CN112998652A - 一种光电容积脉搏波压力识别方法及系统 - Google Patents
一种光电容积脉搏波压力识别方法及系统 Download PDFInfo
- Publication number
- CN112998652A CN112998652A CN202110200404.5A CN202110200404A CN112998652A CN 112998652 A CN112998652 A CN 112998652A CN 202110200404 A CN202110200404 A CN 202110200404A CN 112998652 A CN112998652 A CN 112998652A
- Authority
- CN
- China
- Prior art keywords
- layer
- pressure
- signal transformation
- convolutional
- network
- 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
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
-
- 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
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Veterinary Medicine (AREA)
- Surgery (AREA)
- Psychiatry (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Social Psychology (AREA)
- Child & Adolescent Psychology (AREA)
- Psychology (AREA)
- Hospice & Palliative Care (AREA)
- Developmental Disabilities (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Educational Technology (AREA)
- Signal Processing (AREA)
- Cardiology (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及模式识别领域,为光电容积脉搏波压力识别方法及系统,其方法包括:建立原始训练样本集,并对其进行若干种信号变换,构建信号变换样本集;搭建信号变换识别网络,使用信号变换样本集训练信号变换识别网络,获得信号变换识别网络的卷积层权重;在信号变换识别网络中加入时域注意力模块,学习到脉搏波信号中不同时间区域的重要程度;使用自监督学习搭建脉搏波的压力识别网络,将信号变换识别网络的卷积层权重作为压力识别网络的卷积层的初始化权重,用原始训练样本集训练压力识别网络,得到最终的压力识别模型,对脉搏波压力信号进行识别。本发明的模型关注到产生压力的区域,泛化能力强、性能好,有效提高压力识别效果。
Description
技术领域
本发明涉及计算机技术、模式识别领域,更具体地说,涉及一种基于自监督和时域注意力机制的光电容积脉搏波压力识别方法及系统。
背景技术
如今,社会生活节奏越来越快,社会竞争越来越大,现代生活的压力正在无时无刻不在向我们涌过来,并且这种压力将会越来越大。现代医学相关研究表明,若人们长期处于高度压力之下,身心健康会遭到严重的影响,人体的免疫系统会被削弱,导致人体的神经系统出现紊乱,进而导致心理或者生理上产生疾病。因此,对于心理压力的识别及管理变得越来越重要。
压力的识别从信号源角度可以分为非生理信号(如面部表情、语音、行为)和生理信号(如光电容积脉搏波、心电、脑电等)两类。基于非生理信号的压力识别由于易伪装等特点,难以保证识别的可靠性,而基于生理信号的压力识别更加稳定、准确客观。现如今,由于智能手环、手表等一系列非入侵式可穿戴设备的发展和普及,对于光电容积脉搏数据的采集越来越方便,并且越来越准确,采用基于光电容积脉搏波信号的压力识别能够更方便应用在日常生活中,有利于人们正确认识到自己的心理压力,并根据压力状态进行自我调节,改善自身的工作生活水平。
传统的光电容积脉搏波压力识别方法存在许多局限,现有的方法通常为先对原始数据进行预处理,随后进行特征工程,手动提取时域特征、频域特征和非线性特征等相关特征,最后使用传统的机器学习模型进行建模,如支持向量机(SVM)、随机森林(RF)等。而特征工程往往决定了模型的上限,传统的特征工程对压力相关的表征能力不强,手动提取的特征恰恰限制了压力识别所能达到的最大精度。
