CN112869717B - 一种基于bl-cnn的脉搏特征识别分类系统及方法 - Google Patents
一种基于bl-cnn的脉搏特征识别分类系统及方法 Download PDFInfo
- Publication number
- CN112869717B CN112869717B CN202110207741.7A CN202110207741A CN112869717B CN 112869717 B CN112869717 B CN 112869717B CN 202110207741 A CN202110207741 A CN 202110207741A CN 112869717 B CN112869717 B CN 112869717B
- Authority
- CN
- China
- Prior art keywords
- pulse signals
- pulse
- characteristic point
- time
- characteristic
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000012545 processing Methods 0.000 claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000013527 convolutional neural network Methods 0.000 claims description 40
- 238000000605 extraction Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 10
- 238000000354 decomposition reaction Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims 1
- 230000002123 temporal effect Effects 0.000 claims 1
- 238000003745 diagnosis Methods 0.000 abstract description 11
- 230000008569 process Effects 0.000 description 6
- 230000001575 pathological effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 210000000748 cardiovascular system Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035485 pulse pressure Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
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
- A61B5/72—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)
- Artificial Intelligence (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Physiology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Cardiology (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Vascular Medicine (AREA)
- Complex Calculations (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了一种基于BL‑CNN的脉搏特征识别分类方法，其包括如下步骤：采集脉搏信号并对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；提取预处理后的脉搏信号的频域特征信息；通过BI‑LSTM模型对时域特征信息进行处理；对频域特征信息以及处理后的时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分类。本发明通过充分考虑脉搏信号特征的时间相关性，可方便后续脉搏信号特征信息的识别分类，为医生诊断提供重要依据，提高了脉搏诊断效率及脉搏诊断准确率。相应地，本发明还提供一种基于BL‑CNN的脉搏特征识别分类系统。
Description
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BL-CNN的脉搏特征识别分类系统及方法。
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，都试图从脉搏信号特征中提取各种生理病理信息。由于脉搏信号前后间具有一定的联系，故而脉搏信号时间相关性能够为医生提供病理信息，并为脉搏诊断提供一个重要依据。
目前在对脉搏信号特征进行训练的方法中，一般采用卷积神经网络、BP神经网络等，其均未考虑到脉搏信号的时间相关性，容易导致脉搏信号在识别及特征训练过程中部分特征信息被忽略，降低了智能诊断准确率以及识别率。
发明内容
