获得更大维度的新特征集。
步骤4：使用GFCC提取压缩感知后的心音信号观测序列的信号特征；
在MFCC特征提取的基础上，采用具有等效矩形带宽带的Gammatone滤波器代替三角滤波器，其余步骤一致。Gammatone滤波器的时域公式如下：
Figure BDA0002014990380000071
其中，KG为滤波器增益，nG为滤波器阶数，fcg为中心频率，
Figure BDA0002014990380000072
为相位，BG是衰减因子，t表示时间。大量研究表明nG＝4的Gammatone滤波器能较好地模拟人耳基底膜的滤波特性。等价矩形带宽的含义在于BG与fcg满足下式：
Figure BDA0002014990380000073
步骤5：使用PNCC提取压缩感知后的心音信号观测序列的信号特征；
应当清楚的是，由Kim等提出的幂归一化倒谱系数(PNCC)特征算法与梅尔频率倒谱系数(MFCC)的区别在于PNCC使用幂非线性取代了用于MFCC的对数非线性。使用PNCC提取压缩感知后的心音信号观测序列的信号特征的步骤包括：
对压缩感知后的生理信号观测序列进行预加重、分帧、加窗处理，此步骤与MFCC提取特征步骤一致，计算时使用25ms的Hamming窗口，重叠帧长为10ms。
计算每帧的短时傅里叶变换(STFT)，使用Gammatone滤波器代替MFCC使用的三角滤波器。在存在白噪声的情况下，Gammatone滤波器具有更好的信号识别率，并且与三角滤波器权重相比差异较小。通过下式对Gammatone平方求和得到短时功率谱P[mP，lP]：
Figure BDA0002014990380000081
其中，mP代表帧数，lP代表频道数，Hl(ejwk)是频率为w时Gammatone滤波器l频道的响应，KP是指DFT的大小。
大多数信号处理采用长度为10ms或30ms的帧分析处理，PNCC使用中长时功率谱反向求解得到帧长的方法获取兼顾噪声和信号出来的适当帧长。通过计算P[mP，lP]的平均值得到每帧的中值能量Q[mP,lP]：
Figure BDA0002014990380000082
本实施例中选取的mP′＝3，当mP′＝3时，误识率最低，
PNCC使用幂非线性取代了用于MFCC的对数非线性，使用y＝xa的幂函数映射；
使用离散傅里叶变换计算倒谱；
通过计算每一维倒谱分量减去该维倒谱的均值实现倒谱均值归一化。
步骤6：对使用MFCC、GFCC、PNCC提取压缩感知后的生理信号观测序列的信号特征进行融合；
将根据上述步骤获取的三组特征向量MFCC、GFCC、PNCC特征内、外部分别实现归一化，内部归一化是归一化特征向量的分量，外部归一化是归一化特征距离到相同范围的值；
根据单一特征的识别率，分别设计三组特征向量的权重值；
使用下式对使用MFCC、GFCC、PNCC提取压缩感知后的生理信号观测序列的信号特征进行融合，获取获取融合后的特征向量：
F＝Fmfcc×wmfcc+Fgfcc×wgfcc+Fpncc×wpncc
特征融合时，权重满足：
wmfcc+wgfcc+wpncc＝1
其中，F为融合后的特征向量，Fmfcc为MFCC系数；Fgfcc为GFCC系数；Fpncc为PNCC系数；wmfcc为MFCC权重值；wgfcc为GFCC权重值；wpncc为PNCC权重值。
步骤7：使用多类支持向量机(Multi-Categories Support Vector Machine,MCSVM)对融合后的特征向量进行分类识别，获取生理信号的分类结果；
使用不同的权重向量和偏倚向量将二元支持向量机转换为多类支持向量机，二元支持向量机的最优化解公式如下：
Figure BDA0002014990380000091
s.t.
yi(φT(Fi)w+b)≥1-ξi，ξi≥0
此处,Fi是训练集特征样本，yi是样本对应的标签，w表示分类超平面的法向量，b表示分类超平面的偏置项，C为惩罚因子，ξi为松弛因子。
多类支持向量机计算输出对S个类型进行分类的算法公式为：
Figure BDA0002014990380000092
Fi是第i个类型的心音信号的训练集特征样本，心音信号的类型包括正常信号、异常信号、不确定信号；w表示分类超平面的法向量，b表示分类超平面的偏置项。
在使用多类支持向量机对上述融合后的特征向量进行分类识别时，需要构建心音数据库，本实施例中的心音数据库包括：利用肩带式心音采集装置采集心音信号，随机选取采集的10组心音信号、随机选取2016年Physionet挑战库心音数据中的40组心音信号和HSCT-11公开数据库中的100组心音信号；每组取大于一个心动周期的心音信号进行实验。在上述心音数据库中随机选取其中的111例异常心音信号和89例正常心音信号进行实验，将其中的111例正常心音信号中，其中的50例用于训练，其中的61例用于测试，将其中的89例异常信号中的50例用于训练，剩余39例用做测试。
通过上述方法，将心音信号分为正常信号、异常信号、不确定信号，不确定信号为错误分类的正常信号和异常信号。
步骤8：对不确定信号的重构，并根据上述步骤对重构后的信号再次进行分类识别。
将根据步骤1至步骤7获取的心音正常信号、异常信号存储到对应的数据库中，对不确定信号进行重构，使用步骤3至步骤7所示的方法对重构后的不确定信号进行分类识别，并将分类识别的结构存储到对应的数据库中；
对不确定类型的信号进行重构时以L1范数最小二乘法为重建算法，从观测序列准确地恢复原始信号，恢复原始信号最直接的方法是转化为范数的最优化问题：
min||Θ||0,s.t.Y＝ΘX原始
其中s.t.表示约束于，Θ表示行阶梯观测矩阵，通过求解优化方程可以重构原始数据X原始。
本发明实施例提供的一种非重构压缩感知心音信号的分类装置，用于实现上述非重构压缩感知心音信号的分类方法，所述装置包括：
用于采集生理信号的信号的采集模块；
用于设计适用于生理信号的行阶梯观测矩阵的矩阵设计模块；
用于使用行阶梯观测矩阵对生理信号进行压缩，获取压缩后的生理信号观测序列的第一获取模块；
用于分别使用MFCC、GFCC、PNCC提取生理信号观测序列的信号特征的信号特征提取模块；
用于对使用MFCC、GFCC、PNCC提取生理信号观测序列的信号特征进行融合，获取融合后的特征向量的特征向量获取模块；
用于使用多类支持向量机对特征向量进行分类识别，获取生理信号的分类结果的分类结果获取模块；
用于对不确定信号进行重构，并将重构后的信号再次进行分类识别的重构模块；
用于根据生理数据的分类结果将生理数据按类存放在数据库中的存储模块。
本实施例提供的一种非重构压缩感知生理数据的分类方法及装置，通过设计的生理信号的行阶梯观测矩阵对生理信号进行压缩感知，并使用MFCC、GFCC、PNCC提取压缩感知后的心音信号观测序列的信号特征，对提取的信号特征进行融合，使用多类支持向量机对进行融合后的特征向量进行分类，获取生理数据的分类结果，并对无法确定的信号进行重构任何再次进行分类，最后对分类结果进行存储；本发明提供的非重构压缩感知生理数据的分类方法及装置，与传统的选择单一频域特征、时频域特征的方法相比较，具有更高的正确存储率，本发明具有实用价值，可有效提高存储生理信号压缩感知处理数据的效率。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围，例如使用发明提供的非重构压缩感知生理数据的分类方法及装置适用但不限于对心音信号进行分类。

