CN112674734A - 一种基于监督Seq2Seq模型的脉搏信号噪声检测方法 - Google Patents

一种基于监督Seq2Seq模型的脉搏信号噪声检测方法 Download PDF

Info

Publication number
CN112674734A
CN112674734A CN202011596336.0A CN202011596336A CN112674734A CN 112674734 A CN112674734 A CN 112674734A CN 202011596336 A CN202011596336 A CN 202011596336A CN 112674734 A CN112674734 A CN 112674734A
Authority
CN
China
Prior art keywords
signal
seq2seq model
time
signals
value
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
Application number
CN202011596336.0A
Other languages
English (en)
Other versions
CN112674734B (zh
Inventor
肖迪尹
李巧勤
刘勇国
杨尚明
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202011596336.0A priority Critical patent/CN112674734B/zh
Publication of CN112674734A publication Critical patent/CN112674734A/zh
Application granted granted Critical
Publication of CN112674734B publication Critical patent/CN112674734B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明公开了一种基于监督Seq2Seq模型的脉搏信号噪声检测方法，本发明先对目标信号进行经验模态分解，然后使用训练好的Seq2Seq模型得到该信号的特征表示，最后使用最近邻分类器，将其特征表示与训练集中已知类别信号的特征表示进行对比，进而确定该信号是否为噪声信号。本发明利用经验模态分解方法自适应提取输入信号的时频特征，将脉搏信号与噪声信号差别较大的时频信息进行突出；此外本发明还提取输入信号的多尺度特征，自动挖掘信号的具有区分力的深度特征表示，利用关系正则化引导脉搏信号的特征表示彼此接近，增加特征表示的辨别力，可以有效提高噪声信号检测精度，且不需要手动设置阈值。