基于此，为了解决目前对脉搏信号特征进行训练的方法由于未考虑到脉搏信号的时间相关性而存在容易导致脉搏信号在识别及特征训练过程中部分特征信息被忽略，降低了智能诊断准确率以及识别率的问题，本发明提供了一种基于BL-CNN的脉搏特征识别分类系统及方法，其具体技术方案如下：
一种基于BL-CNN的脉搏特征识别分类系统，包括脉搏信号采集模块、时域特征提取模块、频域特征提取模块以及卷积神经网络。
所述脉搏信号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；所述时域特征提取模块用于接收预处理后的所述脉搏信号并提取预处理后的所述脉搏信号的时域特征信息；所述频域特征提取模块用于接收预处理后的所述脉搏信号并提取预处理后的所述脉搏信号的频域特征信息；所述脉搏特征处理模块，用于通过BI-LSTM模型对所述时域特征信息进行处理；所述卷积神经网络用于对所述频域特征信息以及处理后的所述时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分类。
上述基于BL-CNN的脉搏特征识别分类系统通过提取脉搏波信号的时域特征信息以及频域特征信息，并通过BI-LSTM模型对所述时域特征信息进行处理，利用卷积神经网络对所述频域特征信息以及处理后的所述时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分类，充分考虑了脉搏信号特征的时间相关性，其能够获取完整的脉搏特征信息，解决了目前对脉搏信号特征进行训练的方法由于未考虑到脉搏信号的时间相关性而存在容易导致脉搏信号在识别及特征训练过程中部分特征信息被忽略，降低了智能诊断准确率以及识别率的问题。
进一步地，预处理后的所述脉搏信号包括多个周期的脉搏波曲线。
进一步地，所述时域特征信息的公式为
其中，A、B、C、D以及E表示单个脉搏波曲线上的特征点，fAB、fBC、fCD以及fDE分别表示取特征点A到特征点B之间的曲线、取特征点B到特征点C之间的曲线、取特征点C到特征点D之间的曲线、取特征点D到特征点E之间的曲线以及取特征点A到特征点E之间的曲线，t1、t2、t3、t4以及t5分别表示特征点A、特征点B、特征点C、特征点D以及特征点E的时间，i表示所述脉搏波曲线的周期个数。
进一步地，所述卷积神经网络包括Softmax分类器。
相应地，本发明提供一种基于BL-CNN的脉搏特征识别分类方法，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；
提取预处理后的所述脉搏信号的时域特征信息；
提取预处理后的所述脉搏信号的频域特征信息；
通过BI-LSTM模型对所述时域特征信息进行处理；
对所述频域特征信息以及处理后的所述时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分类。
进一步地，提取预处理后的所述脉搏信号的频域特征信息的具体方法包括如下步骤：
对预处理后的所述脉搏信号进行小波分解处理；
对小波分解处理后的所述脉搏信号进行滤波处理；
对滤波处理后的所述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所述脉搏信号进行离散余弦变换；
对离散余弦变换后的所述脉搏信号进行差分变换；
根据离散余弦变换后的所述脉搏信号以及差分变换后的所述脉搏信号获取频域特征信息。
进一步地，预处理后的所述脉搏信号包括多个周期的脉搏波曲线。
进一步地，所述时域特征信息的公式为
其中，A、B、C、D以及E表示单个脉搏波曲线上的特征点，fAB、fBC、fCD以及fDE分别表示取特征点A到特征点B之间的曲线、取特征点B到特征点C之间的曲线、取特征点C到特征点D之间的曲线、取特征点D到特征点E之间的曲线以及取特征点A到特征点E之间的曲线，t1、t2、t3、t4以及t5分别表示特征点A、特征点B、特征点C、特征点D以及特征点E的时间，i表示所述脉搏波曲线的周期个数。
进一步地，通过卷积神经网络对所述频域特征信息以及处理后的所述时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分类。
相应地，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BL-CNN的脉搏特征识别分类方法。
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BL-CNN的脉搏特征识别分类方法的整体流程示意图；
图2是本发明一实施例中一种基于BL-CNN的脉搏特征识别分类方法的提取预处理后的所述脉搏信号的频域特征信息的具体方法的流程示意图；
图3是本发明一实施例中一种基于BL-CNN的脉搏特征识别分类方法的脉搏波曲线的示意图；
图4是本发明一实施例中一种基于BL-CNN的脉搏特征识别分类方法的BI-LSTM模型的结构示意图。
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。
本发明一实施例中的一种基于BL-CNN的脉搏特征识别分类系统，包括脉搏信号采集模块、时域特征提取模块、频域特征提取模块以及卷积神经网络。
所述脉搏信号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；所述时域特征提取模块用于接收预处理后的所述脉搏信号并提取预处理后的所述脉搏信号的时域特征信息；所述频域特征提取模块用于接收预处理后的所述脉搏信号并提取预处理后的所述脉搏信号的频域特征信息；所述脉搏特征处理模块，用于通过BI-LSTM模型对所述时域特征信息进行处理；所述卷积神经网络用于对所述频域特征信息以及处理后的所述时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分类。