Claims (10)

1.一种非重构压缩感知生理数据的分类方法，其特征在于，所述方法包括如下步骤：
构建适用于生理信号的行阶梯观测矩阵；
使用所述适用于生理信号的行阶梯观测矩阵对生理信号进行压缩感知，获取压缩感知后的生理信号观测序列；
分别使用MFCC、GFCC、PNCC提取压缩感知后的生理信号观测序列的信号特征；
对使用MFCC、GFCC、PNCC提取压缩感知后的生理信号观测序列的信号特征进行融合，获取融合后的特征向量；
使用多类支持向量机对特征向量进行分类，获取生理数据的分类结果。
2.根据权利要求1所述的非重构压缩感知生理数据的分类方法，其特征在于，所述方法还包括采集生理信号。
3.根据权利要求1所述的非重构压缩感知生理数据的分类方法，其特征在于，所述生理信号的分类结果包括正常信号、异常信号、不确定信号。
4.根据权利要求3所述的非重构压缩感知生理数据的分类方法，其特征在于，所述方法还包括对不确定信号的重构，并将重构后的信号再次进行分类识别。
5.根据权利要求1所述的非重构压缩感知生理数据的分类方法，其特征在于，所述方法还包括：根据生理数据的分类结果将生理数据按类存储在数据库中。
6.根据权利要求1所述的非重构压缩感知生理数据的分类方法，其特征在于，所述构建的适用于生理信号的行阶梯观测矩阵ΦM×N为：
Figure FDA0002014990370000021
其中每行中“1”的个数γ＝1/κ，κ＝M/N，M为观测序列采样点数，N为原始信号采样点数。
7.一种非重构压缩感知生理数据的分类装置，其特征在于，所述装置包括：
矩阵设计模块：用于设计适用于生理信号的行阶梯观测矩阵；
第一获取模块：用于使用行阶梯观测矩阵对生理信号进行压缩感知，获取压缩感知后的生理信号观测序列；
信号特征提取模块：用于分别使用MFCC、GFCC、PNCC提取压缩感知后的生理信号观测序列的信号特征；
特征向量获取模块：用于对使用MFCC、GFCC、PNCC提取压缩感知后的生理信号观测序列的信号特征进行融合，获取融合后的特征向量；
分类结果获取模块：用于使用多类支持向量机对特征向量进行分类，获取生理数据的分类结果。
8.根据权利要求7所述的非重构压缩感知生理数据的分类装置，其特征在于，所述装置还包括用于采集生理信号的信号采集模块。
9.根据权利要求7所述的非重构压缩感知生理数据的分类装置，其特征在于，所述装置还包括用于对不确定信号进行重构，并将重构后的信号再次进行分类识别的重构模块。
10.根据权利要求7所述的非重构压缩感知生理数据的分类装置，其特征在于，所述装置还包括用于根据生理数据的分类结果将生理数据按类存放在数据库中的存储模块。
CN201910259938.8A 2019-04-02 2019-04-02 一种非重构压缩感知生理数据的分类方法及装置 Withdrawn CN110956192A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910259938.8A CN110956192A (zh) 2019-04-02 2019-04-02 一种非重构压缩感知生理数据的分类方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910259938.8A CN110956192A (zh) 2019-04-02 2019-04-02 一种非重构压缩感知生理数据的分类方法及装置