Description

一种基于监督Seq2Seq模型的脉搏信号噪声检测方法
技术领域
本发明涉及噪音检测领域，具体涉及一种基于监督Seq2Seq模型的脉搏信号噪声检测方法。
背景技术
利用计算机技术对脉搏信号进行客观化分析以辅助中医临床诊断，对推动中医现代化发展具有重要意义。而脉搏信号采集过程会不可避免的受到饱和、伪迹等噪声信号干扰。脉搏信号的饱和是指信号的最大幅值超过设备所能表示的最大值，使得信号的尖端被削平；脉搏信号的伪迹是指脉搏信号中出现的无规律信号段。这两类噪声信号严重影响了脉搏信号分析的准确性，如何从脉搏信号中检测并筛选出噪声信号对后续的脉搏信号分析非常关键。
目前关于脉搏信号噪声检测的方法主要包括：第一，基于片段选择的方法，对采集到的脉搏信号进行筛选，将含有饱和或者伪迹等噪声片段的脉搏信号直接丢弃。第二，基于盲源分离的方法，对采集到的脉搏信号进行独立源成分提取，通过对独立源成分进一步分析识别噪声信号。第三，基于频率分析的方法，对采集到的脉搏信号进行频域和时频域分析，通过阈值法判断信号的频域是否属于正常的脉搏信号范围内。
上述方法为脉搏信号中的噪声检测研究奠定了基础，但是存在如下缺点：第一，需要针对不同的噪声类型单独设计检测算法，对不同的噪声类型分别进行检测，检测过程繁琐。第二，检测效果受算法阈值影响较大，上述方法需要精选设置检测阈值。第三，受限于通过观察噪声信号的具体特征设计算法，无法发现潜在的噪声信号。
发明内容
针对现有技术中的上述不足，本发明提供的一种基于监督Seq2Seq模型的脉搏信号噪声检测方法能够同时完成伪迹与饱和的自动检测，且不需要设置阈值，还可以发现其他潜在噪声信号。
为了达到上述发明目的，本发明采用的技术方案为：
提供一种基于监督Seq2Seq模型的脉搏信号噪声检测方法，其包括以下步骤：
S1、对已知标签信号进行时频分析，获取已知标签信号对应的本征模态分量和剩余信号，将已知标签信号表示为由其对应的本征模态分量和剩余信号构成的矩阵形式；
S2、采用Seq2Seq模型的编码器对矩阵形式的已知标签信号进行编码，得到对应的隐藏状态；
S3、采用Seq2Seq模型的解码器对隐藏状态进行解码重构，获取已知标签信号的特征表示；
S4、对隐藏状态进行全局平均操作，得到已知标签信号中每个信号的潜在特征表示；
S5、根据已知标签信号的特征表示获取Seq2Seq模型的重构损失，根据已知标签信号中每个信号的潜在特征表示获取Seq2Seq模型的关系正则化损失；
S6、对Seq2Seq模型的关系正则化损失添加权重系数，将Seq2Seq模型的重构损失与添加了权重系数的Seq2Seq模型的关系正则化损失之和作为Seq2Seq模型的损失函数；
S7、以Seq2Seq模型的损失函数最小为目标，采用随机梯度下降方法对Seq2Seq模型进行训练，得到训练后的Seq2Seq模型；
S8、采用与步骤S1-S4相同的方法获取目标信号中每个信号对应的潜在特征表示；
S9、通过最近邻分类器将目标信号中每个信号对应的潜在特征表示与已知类别信号的特征表示进行对比，确定目标信号是否为噪声信号。
进一步地，步骤S1包括以下子步骤：
S1-1、采用符号x＝(x(1),x(2),...,x(t),...,x(T))表示已知标签信号，构建初始待分解信号x'＝(x'(1),x'(2),...,x'(t),...,x'(T))，初始待分解信号中在时刻t的值x'(t)等于已知标签信号x在时刻t的值x(t)；其中T为已知标签信号的长度；
S1-2、搜索当前待分解信号中所有局部最大值点和局部最小值点；其中局部最大值点的个数为M，局部最小值点的个数为N；
S1-3、使用三次样条函数对局部最大值点序列进行插值，得到t时刻对应的上包络u(t)；使用三次样条函数对局部最小值点序列进行插值，得到t时刻对应的下包络l(t)；
S1-4、根据公式：
Figure BDA0002868295310000031
获取t时刻上包络与下包络的均值m(t)；