上述基于BL(Bi-directional Long Short-Term Memory，双向长短时记忆)-CNN(Convolutional Neural Network,卷积神经网络)的脉搏特征识别分类系统通过提取脉搏波信号的时域特征信息以及频域特征信息，并通过BI-LSTM模型对所述时域特征信息进行处理，利用卷积神经网络对所述频域特征信息以及处理后的所述时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分类，充分考虑了脉搏信号特征的时间相关性，其能够获取完整的脉搏特征信息，解决了目前对脉搏信号特征进行训练的方法由于未考虑到脉搏信号的时间相关性而存在容易导致脉搏信号在识别及特征训练过程中部分特征信息被忽略，降低了智能诊断准确率以及识别率的问题。
在其中一个实施例中，预处理后的所述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，所述时域特征信息的公式为
其中，A、B、C、D以及E表示单个脉搏波曲线上的特征点，fAB、fBC、fCD以及fDE分别表示取特征点A到特征点B之间的曲线、取特征点B到特征点C之间的曲线、取特征点C到特征点D之间的曲线、取特征点D到特征点E之间的曲线以及取特征点A到特征点E之间的曲线，t1、t2、t3、t4以及t5分别表示特征点A、特征点B、特征点C、特征点D以及特征点E的时间，i表示所述脉搏波曲线的周期个数。
在其中一个实施例中，所述卷积神经网络包括Softmax分类器。
在其中一个实施例中，在通过BI-LSTM模型对所述时域特征信息进行处理前，先对所述时域特征信息进行归一化处理，在所述卷积神经网络用于对所述频域特征信息以及处理后的所述时域特征信息进行混合训练前，先对所述频域特征信息进行归一化处理。
在其中一个实施例中，如图1所示，本发明提供一种基于BL-CNN的脉搏特征识别分类方法，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；
提取预处理后的所述脉搏信号的时域特征信息；
提取预处理后的所述脉搏信号的频域特征信息；
通过BI-LSTM模型对所述时域特征信息进行处理；
对所述频域特征信息以及处理后的所述时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分类。
上述基于BL-CNN的脉搏特征识别分类方法通过BI-LSTM模型对所述时域特征信息进行处理，在获取准确完整的脉搏特征信息的同时，能够避免特征信息的冗余，其通过充分考虑脉搏信号特征的时间相关性，可方便后续脉搏信号特征信息的识别分类，为医生诊断提供重要依据，提高了脉搏诊断效率及脉搏诊断准确率。
在其中一个实施例中，通过光电式脉搏传感器采集所述脉搏信号，并通过处理器对采集到的脉搏信号进行预处理。所述预处理包括高频噪声滤波以及低频噪声滤波。通过对所述脉搏信号进行预处理，可以提高所述脉搏特征识别分类方法的效率。
在其中一个实施例中，如图2所示，提取预处理后的所述脉搏信号的频域特征信息的具体方法包括如下步骤：
对预处理后的所述脉搏信号进行小波分解处理；
对小波分解处理后的所述脉搏信号进行滤波处理；
对滤波处理后的所述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所述脉搏信号进行离散余弦变换；
对离散余弦变换后的所述脉搏信号进行差分变换；
根据离散余弦变换后的所述脉搏信号以及差分变换后的所述脉搏信号获取频域特征信息。
通过基于改进的WT-PNCC的方法，提取预处理后的所述脉搏信号的频域特征信息，可对所述时域特征信息进行补充，进而获取完整的脉搏特征信息。
在其中一个实施例中，预处理后的所述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，如图3所示，所述时域特征信息的公式为
其中，A、B、C、D以及E表示单个脉搏波曲线上的特征点，fAB、fBC、fCD以及fDE分别表示取特征点A到特征点B之间的曲线、取特征点B到特征点C之间的曲线、取特征点C到特征点D之间的曲线、取特征点D到特征点E之间的曲线以及取特征点A到特征点E之间的曲线，t1、t2、t3、t4以及t5分别表示特征点A、特征点B、特征点C、特征点D以及特征点E的时间，i表示所述脉搏波曲线的周期个数。
通过上述公式，可对所述脉搏信号进行定量分析，以更好地对脉搏信号的特征信息进行识别分类。
在其中一个实施例中，如图4所示，所述BI-LSTM模型包括一个深层通道A1...At以及一个浅层通道a1..at。所述深层通道包括两个卷积层，所述浅层通道包括一个卷积层，其通过提取不同尺度的脉搏信号的时域特征信息来融合脉搏信号时间前后的状态特征以完成对所述时域特征信息进行处理。
对于所述浅层通道，t时刻的输入为t时刻的序列数据bt和t-1时刻输出at-1。对于所述深层通道，t时刻的输入为t时刻的序列数据bt和t+1时刻输出At+1，所述BI-LSTM模型的输出表示为Y＝(Ai+1，at-1)。
在其中一个实施例中，通过卷积神经网络对所述频域特征信息以及处理后的所述时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分类。
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BL-CNN的脉搏特征识别分类方法。