近年来,深度学习取得飞速的发展,其凭借着神经网络强大的自我学习能力,正在各个领域崭露头角。卷积神经网络(CNN)具有强大的自动特征学习能力,其能够自动进行特征学习,在特征提取方面占有优势。卷积神经网络最初应用于计算机视觉任务,后来逐渐引起了其他各个领域的兴趣,包括生物信号分类领域。在心电信号分类领域,卷积神经网络已成功应用于心律不齐检测、信号成分识别、生物特征识别,这些研究证明了卷积神经网络在生物信号分类中的强大能力,同时也暗示了卷积神经网络在基于光电容积脉搏波的压力识别中具有巨大的潜力。
发明内容
针对现有的基于光电容积脉搏波的压力识别方法的不足,本发明提出基于自监督和时域注意力机制的光电容积脉搏波压力识别方法及系统,采用深度学习领域中的自监督学习方法,利用辅助任务从自动构建的信号变换样本集中挖掘自身的监督信息,通过自己构造的监督信息对网络进行训练,从而可以使模型学习到更多更有价值的表征,配合针对时间领域上的注意力机制,能够让模型关注到产生压力的区域,使得训练出来的模型的泛化能力更强、性能更好,从而有效提高压力识别效果。
为实现上述目的,本发明采用的方法技术方案为:一种光电容积脉搏波压力识别方法,包括以下步骤:
建立带有压力标签的光电容积脉搏波原始训练样本集;
对原始训练样本集进行若干种信号变换,生成信号变换类型标签,构建一个新的信号变换样本集;搭建信号变换识别网络,使用信号变换样本集训练信号变换识别网络,获得信号变换识别网络的卷积层权重;
在信号变换识别网络中,加入时域注意力模块,使信号变换识别网络的模型学习到光电容积脉搏波信号中不同时间区域的重要程度,使信号变换识别网络的模型将注意力更多地放在产生压力的区域;
使用自监督学习搭建光电容积脉搏波的压力识别网络,将训练好的信号变换识别网络的卷积层权重作为压力识别网络的卷积层的初始化权重,用原始训练样本集训练压力识别网络,以获得压力标签,得到最终的压力识别模型;
利用压力识别模型对输入的光电容积脉搏波压力信号进行识别。
本发明采用的系统技术方案为:光电容积脉搏波压力识别系统,包括:
原始样本集获取模块,用于建立带有压力标签的光电容积脉搏波原始训练样本集;
信号变换及识别模块,用于对原始训练样本集进行若干种信号变换,生成信号变换类型标签,构建一个新的信号变换样本集;并搭建信号变换识别网络,使用信号变换样本集训练信号变换识别网络,获得信号变换识别网络的卷积层权重;在信号变换识别网络中,加入时域注意力模块,使信号变换识别网络的模型学习到光电容积脉搏波信号中不同时间区域的重要程度,使信号变换识别网络的模型将注意力更多地放在产生压力的区域;
压力识别模型搭建及训练模块,使用自监督学习搭建光电容积脉搏波的压力识别网络,将训练好的信号变换识别网络的卷积层权重作为压力识别网络的卷积层的初始化权重,用原始训练样本集训练压力识别网络,以获得压力标签,得到最终的压力识别模型;
压力识别模块,利用压力识别模型对输入的光电容积脉搏波压力信号进行识别。
本发明采用以上技术方案,具有以下有益效果:
1.本发明引入了卷积神经网络(CNN),卷积神经网络在自动特征学习中占有优势。传统的光电容积脉搏波压力识别方法中,特征工程往往决定了模型的上限,手动提取的特征限制了压力识别所能达到的最大精度;而本发明所引入的卷积神经网络在特征提取方面占有优势,能够提取到更多更有效的特征。
2.本发明引入了深度学习领域中的自监督学习方法,利用辅助任务从自己构建的信号变换样本集中挖掘更多关于自身的监督信息,通过这种监督信息对压力识别网络进行训练,从而可以使模型学习到对更多更有价值的表征,有效提高压力识别精度。
3.本发明中所提出的时域注意力机制,使模型学习到信号中不同时间区域的重要程度,使模型将注意力更多地放在产生压力的区域,改善了样本中容易出现的弱标签问题,增强了模型的泛化能力。
附图说明
图1是本发明基于自监督和时域注意力机制的光电容积脉搏波压力识别方法的整体流程图;
图2是本发明的时域注意力模块的原理图;
图3为本发明的一个光电容积脉搏波原始样本的波形示意图;
图4为本发明的信号变换波形示意图。
具体实施方式
下面结合附图与实施例对本发明作进一步详细的描述,但本发明的实施方式并不限于此;也就是说,描述这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本发明,而并非以任何方式限制本发明的保护范围。
实施例
本实施例提供的基于自监督和时域注意力机制的光电容积脉搏波压力识别方法,建立在带有压力标签的光电容积脉搏波上,使用自监督学习搭建光电容积脉搏波压力识别网络;首先对原始训练样本集进行若干种信号变换,自动生成信号变换类型标签,而不是真正的压力标签,最终构建一个新的信号变换样本集,以扩展和丰富样本数据的多样性;然后搭建信号变换识别网络,同时加入时域注意力机制,使模型学习到信号中不同时间区域的重要程度,使模型将注意力更多地放在产生压力的区域;接着使用信号变换样本集训练信号变换识别网络,此时训练的目标是获得卷积层权重作为压力识别网络的初始化权重;将训练好的信号变换识别网络的卷积层权重作为压力识别网络的卷积层的初始化权重,用原始训练样本集训练压力识别网络,此时训练的目标是真正的压力标签,得到最终的压力识别模型;利用压力识别模型对输入的光电容积脉搏波压力信号进行识别。压力识别模型在自监督预训练模型的基础上进行训练,利用辅助任务从无监督的信号变换样本集中挖掘自身的监督信息,通过这种构造的监督信息对压力识别网络进行训练,从而可以学习到更多更有价值的表征,有效提高压力识别精度。