S1-5、根据公式：
r(t)＝x'(t)-m(t)
将当前待分解信号中t时刻的值减去t时刻的均值m(t)，得到剩余信号r(t)；
S1-6、判断当前剩余信号r(t)在整个数据序列内极值点的个数和过零点的数目差是否小于等于1，若是则进入步骤S1-7，否则将当前待分解信号中的t时刻的值替换为当前剩余信号r(t)的值并返回步骤S1-2；
S1-7、判断当前剩余信号r(t)是否在任意时间点下包络均值的值均为0，若是则进入步骤S1-8，否则将当前待分解信号中t时刻的值替换为当前剩余信号r(t)的值并返回步骤S1-2；
S1-8、将当前剩余信号r(t)作为第k个本征模态分量imfk(t)，并根据公式：
x”(t)＝x'(t)-imfk(t)
将当前待分解信号中t时刻的值x'(t)减去imfk(t)，得到在t时刻新的信号x”(t)，进而得到与已知标签信号对应的时间长度为T的新信号x”＝(x”(1),x”(2),...,x”(t),...,x”(T))；
S1-9、判断信号x”是否为单调信号，若是则进入步骤S1-10，否则将当前待分解信号中t时刻的值替换为在t时刻新的信号x”(t)，并返回步骤S1-2；
S1-10、将与已知标签信号对应的时间长度为T的新信号x”表示为如下矩阵形式：
Figure BDA0002868295310000041
其中K为新信号x”中本征模态分量的数量；X(t)为矩阵X的第t列。
进一步地，步骤S2中Seq2Seq模型的编码器包括Dilated RNN模型，Dilated RNN模型包含L个依次堆叠的隐藏层，每个隐藏层编码输入信号的一个尺度信息，第l层隐藏层的输出为：
Figure BDA0002868295310000042
其中s(l)为第l层的跳跃步长，
Figure BDA0002868295310000043
Figure BDA0002868295310000044
为第l-1层隐藏层的输出，
Figure BDA0002868295310000045
表示输入的时间序列；g(·)表示RNN单元；第L层隐藏层的输出即为输入对应的隐藏状态。
进一步地，步骤S3中Seq2Seq模型的解码器包括基于GRU的循环神经网络，解码器对t时刻信号的解码输出为：
Figure BDA0002868295310000046
其中
Figure BDA0002868295310000047
为解码器对t-1时刻信号的解码输出，
Figure BDA0002868295310000048
为随机值，
Figure BDA0002868295310000049
为Seq2Seq模型的编码器输出的隐藏状态；g'(·)为解码器。
进一步地，步骤S5中根据已知标签信号的特征表示获取Seq2Seq模型的重构损失的具体方法为：
根据公式：
Figure BDA0002868295310000051
获取Seq2Seq模型的重构损失Lrec；其中
Figure BDA0002868295310000052
为Seq2Seq模型的解码器对t时刻信号的解码输出；T为已知标签信号的总时长；X(t)为Seq2Seq模型的输入；
Figure BDA0002868295310000053
表示向量的二范数的平方。
进一步地，步骤S5中根据已知标签信号中每个信号的潜在特征表示获取Seq2Seq模型的关系正则化损失的具体方法为：
根据公式：
Figure BDA0002868295310000054
获取Seq2Seq模型的关系正则化损失Lrel；其中P表示包含脉搏信号的集合，N表示包含噪声信号的集合；|PP|表示脉搏-脉搏信号对的个数，|PN|表示脉搏-噪声信号对的个数；hi为已知标签信号中第i个信号的潜在特征表示；hj为已知标签信号中第j个信号的潜在特征表示；
Figure BDA0002868295310000055
表示向量的二范数的平方。