Publications (1)

Publication Number Publication Date
CN110956192A true CN110956192A (zh) 2020-04-03

Family

ID=69975438

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910259938.8A Withdrawn CN110956192A (zh) 2019-04-02 2019-04-02 一种非重构压缩感知生理数据的分类方法及装置

Country Status (1)

Country Link
CN (1) CN110956192A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111669409A (zh) * 2020-07-14 2020-09-15 中国科学院微电子研究所 一种体征数据监控系统
CN112464711A (zh) * 2020-10-20 2021-03-09 西安交通大学 一种基于mfdc的脑电身份识别方法、存储介质及识别装置
CN112773340A (zh) * 2021-02-07 2021-05-11 佛山科学技术学院 一种基于eemd-pncc的脉搏特征提取系统及方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111669409A (zh) * 2020-07-14 2020-09-15 中国科学院微电子研究所 一种体征数据监控系统
CN111669409B (zh) * 2020-07-14 2024-02-27 中国科学院微电子研究所 一种体征数据监控系统
CN112464711A (zh) * 2020-10-20 2021-03-09 西安交通大学 一种基于mfdc的脑电身份识别方法、存储介质及识别装置
CN112773340A (zh) * 2021-02-07 2021-05-11 佛山科学技术学院 一种基于eemd-pncc的脉搏特征提取系统及方法
CN112773340B (zh) * 2021-02-07 2022-04-15 佛山科学技术学院 一种基于eemd-pncc的脉搏特征提取系统及方法

Similar Documents

Publication Publication Date Title
CN109961017A (zh) 一种基于卷积循环神经网络的心音信号分类方法
CN109044396B (zh) 一种基于双向长短时记忆神经网络的智能心音识别方法
Belgacem et al. ECG based human authentication using wavelets and random forests
CN104887263B (zh) 一种基于心音多维特征提取的身份识别算法及其系统
CN110353702A (zh) 一种基于浅层卷积神经网络的情感识别方法及系统
CN108701469B (zh) 咳嗽声音识别方法、设备和存储介质
CN110956192A (zh) 一种非重构压缩感知生理数据的分类方法及装置
CN110970042B (zh) 一种电子听诊器的肺部啰音人工智能实时分类方法、系统、装置及可读存储介质
CN112587153A (zh) 一种基于vPPG信号的端到端的非接触房颤自动检测系统和方法
CN102342858A (zh) 中医声诊采集与分析系统
Jasper et al. Feature extraction for human identification based on envelogram signal analysis of cardiac sounds in time-frequency domain
CN112580486B (zh) 一种基于雷达微多普勒信号分离的人体行为分类方法
CN113100756A (zh) 一种基于Stacking的帕金森震颤检测方法
Choi et al. User Authentication System Based on Baseline-corrected ECG for Biometrics.
Sharan et al. Cough sound analysis for diagnosing croup in pediatric patients using biologically inspired features
CN113796889A (zh) 一种基于深度学习的辅助电子听诊器信号判别方法
CN115359909A (zh) 一种基于注意力机制的癫痫发作检测系统
Wu et al. Robust ecg biometrics using two-stage model
CN115363586A (zh) 一种基于脉搏波信号的心理压力等级评估系统及方法
Gautam et al. Biometric system from heart sound using wavelet based feature set
CN111789629A (zh) 一种基于深度学习的呼吸音智能诊疗系统及方法
Beritelli et al. Human identity verification based on mel frequency analysis of digital heart sounds
Abbas et al. Heart‐ID: human identity recognition using heart sounds based on modifying mel‐frequency cepstral features
Casaseca-de-la-Higuera et al. Effect of downsampling and compressive sensing on audio-based continuous cough monitoring
Bashar et al. Heart abnormality classification using phonocardiogram (PCG) signals

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20200403

WW01 Invention patent application withdrawn after publication