CN112869716A - 一种基于双通道卷积神经网络的脉搏特征识别系统及方法 - Google Patents

一种基于双通道卷积神经网络的脉搏特征识别系统及方法 Download PDF

Info

Publication number
CN112869716A
CN112869716A CN202110201107.2A CN202110201107A CN112869716A CN 112869716 A CN112869716 A CN 112869716A CN 202110201107 A CN202110201107 A CN 202110201107A CN 112869716 A CN112869716 A CN 112869716A
Authority
CN
China
Prior art keywords
pulse
pulse signals
neural network
convolutional neural
characteristic information
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
CN202110201107.2A
Other languages
English (en)
Other versions
CN112869716B (zh
Inventor
王志锋
郭成龙
陈海初
谢恒�
郑焕楠
邓明斌
余猛
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.)
Foshan University
Original Assignee
Foshan University
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 Foshan University filed Critical Foshan University
Priority to CN202110201107.2A priority Critical patent/CN112869716B/zh
Publication of CN112869716A publication Critical patent/CN112869716A/zh
Application granted granted Critical
Publication of CN112869716B publication Critical patent/CN112869716B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/02007—Evaluating blood vessel condition, e.g. elasticity, compliance
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/021—Measuring pressure in heart or blood vessels
    • A61B5/02108—Measuring pressure in heart or blood vessels from analysis of pulse wave characteristics
    • 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
    • A61B5/4854—Diagnosis based on concepts of traditional oriental medicine
    • 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
    • A61B5/7264—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
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Biophysics (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • General Health & Medical Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Physiology (AREA)
  • Signal Processing (AREA)
  • Psychiatry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Cardiology (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Vascular Medicine (AREA)
  • Alternative & Traditional Medicine (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)

Abstract

本发明提供了一种基于双通道卷积神经网络的脉搏特征识别系统，包括脉搏采集模块、脉搏特征提取模块以及双通道卷积神经网络，脉搏采集模块用于采集脉搏信号并对脉搏信号进行预处理，脉搏特征提取模块用于接收预处理后的脉搏信号并提取预处理后的脉搏信号的时域特征信息以及频域特征信息，双通道卷积神经网络用于对时域特征信息以及频域特征信息进行混合训练并对脉搏信号的特征信息进行识别与分类。本发明能够获取完整的脉搏特征信息，以便对脉搏特征信息进行定量分析，并辅助医生通过脉搏特征信息进行临床上的客观诊断。相应地，本发明还提供一种基于双通道卷积神经网络的脉搏特征识别方法。