本发明的有益效果为：本发明提出一种通用的脉搏信号噪声检测方法，能够自动从输入信号中识别出无用的伪迹、饱和等噪声信号，且不需要手动设置阈值；本发明利用经验模态分解方法自适应提取输入信号的时频特征，将脉搏信号与噪声信号差别较大的时频信息进行突出；此外本发明还提取输入信号的多尺度特征，自动挖掘信号的具有区分力的深度特征表示，利用关系正则化引导脉搏信号的特征表示彼此接近，增加特征表示的辨别力，可以有效提高噪声信号检测精度。
附图说明
图1为本发明的流程示意图；
图2为本发明Seq2Seq模型的结构示意图；
图3为本发明中关系正则化示意图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
如图1和图2所示，该基于监督Seq2Seq模型的脉搏信号噪声检测方法包括以下步骤：
S1、对已知标签信号进行时频分析，获取已知标签信号对应的本征模态分量和剩余信号，将已知标签信号表示为由其对应的本征模态分量和剩余信号构成的矩阵形式；
S2、采用Seq2Seq模型的编码器对矩阵形式的已知标签信号进行编码，得到对应的隐藏状态；
S3、采用Seq2Seq模型的解码器对隐藏状态进行解码重构，获取已知标签信号的特征表示；
S4、对隐藏状态进行全局平均操作，得到已知标签信号中每个信号的潜在特征表示；
S5、根据已知标签信号的特征表示获取Seq2Seq模型的重构损失，根据已知标签信号中每个信号的潜在特征表示获取Seq2Seq模型的关系正则化损失；
S6、对Seq2Seq模型的关系正则化损失添加权重系数，将Seq2Seq模型的重构损失与添加了权重系数的Seq2Seq模型的关系正则化损失之和作为Seq2Seq模型的损失函数；
S7、以Seq2Seq模型的损失函数最小为目标，采用随机梯度下降方法对Seq2Seq模型进行训练，得到训练后的Seq2Seq模型；
S8、采用与步骤S1-S4相同的方法获取目标信号中每个信号对应的潜在特征表示；
S9、通过最近邻分类器将目标信号中每个信号对应的潜在特征表示与已知类别信号的特征表示进行对比，确定目标信号是否为噪声信号。
步骤S1包括以下子步骤：
S1-1、采用符号x＝(x(1),x(2),...,x(t),...,x(T))表示已知标签信号，构建初始待分解信号x'＝(x'(1),x'(2),...,x'(t),...,x'(T))，初始待分解信号中在时刻t的值x'(t)等于已知标签信号x在时刻t的值x(t)；其中T为已知标签信号的长度；
S1-2、搜索当前待分解信号中所有局部最大值点和局部最小值点；其中局部最大值点的个数为M，局部最小值点的个数为N；
S1-3、使用三次样条函数对局部最大值点序列进行插值，得到t时刻对应的上包络u(t)；使用三次样条函数对局部最小值点序列进行插值，得到t时刻对应的下包络l(t)；
S1-4、根据公式：
Figure BDA0002868295310000071
获取t时刻上包络与下包络的均值m(t)；
S1-5、根据公式：
r(t)＝x'(t)-m(t)
将当前待分解信号中t时刻的值减去t时刻的均值m(t)，得到剩余信号r(t)；
S1-6、判断当前剩余信号r(t)在整个数据序列内极值点的个数和过零点的数目差是否小于等于1，若是则进入步骤S1-7，否则将当前待分解信号中的t时刻的值替换为当前剩余信号r(t)的值并返回步骤S1-2；
S1-7、判断当前剩余信号r(t)是否在任意时间点下包络均值的值均为0，若是则进入步骤S1-8，否则将当前待分解信号中t时刻的值替换为当前剩余信号r(t)的值并返回步骤S1-2；
S1-8、将当前剩余信号r(t)作为第k个本征模态分量imfk(t)，并根据公式：
x”(t)＝x'(t)-imfk(t)
将当前待分解信号中t时刻的值x'(t)减去imfk(t)，得到在t时刻新的信号x”(t)，进而得到与已知标签信号对应的时间长度为T的新信号x”＝(x”(1),x”(2),...,x”(t),...,x”(T))；