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 (9)
1.一种基于BL-CNN的脉搏特征识别分类系统，其特征在于，包括：
脉搏信号采集模块，用于采集脉搏信号并对所述脉搏信号进行预处理；
时域特征提取模块，用于接收预处理后的所述脉搏信号并提取预处理后的所述脉搏信号的时域特征信息；
频域特征提取模块，用于接收预处理后的所述脉搏信号并提取预处理后的所述脉搏信号的频域特征信息；
脉搏特征处理模块，用于通过BI-LSTM模型对所述时域特征信息进行处理；
卷积神经网络，用于对所述频域特征信息以及处理后的所述时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分类；
所述BI-LSTM模型包括一个深层通道A1...At以及一个浅层通道a1..at，所述深层通道包括两个卷积层，所述浅层通道包括一个卷积层且通过提取不同尺度的脉搏信号的时域特征信息来融合脉搏信号时间前后的状态特征以完成对所述时域特征信息进行处理；
对于所述浅层通道，t时刻的输入为t时刻的序列数据bt和t-1时刻输出at-1，对于所述深层通道，t时刻的输入为t时刻的序列数据bt和t+1时刻输出At+1，所述BI-LSTM模型的输出表示为Y＝(At+1，at-1)；
其中，提取预处理后的所述脉搏信号的频域特征信息的具体方法包括如下步骤：
对预处理后的所述脉搏信号进行小波分解处理；
对小波分解处理后的所述脉搏信号进行滤波处理；
对滤波处理后的所述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所述脉搏信号进行离散余弦变换；
对离散余弦变换后的所述脉搏信号进行差分变换；
根据离散余弦变换后的所述脉搏信号以及差分变换后的所述脉搏信号获取频域特征信息。
2.如权利要求1所述的一种基于BL-CNN的脉搏特征识别分类系统，其特征在于，预处理后的所述脉搏信号包括多个周期的脉搏波曲线。
3.如权利要求2所述的一种基于BL-CNN的脉搏特征识别分类系统，其特征在于，所述时域特征信息的公式为
其中，A、B、C、D以及E表示单个脉搏波曲线上的特征点，fAB、fBC、fCD以及fDE分别表示取特征点A到特征点B之间的曲线、取特征点B到特征点C之间的曲线、取特征点C到特征点D之间的曲线、取特征点D到特征点E之间的曲线以及取特征点A到特征点E之间的曲线，t1、t2、t3、t4以及t5分别表示特征点A、特征点B、特征点C、特征点D以及特征点E的时间，i表示所述脉搏波曲线的周期个数。
4.如权利要求3所述的一种基于BL-CNN的脉搏特征识别分类系统，其特征在于，所述卷积神经网络包括Softmax分类器。
5.一种基于BL-CNN的脉搏特征识别分类方法，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；
提取预处理后的所述脉搏信号的时域特征信息；
提取预处理后的所述脉搏信号的频域特征信息；
通过BI-LSTM模型对所述时域特征信息进行处理；
对所述频域特征信息以及处理后的所述时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分类；
所述BI-LSTM模型包括一个深层通道A1...At以及一个浅层通道a1..at，所述深层通道包括两个卷积层，所述浅层通道包括一个卷积层且通过提取不同尺度的脉搏信号的时域特征信息来融合脉搏信号时间前后的状态特征以完成对所述时域特征信息进行处理；
对于所述浅层通道，t时刻的输入为t时刻的序列数据bt和t-1时刻输出at-1，对于所述深层通道，t时刻的输入为t时刻的序列数据bt和t+1时刻输出At+1，所述BI-LSTM模型的输出表示为Y＝(At+1，at-1)；
其中，提取预处理后的所述脉搏信号的频域特征信息的具体方法包括如下步骤：
对预处理后的所述脉搏信号进行小波分解处理；
对小波分解处理后的所述脉搏信号进行滤波处理；
对滤波处理后的所述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所述脉搏信号进行离散余弦变换；
对离散余弦变换后的所述脉搏信号进行差分变换；
根据离散余弦变换后的所述脉搏信号以及差分变换后的所述脉搏信号获取频域特征信息。
6.如权利要求5所述的一种基于BL-CNN的脉搏特征识别分类方法，其特征在于，预处理后的所述脉搏信号包括多个周期的脉搏波曲线。
7.如权利要求6所述的一种基于BL-CNN的脉搏特征识别分类方法，其特征在于，所述时域特征信息的公式为
其中，A、B、C、D以及E表示单个脉搏波曲线上的特征点，fAB、fBC、fCD以及fDE分别表示取特征点A到特征点B之间的曲线、取特征点B到特征点C之间的曲线、取特征点C到特征点D之间的曲线、取特征点D到特征点E之间的曲线以及取特征点A到特征点E之间的曲线，t1、t2、t3、t4以及t5分别表示特征点A、特征点B、特征点C、特征点D以及特征点E的时间，i表示所述脉搏波曲线的周期个数。
8.如权利要求7所述的一种基于BL-CNN的脉搏特征识别分类方法，其特征在于，通过卷积神经网络对所述频域特征信息以及处理后的所述时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分类。