本实施例的方法包括如下步骤:
S1、建立带有压力标签的光电容积脉搏波原始训练样本集,原始训练样本集中每一个样本S(t)为一段固定长度的光电容积脉搏信号;
S2、使用自监督学习搭建光电容积脉搏波压力识别模型,利用压力识别模型对输入的光电容积脉搏波压力信号进行识别。
步骤S2包括两个阶段:第一个阶段为辅助任务,第二个阶段为下游任务:
S21、辅助任务中,对原始训练样本集进行信号变换,生成信号变换类型标签,构建一个新的信号变换样本集;搭建信号变换识别网络,用信号变换样本集训练信号变换网络;
S22、下游任务中,搭建压力识别网络,将训练好的信号变换识别网络的卷积层权重作为压力识别网络的卷积层的初始化权重,用原始训练样本集训练压力识别网络,得到压力识别模型;利用压力识别模型对输入的光电容积脉搏波压力信号进行识别。
具体地,所述步骤S1中,通过可穿戴设备采集人体手腕处的光电容积脉搏波,得到原始训练样本集,每个样本的长度为10秒,信号采样率为64Hz,因此样本点为640个。
具体地,所述步骤S21中,搭建的信号变换识别网络如图1所示,信号变换识别网络由四层卷积层作为基础骨架,分别定义每层卷积层的卷积核属性。其中,第一层卷积层为一维卷积层,卷积核大小为32,卷积核个数为16,滑动步长为1,填充大小为16;第二层卷积层为一维卷积层,卷积核大小为16,卷积核个数为32,滑动步长为1,填充大小为8;第三层卷积层为一维卷积层,卷积核大小为8,卷积核个数为64,滑动步长为1,填充大小为4;第四层卷积层为一维卷积层,卷积核大小为4,卷积核个数为128,滑动步长为1,填充大小为2。
每层卷积层后面接着批归一化层、ReLU激活层和最大池化层;第一、二、三层卷积层后的最大池化层均为普通最大池化层,池化范围大小为2,滑动步长为2;第四层卷积层后的最大池化层为全局最大池化层;第二层卷积层和第四层卷积层后接上时域注意力模块;第四层卷积层的池化操作结果经过两个具有128个隐藏节点的全连接层,输出尺寸为6,最后接上Softmax函数得到信号变换识别的预测概率,其中预测概率最大的为信号变换识别结果。
如图2所示,本发明的时域注意力模块中,输入特征图为F∈RC*L(如图1所示,本实施例中为F1和F2),其中C为通道数,L为长度,F为输入特征图,R为实数域;将输入特征图进行一个在C方向上的全局最大池化操作,得到特征图Fc∈R1*L;特征图Fc经过一个设定好属性的卷积层,该卷积层为一维卷积层,卷积核大小为3,卷积核个数为1,滑动步长为1,填充大小为1,然后紧接着经过一个Sigmoid函数生成时域注意力权重At(At∈R1*L)(如图1所示,本实施例中为At1和At2),时域注意力权重At与输入特征图F点乘得到卷积层输出结果;其过程实现公式如下:
Fc=GlobalMaxC(F)
At=σ(wconv*Fc+bconv)
其中,GlobalMaxC表示在C方向上的全局最大池化函数,wconv为卷积层的卷积核权重参数,bconv为卷积层的偏置参数,σ为Sigmoid激活函数。
也就是说,在本发明中时域注意力权重At是信号变换识别网络模型通过学习得到的,用于衡量光电容积脉搏波压力信号中不同时间区域的重要程度,因为人在产生心理压力的时候,生理信号如光电容积脉搏波会受到人体的神经系统和内分泌系统的调控而发生变化,在一段光电容积脉搏波信号中,压力开始产生的时间点未知,有可能在信号的任何位置,而且压力持续的时间也未知;例如前半段信号属于无压力状态,后半段信号才处于压力状态,而属于无压力状态的局部信号会影响模型对整段信号的判断,干扰了模型对压力的识别,时域注意力的应用是为了使模型将注意力更多地放在产生压力的时间区域,减少无压力状态下的局部信号的影响,提高压力识别的精确度。
在S22中,压力识别网络具有与信号变换识别网络完全一致的卷积层和时域注意力模块,也是四层卷积层作为基础骨架,每层卷积层后面接着批归一化层、ReLU激活层和最大池化层;在第二层卷积层和第四层卷积层后接上时域注意力模块;第一、二、三层卷积层后的最大池化层均为普通最大池化层,第四层卷积层后的最大池化层为全局最大池化层。不同之处在于,压力识别网络的第四层卷积层的池化操作结果经过两个具有128个隐藏节点的全连接层,输出尺寸为1,最后接上Sigmoid层得到压力识别结果。在压力识别网络的训练过程中,压力识别网络的卷积层以信号变换识别网络的卷积层权重作为初始化权重,压力识别网络的训练目标为真实压力标签。
具体地,所述步骤S21中,对原始训练样本集中的每一个样本S(t),如图3所示,均进行如下信号变换:
①保持不变,即S1(t)=S(t);
②幅值缩放,即S2(t)=λ*S(t),λ>0,为缩放系数,本实施例设置λ=0.6;