S1-9、判断信号x”是否为单调信号，若是则进入步骤S1-10，否则将当前待分解信号中t时刻的值替换为在t时刻新的信号x”(t)，并返回步骤S1-2；
S1-10、将与已知标签信号对应的时间长度为T的新信号x”表示为如下矩阵形式：
Figure BDA0002868295310000081
其中K为新信号x”中本征模态分量的数量；X(t)为矩阵X的第t列。
如图2所示，步骤S2中Seq2Seq模型的编码器包括Dilated RNN模型，Dilated RNN模型包含L个依次堆叠的隐藏层，每个隐藏层编码输入信号的一个尺度信息，第l层隐藏层的输出为：
Figure BDA0002868295310000082
其中s(l)为第l层的跳跃步长，
Figure BDA0002868295310000091
Figure BDA0002868295310000092
为第l-1层隐藏层的输出，
Figure BDA0002868295310000093
表示输入的时间序列；g(·)表示RNN单元；第L层隐藏层的输出即为输入对应的隐藏状态。
步骤S3中Seq2Seq模型的解码器包括基于GRU的循环神经网络，解码器对t时刻信号的解码输出为：
Figure BDA0002868295310000094
其中
Figure BDA0002868295310000095
为解码器对t-1时刻信号的解码输出，
Figure BDA0002868295310000096
为第0时刻的解码输出，由于实际中不存在第0时刻，所以采用随机值，
Figure BDA0002868295310000097
为Seq2Seq模型的编码器输出的隐藏状态；g'(·)为解码器。
步骤S5中根据已知标签信号的特征表示获取Seq2Seq模型的重构损失的具体方法为：根据公式：
Figure BDA0002868295310000098
获取Seq2Seq模型的重构损失Lrec；其中
Figure BDA0002868295310000099
为Seq2Seq模型的解码器对t时刻信号的解码输出；T为已知标签信号的总时长；X(t)为Seq2Seq模型的输入；
Figure BDA00028682953100000910
表示向量的二范数的平方。
步骤S5中根据已知标签信号中每个信号的潜在特征表示获取Seq2Seq模型的关系正则化损失的具体方法为：根据公式：
Figure BDA00028682953100000911
获取Seq2Seq模型的关系正则化损失Lrel；其中P表示包含脉搏信号的集合，N表示包含噪声信号的集合；|PP|表示脉搏-脉搏信号对的个数，|PN|表示脉搏-噪声信号对的个数；hi为已知标签信号中第i个信号的潜在特征表示；hj为已知标签信号中第j个信号的潜在特征表示；
Figure BDA00028682953100000912
表示向量的二范数的平方。
在本发明的一个实施例中，关系正则化损失有助于增加信号潜在特征表示的辨别力，引导脉搏信号的特征表示彼此之间距离接近，而噪声信号与脉搏信号的特征表示相互远离。如图3所示，脉搏信号的潜在表示为黑色实心圆，而其他空心图形为噪声信号，不同的形状表示不同的噪声类型。引入关系正则化后，可以通过测试信号与正常脉搏信号的距离判断该信号是否出现异常模式，从而发现一些未知类型的噪声信号。
综上所述，本发明先对目标信号进行经验模态分解，然后使用训练好的Seq2Seq模型得到该信号的特征表示，最后使用最近邻分类器，将其特征表示与训练集中已知类别信号的特征表示进行对比，进而确定该信号是否为噪声信号。本方法能够自动从输入信号中识别出无用的伪迹、饱和等噪声信号，且不需要手动设置阈值；本发明利用经验模态分解方法自适应提取输入信号的时频特征，将脉搏信号与噪声信号差别较大的时频信息进行突出；此外本发明还提取输入信号的多尺度特征，自动挖掘信号的具有区分力的深度特征表示，利用关系正则化引导脉搏信号的特征表示彼此接近，增加特征表示的辨别力，可以有效提高噪声信号检测精度。