9.一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8中任意一项所述的基于BL-CNN的脉搏特征识别分类方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110207741.7A CN112869717B (zh) | 2021-02-25 | 2021-02-25 | 一种基于bl-cnn的脉搏特征识别分类系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110207741.7A CN112869717B (zh) | 2021-02-25 | 2021-02-25 | 一种基于bl-cnn的脉搏特征识别分类系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112869717A CN112869717A (zh) | 2021-06-01 |
| CN112869717B true CN112869717B (zh) | 2023-02-24 |
Family
ID=76054354
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110207741.7A Active CN112869717B (zh) | 2021-02-25 | 2021-02-25 | 一种基于bl-cnn的脉搏特征识别分类系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112869717B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113499048B (zh) * | 2021-07-22 | 2022-07-08 | 重庆理工大学 | 一种基于CNN-BiLSTM的中心动脉压波形重构的系统及方法 |
| CN114081502B (zh) * | 2021-11-11 | 2022-09-27 | 中国科学院深圳先进技术研究院 | 一种基于机器学习的非侵入性心脏病诊断方法和装置 |
| CN115374125B (zh) * | 2022-09-01 | 2024-05-10 | 无锡市华焯光电科技有限公司 | 脉象诊断分类方法、数据库构建方法、装置及存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101156771A (zh) * | 2007-09-28 | 2008-04-09 | 天津市先石光学技术有限公司 | 基于脉搏波频谱分析提高血管硬度测量精度的方法及装置 |
| CN105286815A (zh) * | 2015-11-02 | 2016-02-03 | 重庆大学 | 一种基于波形时域特征的脉搏波信号特征点检测方法 |
| CN107536602A (zh) * | 2017-09-30 | 2018-01-05 | 深圳前海全民健康科技有限公司 | 基于脉搏波的吸毒人员筛查方法 |
| CN109106345A (zh) * | 2018-06-27 | 2019-01-01 | 北京中欧美经济技术发展中心 | 脉搏信号特征检测方法和装置 |
| CN110458197A (zh) * | 2019-07-11 | 2019-11-15 | 启东市知微电子科技有限公司 | 基于光电容积脉搏波的身份识别方法及其系统 |
| WO2020095326A1 (en) * | 2018-11-11 | 2020-05-14 | Houronearth Creative Solutions Pvt Ltd | System and method for classifying a pulse morphology of a user |
| CN111407243A (zh) * | 2020-03-23 | 2020-07-14 | 华南理工大学 | 一种基于深度学习的脉搏信号压力识别方法 |
| CN112274120A (zh) * | 2020-10-28 | 2021-01-29 | 河北工业大学 | 一种基于单路脉搏波的无创动脉硬化检测方法、装置 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2798337A1 (en) * | 2012-12-04 | 2014-06-04 | University Of Winnipeg | Cardiovascular pulse wave analysis method and system |
| KR102480197B1 (ko) * | 2017-09-13 | 2022-12-21 | 삼성전자주식회사 | 생체정보 추정 장치 및 방법 |
-
2021
- 2021-02-25 CN CN202110207741.7A patent/CN112869717B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101156771A (zh) * | 2007-09-28 | 2008-04-09 | 天津市先石光学技术有限公司 | 基于脉搏波频谱分析提高血管硬度测量精度的方法及装置 |
| CN105286815A (zh) * | 2015-11-02 | 2016-02-03 | 重庆大学 | 一种基于波形时域特征的脉搏波信号特征点检测方法 |
| CN107536602A (zh) * | 2017-09-30 | 2018-01-05 | 深圳前海全民健康科技有限公司 | 基于脉搏波的吸毒人员筛查方法 |