③添加高斯噪声,即S3(t)=S(t)+N(t),N(t)为高斯随机噪声;
④倒置,即S4(t)=-S(t);
⑤时间反转,即S5(t)=S(t′),t′=N,N-1,…,2,1,给定原始样本S(t),t=1,2,…,N-1,N,其中N为样本长度;
⑥随机片段缩放,给定原始样本S(t)被划分为m个片段,假设S(t)=[sk(t)|k=1,2,…,m],然后随机选择m//2个片段进行缩放,其中//为地板除操作(即向下取整除),缩放系数为θ,随机片段缩放变换后为:
本实施例中,m设置为10,θ设置为0.5;如图4所示,将做了上述变换后的样本组成一个信号变换样本集,标签为对应的信号变换类别。
在本发明中,获取信号变换样本集的目的是丰富数据集的多样化,让模型学到了很多的信息;此时信号变换样本集不带真实压力标签,只有手动赋予的标签。将所获取的信号变换样本集和手动赋予的标签去训练模型,所获得的模型能够识别出输入信号做了什么变换,对信号有一定的表征能力,模型甚至还学到了与真实压力标签相关的特征;然后将所获得的模型的权重作为预训练权重,用带了真实压力标签的原始训练样本集去训练,这个时候的模型学到了更多特征,比没有使用预训练权重训练得到的模型的表征能力更强,从而大大提升压力识别准确率。
本实施例的系统用于实现上述方法的各步骤,包括:
原始样本集获取模块,用于建立带有压力标签的光电容积脉搏波原始训练样本集;
信号变换及识别模块,用于对原始训练样本集进行若干种信号变换,生成信号变换类型标签,构建一个新的信号变换样本集;并搭建信号变换识别网络,使用信号变换样本集训练信号变换识别网络,获得信号变换识别网络的卷积层权重;在信号变换识别网络中,加入时域注意力模块,使信号变换识别网络的模型学习到光电容积脉搏波信号中不同时间区域的重要程度,使信号变换识别网络的模型将注意力更多地放在产生压力的区域;
压力识别模型搭建及训练模块,使用自监督学习搭建光电容积脉搏波的压力识别网络,将训练好的信号变换识别网络的卷积层权重作为压力识别网络的卷积层的初始化权重,用原始训练样本集训练压力识别网络,以获得压力标签,得到最终的压力识别模型;
压力识别模块,利用压力识别模型对输入的光电容积脉搏波压力信号进行识别。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (10)
1.一种光电容积脉搏波压力识别方法,其特征在于,包括以下步骤:
建立带有压力标签的光电容积脉搏波原始训练样本集;
对原始训练样本集进行若干种信号变换,生成信号变换类型标签,构建一个新的信号变换样本集;搭建信号变换识别网络,使用信号变换样本集训练信号变换识别网络,获得信号变换识别网络的卷积层权重;
在信号变换识别网络中,加入时域注意力模块,使信号变换识别网络的模型学习到光电容积脉搏波信号中不同时间区域的重要程度,使信号变换识别网络的模型将注意力更多地放在产生压力的区域;
使用自监督学习搭建光电容积脉搏波的压力识别网络,将训练好的信号变换识别网络的卷积层权重作为压力识别网络的卷积层的初始化权重,用原始训练样本集训练压力识别网络,以获得压力标签,得到最终的压力识别模型;
利用压力识别模型对输入的光电容积脉搏波压力信号进行识别。
2.根据权利要求1所述的光电容积脉搏波压力识别方法,其特征在于,原始训练样本集中每一个样本为一段固定长度的光电容积脉搏信号。
3.根据权利要求1所述的光电容积脉搏波压力识别方法,其特征在于,搭建的信号变换识别网络由四层卷积层作为基础骨架,每层卷积层后面接着批归一化层、ReLU激活层和最大池化层,第一、二、三层卷积层后的最大池化层均为普通最大池化层,第四层卷积层后的最大池化层为全局最大池化层;第二层卷积层和第四层卷积层后接上时域注意力模块;第四层卷积层的池化操作结果经过两个全连接层后,接上Softmax函数得到信号变换识别的预测概率,其中预测概率最大的为信号变换识别结果。
4.根据权利要求1或3所述的光电容积脉搏波压力识别方法,其特征在于,在时域注意力模块中,输入特征图为F∈RC*L,其中C为通道数,L为长度,F为输入特征图,R为实数域;将输入特征图进行一个在C方向上的全局最大池化操作,得到特征图Fc∈R1*L;特征图Fc经过一个设定好属性的卷积层,然后经过一个Sigmoid函数生成时域注意力权重At,At∈R1*L,时域注意力权重At与输入特征图F点乘得到卷积层输出结果。
5.根据权利要求1所述的光电容积脉搏波压力识别方法,其特征在于,压力识别网络由四层卷积层作为基础骨架,每层卷积层后面接着批归一化层、ReLU激活层和最大池化层;在第二层卷积层和第四层卷积层后接上时域注意力模块;第一、二、三层卷积层后的最大池化层均为普通最大池化层,第四层卷积层后的最大池化层为全局最大池化层;第四层卷积层的池化操作结果经过两个全连接层后,接上Sigmoid层得到压力识别结果。
6.根据权利要求1所述的光电容积脉搏波压力识别方法,其特征在于,对原始训练样本集中的每一个样本S(t),均进行如下信号变换:
保持不变,即S1(t)=S(t);
幅值缩放,即S2(t)=λ*S(t),λ>0,为缩放系数;
添加高斯噪声,即S3(t)=S(t)+N(t),N(t)为高斯随机噪声;
倒置,即S4(t)=-S(t);
时间反转,即S5(t)=S(t′),t′=N,N-1,...,2,1,给定原始样本S(t),t=1,2,...,N-1,N,其中N为样本长度;
其中//为向下取整除,θ为缩放系数。
7.一种光电容积脉搏波压力识别系统,其特征在于,包括:
原始样本集获取模块,用于建立带有压力标签的光电容积脉搏波原始训练样本集;
信号变换及识别模块,用于对原始训练样本集进行若干种信号变换,生成信号变换类型标签,构建一个新的信号变换样本集;并搭建信号变换识别网络,使用信号变换样本集训练信号变换识别网络,获得信号变换识别网络的卷积层权重;在信号变换识别网络中,加入时域注意力模块,使信号变换识别网络的模型学习到光电容积脉搏波信号中不同时间区域的重要程度,使信号变换识别网络的模型将注意力更多地放在产生压力的区域;
压力识别模型搭建及训练模块,使用自监督学习搭建光电容积脉搏波的压力识别网络,将训练好的信号变换识别网络的卷积层权重作为压力识别网络的卷积层的初始化权重,用原始训练样本集训练压力识别网络,以获得压力标签,得到最终的压力识别模型;
压力识别模块,利用压力识别模型对输入的光电容积脉搏波压力信号进行识别。
8.根据权利要求7所述的光电容积脉搏波压力识别系统,其特征在于,信号变换识别网络由四层卷积层作为基础骨架,每层卷积层后面接着批归一化层、ReLU激活层和最大池化层,第一、二、三层卷积层后的最大池化层均为普通最大池化层,第四层卷积层后的最大池化层为全局最大池化层;第二层卷积层和第四层卷积层后接上时域注意力模块;第四层卷积层的池化操作结果经过两个全连接层后,接上Softmax函数得到信号变换识别的预测概率,其中预测概率最大的为信号变换识别结果。
9.根据权利要求7或8所述的光电容积脉搏波压力识别系统,其特征在于,在时域注意力模块中,输入特征图为F∈RC*L,其中C为通道数,L为长度,F为输入特征图,R为实数域;将输入特征图进行一个在C方向上的全局最大池化操作,得到特征图Fc∈R1*L;特征图Fc经过一个设定好属性的卷积层,然后经过一个Sigmoid函数生成时域注意力权重At,At∈R1*L,时域注意力权重At与输入特征图F点乘得到卷积层输出结果。
10.根据权利要求7所述的光电容积脉搏波压力识别系统,其特征在于,压力识别网络由四层卷积层作为基础骨架,每层卷积层后面接着批归一化层、ReLU激活层和最大池化层;在第二层卷积层和第四层卷积层后接上时域注意力模块;第一、二、三层卷积层后的最大池化层均为普通最大池化层,第四层卷积层后的最大池化层为全局最大池化层;第四层卷积层的池化操作结果经过两个全连接层后,接上Sigmoid层得到压力识别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110200404.5A CN112998652B (zh) | 2021-02-23 | 2021-02-23 | 一种光电容积脉搏波压力识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110200404.5A CN112998652B (zh) | 2021-02-23 | 2021-02-23 | 一种光电容积脉搏波压力识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112998652A true CN112998652A (zh) | 2021-06-22 |
CN112998652B CN112998652B (zh) | 2022-07-19 |
Family
ID=76407154
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110200404.5A Active CN112998652B (zh) | 2021-02-23 | 2021-02-23 | 一种光电容积脉搏波压力识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112998652B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115836846A (zh) * | 2022-12-14 | 2023-03-24 | 北京航空航天大学 | 一种基于自监督迁移学习的无创血压估计方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180325426A1 (en) * | 2017-05-12 | 2018-11-15 | Algorthmic Intuition Inc. | Activities of Daily Living Monitoring and Reporting System |