Claims (6)

1.一种基于监督Seq2Seq模型的脉搏信号噪声检测方法，其特征在于，包括以下步骤：
S1、对已知标签信号进行时频分析，获取已知标签信号对应的本征模态分量和剩余信号，将已知标签信号表示为由其对应的本征模态分量和剩余信号构成的矩阵形式；
S2、采用Seq2Seq模型的编码器对矩阵形式的已知标签信号进行编码，得到对应的隐藏状态；
S3、采用Seq2Seq模型的解码器对隐藏状态进行解码重构，获取已知标签信号的特征表示；
S4、对隐藏状态进行全局平均操作，得到已知标签信号中每个信号的潜在特征表示；
S5、根据已知标签信号的特征表示获取Seq2Seq模型的重构损失，根据已知标签信号中每个信号的潜在特征表示获取Seq2Seq模型的关系正则化损失；
S6、对Seq2Seq模型的关系正则化损失添加权重系数，将Seq2Seq模型的重构损失与添加了权重系数的Seq2Seq模型的关系正则化损失之和作为Seq2Seq模型的损失函数；
S7、以Seq2Seq模型的损失函数最小为目标，采用随机梯度下降方法对Seq2Seq模型进行训练，得到训练后的Seq2Seq模型；
S8、采用与步骤S1-S4相同的方法获取目标信号中每个信号对应的潜在特征表示；
S9、通过最近邻分类器将目标信号中每个信号对应的潜在特征表示与已知类别信号的特征表示进行对比，确定目标信号是否为噪声信号。
2.根据权利要求1所述的基于监督Seq2Seq模型的脉搏信号噪声检测方法，其特征在于，所述步骤S1包括以下子步骤：
S1-1、采用符号x＝(x(1),x(2),...,x(t),...,x(T))表示已知标签信号，构建初始待分解信号x'＝(x'(1),x'(2),...,x'(t),...,x'(T))，初始待分解信号中在时刻t的值x'(t)等于已知标签信号x在时刻t的值x(t)；其中T为已知标签信号的长度；
S1-2、搜索当前待分解信号中所有局部最大值点和局部最小值点；其中局部最大值点的个数为M，局部最小值点的个数为N；
S1-3、使用三次样条函数对局部最大值点序列进行插值，得到t时刻对应的上包络u(t)；使用三次样条函数对局部最小值点序列进行插值，得到t时刻对应的下包络l(t)；
S1-4、根据公式：
Figure FDA0002868295300000021
获取t时刻上包络与下包络的均值m(t)；
S1-5、根据公式：
r(t)＝x'(t)-m(t)
将当前待分解信号中t时刻的值减去t时刻的均值m(t)，得到剩余信号r(t)；
S1-6、判断当前剩余信号r(t)在整个数据序列内极值点的个数和过零点的数目差是否小于等于1，若是则进入步骤S1-7，否则将当前待分解信号中的t时刻的值替换为当前剩余信号r(t)的值并返回步骤S1-2；
S1-7、判断当前剩余信号r(t)是否在任意时间点下包络均值的值均为0，若是则进入步骤S1-8，否则将当前待分解信号中t时刻的值替换为当前剩余信号r(t)的值并返回步骤S1-2；
S1-8、将当前剩余信号r(t)作为第k个本征模态分量imfk(t)，并根据公式：
x”(t)＝x'(t)-imfk(t)
将当前待分解信号中t时刻的值x'(t)减去imfk(t)，得到在t时刻新的信号x”(t)，进而得到与已知标签信号对应的时间长度为T的新信号x”＝(x”(1),x”(2),...,x”(t),...,x”(T))；
S1-9、判断信号x”是否为单调信号，若是则进入步骤S1-10，否则将当前待分解信号中t时刻的值替换为在t时刻新的信号x”(t)，并返回步骤S1-2；
S1-10、将与已知标签信号对应的时间长度为T的新信号x”表示为如下矩阵形式：
Figure FDA0002868295300000031
其中K为新信号x”中本征模态分量的数量；X(t)为矩阵X的第t列。
3.根据权利要求1所述的基于监督Seq2Seq模型的脉搏信号噪声检测方法，其特征在于，所述步骤S2中Seq2Seq模型的编码器包括Dilated RNN模型，Dilated RNN模型包含L个依次堆叠的隐藏层，每个隐藏层编码输入信号的一个尺度信息，第l层隐藏层的输出为：
Figure FDA0002868295300000032
其中s(l)为第l层的跳跃步长，
Figure FDA0002868295300000033
Figure FDA0002868295300000034
为第l-1层隐藏层的输出，
Figure FDA0002868295300000035
表示输入的时间序列；g(·)表示RNN单元；第L层隐藏层的输出即为输入对应的隐藏状态。
4.根据权利要求1所述的基于监督Seq2Seq模型的脉搏信号噪声检测方法，其特征在于，所述步骤S3中Seq2Seq模型的解码器包括基于GRU的循环神经网络，解码器对t时刻信号的解码输出为：
Figure FDA0002868295300000036
其中
Figure FDA0002868295300000037
为解码器对t-1时刻信号的解码输出，
Figure FDA0002868295300000038
为随机值，
Figure FDA0002868295300000039
为Seq2Seq模型的编码器输出的隐藏状态；g'(·)为解码器。
5.根据权利要求1所述的基于监督Seq2Seq模型的脉搏信号噪声检测方法，其特征在于，所述步骤S5中根据已知标签信号的特征表示获取Seq2Seq模型的重构损失的具体方法为：
根据公式：
Figure FDA0002868295300000041
获取Seq2Seq模型的重构损失Lrec；其中
Figure FDA0002868295300000042
为Seq2Seq模型的解码器对t时刻信号的解码输出；T为已知标签信号的总时长；X(t)为Seq2Seq模型的输入；
Figure FDA0002868295300000043
表示向量的二范数的平方。
6.根据权利要求1所述的基于监督Seq2Seq模型的脉搏信号噪声检测方法，其特征在于，所述步骤S5中根据已知标签信号中每个信号的潜在特征表示获取Seq2Seq模型的关系正则化损失的具体方法为：
根据公式：
Figure FDA0002868295300000044
获取Seq2Seq模型的关系正则化损失Lrel；其中P表示包含脉搏信号的集合，N表示包含噪声信号的集合；|PP|表示脉搏-脉搏信号对的个数，|PN|表示脉搏-噪声信号对的个数；hi为已知标签信号中第i个信号的潜在特征表示；hj为已知标签信号中第j个信号的潜在特征表示；
Figure FDA0002868295300000045
表示向量的二范数的平方。
CN202011596336.0A 2020-12-29 2020-12-29 一种基于监督Seq2Seq模型的脉搏信号噪声检测方法 Active CN112674734B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011596336.0A CN112674734B (zh) 2020-12-29 2020-12-29 一种基于监督Seq2Seq模型的脉搏信号噪声检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011596336.0A CN112674734B (zh) 2020-12-29 2020-12-29 一种基于监督Seq2Seq模型的脉搏信号噪声检测方法