Description

一种基于双通道卷积神经网络的脉搏特征识别系统及方法
技术领域
本发明涉及数据处理技术领域，具体而言，涉及一种基于双通道卷积神经网络的脉搏特征识别系统及方法。
背景技术
脉搏压力及脉搏特征变化是评价人体心血管系统生理病理状态的重要依据，无论是中医切脉或是西医心血管病检查，都试图从脉搏波特征中提取各种生理病理信息。目前在脉诊上主要依赖于医生主观性的诊断，但由于脉搏信号复杂多样，医生在临床诊断上会出现主观性误诊的问题。
为解决医生在临床诊断上会出现的主观性误诊的问题，现有技术一般采用时域或频域分析方法对脉搏信号进行处理，并通过单通道卷积神经网络对脉搏信号的时域特征或频域特征进行训练及分类，进而实现脉搏信号的识别与后续诊断。然而采用时域或频域分析方法对脉搏信号进行处理，并通过单通道卷积神经网络对脉搏信号的时域特征或频域特征进行训练及分类无法获取完整的脉搏特征信息，不便于后续分析与诊断。
发明内容
基于此，为了解决现有技术采用时域或频域分析方法对脉搏信号进行处理，并通过单通道卷积神经网络对脉搏信号的时域特征或频域特征进行训练及分类无法获取完整的脉搏特征信息而不便于后续分析与诊断的问题，本发明提供了一种基于双通道卷积神经网络的脉搏特征识别系统及方法，其具体技术方案如下：
一种基于双通道卷积神经网络的脉搏特征识别系统，包括脉搏采集模块、脉搏特征提取模块以及双通道卷积神经网络。
所述脉搏采集模块用于采集脉搏信号并对所述脉搏信号进行预处理，所述脉搏特征提取模块用于接收预处理后的脉搏信号并提取预处理后的脉搏信号的时域特征信息以及频域特征信息，所述双通道卷积神经网络用于对所述时域特征信息以及所述频域特征信息进行混合训练并对脉搏信号的特征信息进行识别与分类。
上述基于双通道卷积神经网络的脉搏特征识别系统通过脉搏特征提取模块提取脉搏信号的时域特征信息以及频域特征信息，通过双通道卷积神经网络对所述时域特征信息以及所述频域特征信息进行混合训练并对脉搏信号的特征信息进行识别与分类，能够获取完整的脉搏特征信息，以便对脉搏特征信息进行定量分析，并辅助医生通过脉搏特征信息进行临床上的客观诊断。
进一步地，所述脉搏特征识别系统还包括处理器以及数据显示模块，所述处理器用于根据识别与分类后的脉搏信号的特征信息计算心率以及血压值，所述数据显示模块用于显示所述心率以及所述血压值。
进一步地，所述双通道卷积神经网络包括Softmax分类器。
进一步地，预处理后的脉搏信号包括多个周期的脉搏波曲线。
相应地，本发明还提供一种基于双通道卷积神经网络的脉搏特征识别方法，其包括如下步骤：
采集脉搏信号并对所述脉搏信号进行预处理；
提取预处理后的脉搏信号的时域特征信息以及频域特征信息；
通过双通道卷积神经网络对所述时域特征信息以及所述频域特征信息进行混合训练并对脉搏信号的特征信息进行识别与分类。
进一步地，提取预处理后的脉搏信号的时域特征信息的具体方法包括如下步骤：
设定低限阈值以及距离阈值；
根据所述低限阈值以及所述距离阈值搜寻预处理后的脉搏信号以获取脉搏信号的周期起始点以及周期终点；
根据所述周期起始点以及所述周期终点对预处理后的脉搏信号进行分割；
根据分割后的脉搏信号获取时域特征信息。
进一步地，提取预处理后的脉搏信号的频域特征信息的具体方法包括如下步骤：
对预处理后的脉搏信号进行集合经验模态分解处理；
对集合经验模态分解处理后的脉搏信号进行滤波；
对滤波后的脉搏信号进行功率归一化处理以及幂律非线性处理；
对功率归一化处理以及幂律非线性处理后的脉搏信号进行离散余弦变换；
对离散余弦变换后的脉搏信号进行差分变换；
根据离散余弦变换后的脉搏信号以及差分变换后的脉搏信号获取频域特征信息。
进一步地，利用脉搏传感器采集所述脉搏信号。
进一步地，预处理后的脉搏信号包括多个周期的脉搏波曲线。
相应地，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，当所述计算机程序被处理器执行时实现如上述所述的基于双通道卷积神经网络的脉搏特征识别方法。
附图说明
从以下结合附图的描述可以进一步理解本发明。图中的部件不一定按比例绘制，而是将重点放在示出实施例的原理上。在不同的视图中，相同的附图标记指定对应的部分。
图1是本发明一实施例中一种基于双通道卷积神经网络的脉搏特征识别系统的整体结构示意图；
图2是本发明一实施例中一种基于双通道卷积神经网络的脉搏特征识别方法的整体流程示意图。
具体实施方式
为了使得本发明的目的、技术方案及优点更加清楚明白，以下结合其实施例，对本发明进行进一步详细说明。应当理解的是，此处所描述的具体实施方式仅用以解释本发明，并不限定本发明的保护范围。