CN109846469A (zh) * | 2019-04-16 | 2019-06-07 | 合肥工业大学 | 一种基于卷积神经网络的非接触式心率测量方法 |
US20190251340A1 (en) * | 2018-02-15 | 2019-08-15 | Wrnch Inc. | Method and system for activity classification |
CN110301920A (zh) * | 2019-06-27 | 2019-10-08 | 清华大学 | 用于心理压力检测的多模态融合方法及装置 |
CN110751015A (zh) * | 2019-09-02 | 2020-02-04 | 合肥工业大学 | 面部红外热图的灌注优化及人工智能情绪监测方法 |
CN111134662A (zh) * | 2020-02-17 | 2020-05-12 | 武汉大学 | 一种基于迁移学习和置信度选择的心电异常信号识别方法及装置 |
CN111259761A (zh) * | 2020-01-13 | 2020-06-09 | 东南大学 | 基于可迁移注意力神经网络的脑电情感识别方法及装置 |
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 |
CN111544855A (zh) * | 2020-04-30 | 2020-08-18 | 天津大学 | 基于蒸馏学习和深度学习纯意念控制智能康复方法及应用 |
CN112006678A (zh) * | 2020-09-10 | 2020-12-01 | 齐鲁工业大学 | 基于AlexNet和迁移学习相结合的心电图异常识别方法及系统 |
-
2021
- 2021-02-23 CN CN202110200404.5A patent/CN112998652B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180325426A1 (en) * | 2017-05-12 | 2018-11-15 | Algorthmic Intuition Inc. | Activities of Daily Living Monitoring and Reporting System |
US20190251340A1 (en) * | 2018-02-15 | 2019-08-15 | Wrnch Inc. | Method and system for activity classification |
CN109846469A (zh) * | 2019-04-16 | 2019-06-07 | 合肥工业大学 | 一种基于卷积神经网络的非接触式心率测量方法 |
CN110301920A (zh) * | 2019-06-27 | 2019-10-08 | 清华大学 | 用于心理压力检测的多模态融合方法及装置 |
CN110751015A (zh) * | 2019-09-02 | 2020-02-04 | 合肥工业大学 | 面部红外热图的灌注优化及人工智能情绪监测方法 |
CN111259761A (zh) * | 2020-01-13 | 2020-06-09 | 东南大学 | 基于可迁移注意力神经网络的脑电情感识别方法及装置 |
CN111134662A (zh) * | 2020-02-17 | 2020-05-12 | 武汉大学 | 一种基于迁移学习和置信度选择的心电异常信号识别方法及装置 |
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 |
CN111544855A (zh) * | 2020-04-30 | 2020-08-18 | 天津大学 | 基于蒸馏学习和深度学习纯意念控制智能康复方法及应用 |
CN112006678A (zh) * | 2020-09-10 | 2020-12-01 | 齐鲁工业大学 | 基于AlexNet和迁移学习相结合的心电图异常识别方法及系统 |
Non-Patent Citations (4)
Title |
---|
LIN WANG,等: "Robust Emotion Navigation: Few-shot Visual", 《IEEE》 * |
NIMA TAJBAKHSH,等: "Surrogate Supervision for Medical Image Analysis: Effective Deep Learning From Limited Quantities of Labeled Data", 《2019 IEEE 16TH INTERNATIONAL SYMPOSIUM ON BIOMEDICAL IMAGING (ISBI 2019)》 * |