Publications (2)

Publication Number Publication Date
CN112674734A true CN112674734A (zh) 2021-04-20
CN112674734B CN112674734B (zh) 2021-12-07

Family

ID=75454076

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011596336.0A Active CN112674734B (zh) 2020-12-29 2020-12-29 一种基于监督Seq2Seq模型的脉搏信号噪声检测方法

Country Status (1)

Country Link
CN (1) CN112674734B (zh)

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104408723A (zh) * 2014-11-26 2015-03-11 浙江大学 一种基于非负矩阵临近的拉曼光谱图像解混方法
US20180060511A1 (en) * 2016-08-24 2018-03-01 Panasonic Intellectual Property Management Co., Ltd. Motor function estimation information generation apparatus, motor function estimation system, motor function estimation information generation method, motor function estimation method and storage medium
CN108091397A (zh) * 2018-01-24 2018-05-29 浙江大学 一种基于提升-重采样和特征关联分析的缺血性心脏病患者的出血事件预测方法
CN108875818A (zh) * 2018-06-06 2018-11-23 西安交通大学 基于变分自编码机与对抗网络结合的零样本图像分类方法
CN109147010A (zh) * 2018-08-22 2019-01-04 广东工业大学 带属性人脸图像生成方法、装置、系统及可读存储介质
CN109171774A (zh) * 2018-09-30 2019-01-11 合肥工业大学 基于多通道数据的人格分析方法和系统
CN109299479A (zh) * 2018-08-21 2019-02-01 苏州大学 通过门控机制将翻译记忆融入神经机器翻译的方法
CN109886498A (zh) * 2019-03-01 2019-06-14 北京邮电大学 一种基于特征选择的emd-gru短期电力负荷预测方法
CN110390103A (zh) * 2019-07-23 2019-10-29 中国民航大学 基于双编码器的短文本自动摘要方法及系统
US10599550B2 (en) * 2018-07-06 2020-03-24 Capital One Services, Llc Systems and methods to identify breaking application program interface changes
CN111009236A (zh) * 2019-11-20 2020-04-14 武汉水象电子科技有限公司 一种基于dblstm+ctc声学模型的语音识别方法
CN111723587A (zh) * 2020-06-23 2020-09-29 桂林电子科技大学 一种面向跨语言知识图谱的汉泰实体对齐方法
CN111755001A (zh) * 2020-05-07 2020-10-09 国网山东省电力公司信息通信公司 一种基于人工智能的电网快速调度指挥系统及方法
US20200372897A1 (en) * 2019-05-23 2020-11-26 Google Llc Variational Embedding Capacity in Expressive End-to-End Speech Synthesis