需要说明的是，当元件被称为“固定于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的，并不表示是唯一的实施方式。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施方式的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
本发明中所述“第一”、“第二”不代表具体的数量及顺序，仅仅是用于名称的区分。
如图1所示，本发明一实施例中的一种基于双通道卷积神经网络的脉搏特征识别系统，包括脉搏采集模块、脉搏特征提取模块以及双通道卷积神经网络。
所述脉搏采集模块用于采集脉搏信号并对所述脉搏信号进行预处理，所述脉搏特征提取模块用于接收预处理后的脉搏信号并提取预处理后的脉搏信号的时域特征信息以及频域特征信息，所述双通道卷积神经网络用于对所述时域特征信息以及所述频域特征信息进行混合训练并对脉搏信号的特征信息进行识别与分类。
上述基于双通道卷积神经网络的脉搏特征识别系统通过脉搏特征提取模块提取脉搏信号的时域特征信息以及频域特征信息，通过双通道卷积神经网络对所述时域特征信息以及所述频域特征信息进行混合训练并对脉搏信号的特征信息进行识别与分类，能够获取完整的脉搏特征信息，以便对脉搏特征信息进行定量分析，进而辅助医生通过脉搏特征信息进行临床上的客观诊断。
在其中一个实施例中，所述脉搏特征识别系统还包括处理器以及数据显示模块，所述处理器用于根据识别与分类后的脉搏信号的特征信息计算心率以及血压值，所述数据显示模块用于显示所述心率以及所述血压值。
在其中一个实施例中，所述处理器还用于根据识别与分类后的脉搏信号的特征信息获取诊断结果，所述数据显示模块还用于显示所述诊断结果。
在其中一个实施例中，所述双通道卷积神经网络包括Softmax分类器。
在其中一个实施例中，预处理后的脉搏信号包括多个周期的脉搏波曲线。
在其中一个实施例中，所述脉搏采集模块包括脉搏传感器，所述脉搏传感器用于采集脉搏信号。
在其中一个实施例中，如图2所示，本发明提供一种基于双通道卷积神经网络的脉搏特征识别方法，其包括如下步骤：
采集脉搏信号并对所述脉搏信号进行预处理；
提取预处理后的脉搏信号的时域特征信息以及频域特征信息；
通过双通道卷积神经网络对所述时域特征信息以及所述频域特征信息进行混合训练并对脉搏信号的特征信息进行识别与分类。
在其中一个实施例中，提取预处理后的脉搏信号的时域特征信息的具体方法包括如下步骤：
设定低限阈值以及距离阈值；
根据所述低限阈值以及所述距离阈值搜寻预处理后的脉搏信号以获取脉搏信号的周期起始点以及周期终点；
根据所述周期起始点以及所述周期终点对预处理后的脉搏信号进行分割；
根据分割后的脉搏信号获取时域特征信息。
通过设定低限阈值以及距离阈值，然后根据所述低限阈值以及所述距离阈值搜寻预处理后的脉搏信号以获取脉搏信号的周期起始点以及周期终点，进而完成脉搏信号的分割工作并以脉搏信号的时域特征信息作为双通道卷积神经网络的训练样本，可以双通道卷积神经网络训练样本的质量，提高所述基于双通道卷积神经网络的脉搏特征识别方法的准确率。
在其中一个实施例中，根据分割后的脉搏信号获取时域特征信息的具体方法包括如下步骤：
第一步，根据脉搏信号时域周期中的斜率特征以及积分面积特征构建脉搏波时域特征模型；
第二步，根据所述脉搏波时域特征模型计算多个周期脉搏波曲线的平均时域特征；
第三步，将不同单周期脉搏波曲线的时域特征与多个周期脉搏波曲线的平均时域特征进行比较，筛选出最优的单周期脉搏波曲线的时域特征作为所述时域特征信息。
通过将不同单周期脉搏波曲线的时域特征与多个周期脉搏波曲线的平均时域特征进行比较，筛选出最优的单周期脉搏波曲线的时域特征作为所述时域特征信息，可以消除脉搏信号中的非周期分量以及随机噪声干扰，提高所述基于双通道卷积神经网络的脉搏特征识别方法的准确率。
在其中一个实施例中，通过滤波算法对所述脉搏信号进行预处理，以去除噪声信号的影响。
在其中一个实施例中，采用光电容积脉搏波描记法采集所述脉搏信号。
在其中一个实施例中，提取预处理后的脉搏信号的频域特征信息的具体方法包括如下步骤：
对预处理后的脉搏信号进行集合经验模态分解处理；
对集合经验模态分解处理后的脉搏信号进行滤波；
对滤波后的脉搏信号进行功率归一化处理以及幂律非线性处理；
对功率归一化处理以及幂律非线性处理后的脉搏信号进行离散余弦变换；
对离散余弦变换后的脉搏信号进行差分变换；
根据离散余弦变换后的脉搏信号以及差分变换后的脉搏信号获取频域特征信息。
通过采用基于集合经验模态分解-功率规整倒谱系数方法获取脉搏信号的频域特征信息，可以解决原始功率规整倒谱系数算法在非平稳信号处理上所存在的不足，能够进一步获取完整的脉搏特征信息，以便对脉搏特征信息进行定量分析，进而辅助医生通过脉搏特征信息进行临床上的客观诊断。