XIAOFEN XING,等: "Face Verification Based on Feature Transfer via PCA-SVM Framework", 《IEEE》 * |
周朴雄: "基于最优权重的神经网络集成文本分类研究", 《计算机应用研究》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115836846A (zh) * | 2022-12-14 | 2023-03-24 | 北京航空航天大学 | 一种基于自监督迁移学习的无创血压估计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112998652B (zh) | 2022-07-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Accurate EEG-based emotion recognition on combined features using deep convolutional neural networks | |
CN108899050B (zh) | 基于多模态情绪识别系统的语音信号分析子系统 | |
CN108805087B (zh) | 基于多模态情绪识别系统的时序语义融合关联判断子系统 | |
CN108877801B (zh) | 基于多模态情绪识别系统的多轮对话语义理解子系统 | |
CN108805089B (zh) | 基于多模态的情绪识别方法 | |
Zhao et al. | Noise rejection for wearable ECGs using modified frequency slice wavelet transform and convolutional neural networks | |
CN107679526B (zh) | 一种人脸微表情识别方法 | |
CN108805088B (zh) | 基于多模态情绪识别系统的生理信号分析子系统 | |
CN111407243B (zh) | 一种基于深度学习的脉搏信号压力识别方法 | |
Xiao et al. | An efficient temporal network with dual self-distillation for electroencephalography signal classification | |
CN114533086B (zh) | 一种基于空域特征时频变换的运动想象脑电解码方法 | |
CN111700608A (zh) | 一种心电信号多分类方法及装置 | |
CN112766173A (zh) | 一种基于ai深度学习的多模态情感分析方法及其系统 | |
Zhang et al. | Human identification driven by deep CNN and transfer learning based on multiview feature representations of ECG | |
CN111898526B (zh) | 基于多流卷积神经网络的肌电手势识别方法 | |
Jinliang et al. | EEG emotion recognition based on granger causality and capsnet neural network | |
Jayasekara et al. | Timecaps: Capturing time series data with capsule networks | |
CN114209319B (zh) | 基于图网络及自适应去噪的fNIRS情绪识别方法及系统 | |
CN112998652B (zh) | 一种光电容积脉搏波压力识别方法及系统 | |
Subbarao et al. | Emotion recognition using BiLSTM classifier | |
Chueh et al. | Statistical prediction of emotional states by physiological signals with manova and machine learning | |
CN116150660A (zh) | 基于自监督cnn的脑电情绪识别方法 | |
Xie et al. | A novel solution for EEG-based emotion recognition | |
CN111657860B (zh) | 一种基于对抗学习的睡眠阶段识别方法及系统 | |
Cheng et al. | Convolutional neural network implementation for eye movement recognition based on video |
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 |