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104408723A (zh) * 2014-11-26 2015-03-11 浙江大学 一种基于非负矩阵临近的拉曼光谱图像解混方法
US20180060511A1 (en) * 2016-08-24 2018-03-01 Panasonic Intellectual Property Management Co., Ltd. Motor function estimation information generation apparatus, motor function estimation system, motor function estimation information generation method, motor function estimation method and storage medium
CN108091397A (zh) * 2018-01-24 2018-05-29 浙江大学 一种基于提升-重采样和特征关联分析的缺血性心脏病患者的出血事件预测方法
CN108875818A (zh) * 2018-06-06 2018-11-23 西安交通大学 基于变分自编码机与对抗网络结合的零样本图像分类方法
US10599550B2 (en) * 2018-07-06 2020-03-24 Capital One Services, Llc Systems and methods to identify breaking application program interface changes
CN109299479A (zh) * 2018-08-21 2019-02-01 苏州大学 通过门控机制将翻译记忆融入神经机器翻译的方法
CN109147010A (zh) * 2018-08-22 2019-01-04 广东工业大学 带属性人脸图像生成方法、装置、系统及可读存储介质
CN109171774A (zh) * 2018-09-30 2019-01-11 合肥工业大学 基于多通道数据的人格分析方法和系统
CN109886498A (zh) * 2019-03-01 2019-06-14 北京邮电大学 一种基于特征选择的emd-gru短期电力负荷预测方法
US20200372897A1 (en) * 2019-05-23 2020-11-26 Google Llc Variational Embedding Capacity in Expressive End-to-End Speech Synthesis
CN110390103A (zh) * 2019-07-23 2019-10-29 中国民航大学 基于双编码器的短文本自动摘要方法及系统
CN111009236A (zh) * 2019-11-20 2020-04-14 武汉水象电子科技有限公司 一种基于dblstm+ctc声学模型的语音识别方法
CN111755001A (zh) * 2020-05-07 2020-10-09 国网山东省电力公司信息通信公司 一种基于人工智能的电网快速调度指挥系统及方法
CN111723587A (zh) * 2020-06-23 2020-09-29 桂林电子科技大学 一种面向跨语言知识图谱的汉泰实体对齐方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ALESSANDRO BAY: "《StackSeq2Seq: Dual Encoder Seq2Seq Recurrent Networks》", 《ARXIV.ORG》 *
汪贝贝: "《基于Seq2Seq模型的自动文本摘要技模型的自动文本摘要技模型的自动文本摘要技术研究与实现》", 《万方数据库》 *

Also Published As

Publication number Publication date
CN112674734B (zh) 2021-12-07

Similar Documents

Publication Publication Date Title
CN111160139B (zh) 心电信号的处理方法、装置及终端设备
CN107203692B (zh) 基于深度卷积神经网络的心电数据数字信号处理方法
CN104523266B (zh) 一种心电信号自动分类方法
CN111110228B (zh) 一种心电信号r波的检测方法及装置
CN107092884B (zh) 一种快速粗精级联行人检测方法
CN110619264B (zh) 基于UNet++的微地震有效信号识别方法及装置
CN108567418A (zh) 一种基于PCANet的脉搏信号亚健康检测方法及检测系统
CN110731773A (zh) 一种基于心电波形图全局与局部深度特征融合的异常心电图筛查方法
CN104778466A (zh) 一种联合多种上下文线索的图像关注区域检测方法
CN104679967A (zh) 一种判断心理测试可靠性的方法
CN109658377B (zh) 一种基于多维度信息融合的乳腺mri病变区域检测方法
CN111053552A (zh) 一种基于深度学习的qrs波检测方法
CN112674734B (zh) 一种基于监督Seq2Seq模型的脉搏信号噪声检测方法
CN114241240A (zh) 脑部图像的分类方法、装置、电子设备及存储介质
CN116626753B (zh) 一种基于多模态神经网络的微地震事件识别方法及系统
CN112336354A (zh) 一种基于eeg信号癫痫监测方法
CN112932431B (zh) 一种基于1DCNN+InceptionNet+GRU融合网络的心率识别方法
CN111753640B (zh) 一种采用卷积神经网络和长短期记忆检测群养猪玩耍行为的分析方法
CN111157967B (zh) 基于脉冲相干雷达的智能垃圾隔袋识别和分类方法
Guo et al. Multi‐Scale Attention‐Enhanced Deep Learning Model for Ionogram Automatic Scaling
CN113030060A (zh) 基于卷积神经网络的毒品拉曼光谱识别方法
CN111368793A (zh) 一种基于荧光视频的神经元胞体自动识别系统
CN117609874B (zh) 基于集成深度学习的岩石断层摩擦微震检测方法和系统
CN114595731B (zh) 基于持续学习的非线性医疗传感器数据的语义分割方法
CN113627470B (zh) 一种基于零次学习的光纤预警系统未知事件分类方法

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
GR01 Patent grant
GR01 Patent grant