在其中一个实施例中，对预处理后的脉搏信号进行集合经验模态分解处理的具体方法包括如下步骤：
第一步，向预处理后的脉搏信号加入正态分布白噪声；
第二步，将加入正态分布白噪声分解成IMF(Intrinsic Mode Function，内禀模态函数)分量；
第三步，重复第一步以及第二步M次，并且每次加入新的正态分布白噪声；
第四步，将每次得到的IMF分量的集成均值作为最终结果。
在其中一个实施例中，利用脉搏传感器采集所述脉搏信号。
在其中一个实施例中，预处理后的脉搏信号包括多个周期的脉搏波曲线。
在其中一个实施例中，本发明提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，当所述计算机程序被处理器执行时实现如上述所述的基于双通道卷积神经网络的脉搏特征识别方法。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种基于双通道卷积神经网络的脉搏特征识别系统，其特征在于，包括：
脉搏采集模块，用于采集脉搏信号并对所述脉搏信号进行预处理；
脉搏特征提取模块，用于接收预处理后的脉搏信号并提取预处理后的脉搏信号的时域特征信息以及频域特征信息；
双通道卷积神经网络，用于对所述时域特征信息以及所述频域特征信息进行混合训练并对脉搏信号的特征信息进行识别与分类。
2.如权利要求1所述的一种基于双通道卷积神经网络的脉搏特征识别系统，其特征在于，所述脉搏特征识别系统还包括处理器以及数据显示模块，所述处理器用于根据识别与分类后的脉搏信号的特征信息计算心率以及血压值，所述数据显示模块用于显示所述心率以及所述血压值。
3.如权利要求2所述的一种基于双通道卷积神经网络的脉搏特征识别系统，其特征在于，所述双通道卷积神经网络包括Softmax分类器。
4.如权利要求3所述的一种基于双通道卷积神经网络的脉搏特征识别系统，其特征在于，预处理后的脉搏信号包括多个周期的脉搏波曲线。
5.一种基于双通道卷积神经网络的脉搏特征识别方法，其特征在于，包括如下步骤：
采集脉搏信号并对所述脉搏信号进行预处理；
提取预处理后的脉搏信号的时域特征信息以及频域特征信息；
通过双通道卷积神经网络对所述时域特征信息以及所述频域特征信息进行混合训练并对脉搏信号的特征信息进行识别与分类。
6.如权利要求5所述的一种基于双通道卷积神经网络的脉搏特征识别方法，其特征在于，提取预处理后的脉搏信号的时域特征信息的具体方法包括如下步骤：
设定低限阈值以及距离阈值；
根据所述低限阈值以及所述距离阈值搜寻预处理后的脉搏信号以获取脉搏信号的周期起始点以及周期终点；
根据所述周期起始点以及所述周期终点对预处理后的脉搏信号进行分割；
根据分割后的脉搏信号获取时域特征信息。
7.如权利要求6所述的一种基于双通道卷积神经网络的脉搏特征识别方法，其特征在于，提取预处理后的脉搏信号的频域特征信息的具体方法包括如下步骤：
对预处理后的脉搏信号进行集合经验模态分解处理；
对集合经验模态分解处理后的脉搏信号进行滤波；
对滤波后的脉搏信号进行功率归一化处理以及幂律非线性处理；
对功率归一化处理以及幂律非线性处理后的脉搏信号进行离散余弦变换；
对离散余弦变换后的脉搏信号进行差分变换；
根据离散余弦变换后的脉搏信号以及差分变换后的脉搏信号获取频域特征信息。
8.如权利要求7所述的一种基于双通道卷积神经网络的脉搏特征识别方法，其特征在于，利用脉搏传感器采集所述脉搏信号。
9.如权利要求8所述的一种基于双通道卷积神经网络的脉搏特征识别方法，其特征在于，预处理后的脉搏信号包括多个周期的脉搏波曲线。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，当所述计算机程序被处理器执行时实现如权利要求5至9中任意一项所述的基于双通道卷积神经网络的脉搏特征识别方法。
CN202110201107.2A 2021-02-23 2021-02-23 一种基于双通道卷积神经网络的脉搏特征识别系统及方法 Active CN112869716B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110201107.2A CN112869716B (zh) 2021-02-23 2021-02-23 一种基于双通道卷积神经网络的脉搏特征识别系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110201107.2A CN112869716B (zh) 2021-02-23 2021-02-23 一种基于双通道卷积神经网络的脉搏特征识别系统及方法