| CN109106345A (zh) * | 2018-06-27 | 2019-01-01 | 北京中欧美经济技术发展中心 | 脉搏信号特征检测方法和装置 |
| WO2020095326A1 (en) * | 2018-11-11 | 2020-05-14 | Houronearth Creative Solutions Pvt Ltd | System and method for classifying a pulse morphology of a user |
| CN110458197A (zh) * | 2019-07-11 | 2019-11-15 | 启东市知微电子科技有限公司 | 基于光电容积脉搏波的身份识别方法及其系统 |
| CN111407243A (zh) * | 2020-03-23 | 2020-07-14 | 华南理工大学 | 一种基于深度学习的脉搏信号压力识别方法 |
| CN112274120A (zh) * | 2020-10-28 | 2021-01-29 | 河北工业大学 | 一种基于单路脉搏波的无创动脉硬化检测方法、装置 |
Non-Patent Citations (1)
| Title |
|---|
| 基于光电容积脉搏波的心房颤动识别研究;张悦;《万方》;20210204;第3.3、3.4、5.1.2、5.3、5.4节 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112869717A (zh) | 2021-06-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112869717B (zh) | 一种基于bl-cnn的脉搏特征识别分类系统及方法 | |
| CN105976809B (zh) | 基于语音和面部表情的双模态情感融合的识别方法及系统 | |
| CN107844755B (zh) | 一种结合dae和cnn的脑电信号特征提取与分类方法 | |
| CN111954250B (zh) | 一种轻量级Wi-Fi行为感知方法和系统 | |
| 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 | |
| CN104346503A (zh) | 一种基于人脸图像的情感健康监控方法及手机 | |
| CN111967354B (zh) | 基于肢体和微表情的多模态特征的抑郁倾向识别方法 | |
| CN111738302A (zh) | 一种基于多模态数据对阿尔茨海默病进行分类诊断的系统 | |
| CN110288028B (zh) | 心电检测方法、系统、设备及计算机可读存储介质 | |
| CN110558975A (zh) | 一种基于lrf-elm和blstm的心电信号分类方法及系统 | |
| CN118051831B (zh) | 基于CNN-Transformer合作网络模型的水声目标识别方法 | |
| CN114881105A (zh) | 基于transformer模型和对比学习的睡眠分期方法及系统 | |
| CN114595725B (zh) | 一种基于加法网络和监督对比学习的脑电信号分类方法 | |
| CN115565161A (zh) | 一种基于统一融合特征的多模态车辆驾驶风格识别方法 | |
| KR101789078B1 (ko) | 고차원 시계열 모델링을 위한 은닉 특징 추출 시스템 및 방법 | |
| CN113627391B (zh) | 一种考虑个体差异的跨模式脑电信号识别方法 | |
| CN116861217B (zh) | 用于移动终端的身份识别方法及系统 | |
| CN103505189A (zh) | 基于小波包变换和隐马尔科夫模型的脉搏信号分类方法 | |
| CN116035598B (zh) | 一种睡眠纺锤波智能识别方法及系统 | |
| CN109730672B (zh) | 一种用于多导联心电信号的特征提取方法及对应监测系统 | |
| CN116350239A (zh) | 一种脑电信号专注度分类方法及系统 | |
| CN114548262B (zh) | 一种情感计算中多模态生理信号的特征级融合方法 | |
| CN116687406A (zh) | 情绪识别方法、装置、电子设备及存储介质 | |
| CN113712525B (zh) | 一种生理参数处理方法、装置及医疗设备 | |
| 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 | ||
| CP03 | Change of name, title or address |
Address after: No.33 Guangyun Road, Nanhai District, Foshan City, Guangdong Province Patentee after: Foshan University Country or region after: China Address before: No.33 Guangyun Road, Nanhai District, Foshan City, Guangdong Province Patentee before: FOSHAN University Country or region before: China |
|
| CP03 | Change of name, title or address |