Publications (2)

Publication Number Publication Date
CN112869716A true CN112869716A (zh) 2021-06-01
CN112869716B CN112869716B (zh) 2022-04-15

Family

ID=76053775

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110201107.2A Active CN112869716B (zh) 2021-02-23 2021-02-23 一种基于双通道卷积神经网络的脉搏特征识别系统及方法

Country Status (1)

Country Link
CN (1) CN112869716B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113907722A (zh) * 2021-11-05 2022-01-11 永州职业技术学院 一种基于hht的智能脉搏病理特征甄选分类识别系统及方法
CN114027804A (zh) * 2021-12-03 2022-02-11 科思技术(温州)研究院 一种脉象诊断的方法、装置及可读存储介质
CN114869249A (zh) * 2022-07-12 2022-08-09 慧医谷中医药科技(天津)股份有限公司 脉搏波特征参数的获取方法、装置、电子设备及介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10248819A (ja) * 1997-03-13 1998-09-22 Seiko Epson Corp 脈波診断装置
US20040039273A1 (en) * 2002-02-22 2004-02-26 Terry Alvin Mark Cepstral domain pulse oximetry
CN102824166A (zh) * 2012-07-05 2012-12-19 华东师范大学 一种用于脉搏波分类处理的装置
US10357163B1 (en) * 2012-06-01 2019-07-23 Vital Connect, Inc. Respiratory rate detection using decomposition of ECG
CN110490257A (zh) * 2019-08-21 2019-11-22 四川长虹电器股份有限公司 一种基于去趋势项的生理电信号熵分析方法
WO2020095326A1 (en) * 2018-11-11 2020-05-14 Houronearth Creative Solutions Pvt Ltd System and method for classifying a pulse morphology of a user
US20200229774A1 (en) * 2019-01-17 2020-07-23 Grant Hocking Method to Quantify Hypertension, Aging Status and Vascular Properties in Vivo from Arterial Optical Plethysmograph Waveform Measurements

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10248819A (ja) * 1997-03-13 1998-09-22 Seiko Epson Corp 脈波診断装置
US20040039273A1 (en) * 2002-02-22 2004-02-26 Terry Alvin Mark Cepstral domain pulse oximetry
US10357163B1 (en) * 2012-06-01 2019-07-23 Vital Connect, Inc. Respiratory rate detection using decomposition of ECG
CN102824166A (zh) * 2012-07-05 2012-12-19 华东师范大学 一种用于脉搏波分类处理的装置
WO2020095326A1 (en) * 2018-11-11 2020-05-14 Houronearth Creative Solutions Pvt Ltd System and method for classifying a pulse morphology of a user
US20200229774A1 (en) * 2019-01-17 2020-07-23 Grant Hocking Method to Quantify Hypertension, Aging Status and Vascular Properties in Vivo from Arterial Optical Plethysmograph Waveform Measurements
CN110490257A (zh) * 2019-08-21 2019-11-22 四川长虹电器股份有限公司 一种基于去趋势项的生理电信号熵分析方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘国华 等: "《基于卷积神经网络的脉搏波时频域特征混叠分类》", 《吉林大学学报（工学版）》 *
张碧薇: "《基于EEMD与平稳小波变换的脉搏波形特征分析研究》", 《中国优秀博硕士学位论文全文数据库(硕士)》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113907722A (zh) * 2021-11-05 2022-01-11 永州职业技术学院 一种基于hht的智能脉搏病理特征甄选分类识别系统及方法
CN114027804A (zh) * 2021-12-03 2022-02-11 科思技术(温州)研究院 一种脉象诊断的方法、装置及可读存储介质
CN114869249A (zh) * 2022-07-12 2022-08-09 慧医谷中医药科技(天津)股份有限公司 脉搏波特征参数的获取方法、装置、电子设备及介质

Also Published As

Publication number Publication date
CN112869716B (zh) 2022-04-15

Similar Documents

Publication Publication Date Title
CN112869716B (zh) 一种基于双通道卷积神经网络的脉搏特征识别系统及方法
CN110811609B (zh) 基于自适应模板匹配与机器学习算法融合的癫痫棘波智能检测装置
US20240023886A1 (en) Noninvasive method and system for sleep apnea detection
CN109758145B (zh) 基于脑电信号因果关系的自动睡眠分期方法
CN108511055B (zh) 基于分类器融合及诊断规则的室性早搏识别系统及方法
CN112869717B (zh) 一种基于bl-cnn的脉搏特征识别分类系统及方法
CN113095302B (zh) 用于心律失常分类的深度模型、利用该模型的方法及装置
CN108742697B (zh) 心音信号分类方法及终端设备
CN113057648A (zh) 一种基于复合lstm结构的ecg信号分类方法
CN107595249B (zh) 基于脉搏波的怀孕女性筛查方法
CN113855038B (zh) 基于多模型集成的心电信号危急值的预测方法及装置
CN112971795B (zh) 心电信号质量评估方法
CN110693488A (zh) 心电信号处理系统、方法、电子设备及可读存储介质
CN111370124A (zh) 一种基于面手部识别和大数据的健康分析系统及方法
CN112641451A (zh) 基于单通道脑电信号多尺度残差网络睡眠分期方法及系统
CN105877739A (zh) 一种心电智能分析系统的临床检验方法
CN109065163A (zh) 中医诊断服务平台
CN113349793A (zh) 一种基于分层注意力模型的心律失常分类方法
CN115281688A (zh) 一种基于多模态深度学习的心脏肥大多标签检测系统
CN115089139A (zh) 结合生物特征识别的个性化生理参数测量方法
CN109036552A (zh) 中医诊断终端及其存储介质
CN116784860B (zh) 基于形态学心拍模板聚类的心电信号特征提取系统
CN113440107A (zh) 基于语音信号分析的阿尔茨海默症状诊断设备
CN108338777A (zh) 一种脉搏信号检测分析方法及装置
CN112773340B (zh) 一种基于eemd-pncc的脉搏特征提取系统及方法

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