CN113076878B - 基于注意力机制卷积网络结构的体质辨识方法 - Google Patents

基于注意力机制卷积网络结构的体质辨识方法 Download PDF

Info

Publication number
CN113076878B
CN113076878B CN202110363372.0A CN202110363372A CN113076878B CN 113076878 B CN113076878 B CN 113076878B CN 202110363372 A CN202110363372 A CN 202110363372A CN 113076878 B CN113076878 B CN 113076878B
Authority
CN
China
Prior art keywords
pulse
neural network
network structure
layer
data
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
Application number
CN202110363372.0A
Other languages
English (en)
Other versions
CN113076878A (zh
Inventor
李楠
毛晓波
焦义
于佳瑞
黄璐琦
赵宇平
徐向阳
倪金红
姚国梁
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.)
Zhengzhou University
Original Assignee
Zhengzhou 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 Zhengzhou University filed Critical Zhengzhou University
Priority to CN202110363372.0A priority Critical patent/CN113076878B/zh
Publication of CN113076878A publication Critical patent/CN113076878A/zh
Application granted granted Critical
Publication of CN113076878B publication Critical patent/CN113076878B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • 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
    • A61B5/48—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
    • A61B5/7264—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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Pathology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Signal Processing (AREA)
  • Veterinary Medicine (AREA)
  • Computing Systems (AREA)
  • Public Health (AREA)
  • Software Systems (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Computational Linguistics (AREA)
  • Physiology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Psychiatry (AREA)
  • Alternative & Traditional Medicine (AREA)
  • Cardiology (AREA)
  • Fuzzy Systems (AREA)
  • Image Analysis (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明公开了一种基于注意力机制卷积网络结构的体质辨识方法，S1，数据采集：通过脉诊仪采集人体脉象信号样本，并以.txt格式输出所述脉象信号样本数据；脉诊仪的采集频率为180Hz、采集时间为10s，脉诊仪采集脉象的压力为80‑140mmHg，供采集1800个数据点；S2，信号去噪；S3，数据扩容：对脉象信号样本数据进行扩容；S4，建立神经网络结构，由一维卷积神经网络层、注意力机制模块、全连接层和Softmax层组成；5，训练过程，因此，本发明的神经网络结构可以很好的实现人体平和体质与非平和体质的二分类，准确率达96%以上。

Description

基于注意力机制卷积网络结构的体质辨识方法
技术领域
本发明涉及中医理论中的体质辨识方法，尤其是涉及基于注意力机制卷积网络结构的体质辨识方法。
背景技术
中医理论中，为了促进健康和预防疾病，将人的体质分为不同的体质类别。传统的体质辨别方法通常采用问卷调查方法，这些方法存在效率低，准确率低，同时受个体的主观性影响，难以表达出个体的实际身体状况。因此，体质分类的客观化与规范化是中医体质发展的一个重要的问题。脉搏波信号可以准确辨识体质，但需要医师的先验知识，并且缺乏客观的证据。因此，利用现代科学技术对不同体质的脉象进行分析具有重要意义。传统的脉象分析方法集中在人工定义的特征提取与分析，人工定义的特征并不一定能够代表出脉象信号的全部信息，并且脉象信号作为一种生理信号，容易受到测试者移动、呼吸等影响，会产生大量的噪声干扰。
发明内容
本发明目的在于提供一种基于注意力机制卷积网络结构的体质辨识方法，实现提高人体体质辨识准确度。
为实现上述目的，本发明采取下述技术方案：
本发明所述基于注意力机制卷积网络结构的体质辨识方法，包括下述步骤：
S1，数据采集：
通过脉诊仪采集人体脉象信号样本，并以.txt格式输出所述脉象信号样本数据；所述脉诊仪的采集频率为180Hz、采集时间为10s，脉诊仪采集脉象的压力为80-140mmHg，供采集1800个数据点；
S2，信号去噪：
采用EMD分解（经验模态分解，(Empirical Mode Decomposition,EMD)）对脉诊仪采集的所述脉象信号样本数据进行去噪处理，去除脉象信号样本中的肌电干扰和基线漂移；
S3，数据扩容：
对脉象信号样本数据进行扩容，扩容过程中每次选择2s的数据长度，保证截取的信号中至少包含一个完整的脉象周期；
S4，建立神经网络结构：
所述神经网络结构由一维卷积神经网络层、注意力机制模块、全连接层和Softmax层组成；所述一维卷积神经网络层和注意力模块用于提取去噪处理后脉象信号的特征，所述全连接层和Softmax层用于分类器；
5，训练过程：
将去噪处理后的脉象信号数据划分为训练集和测试集，通过所述训练集不断训练神经网络结构，不断调整参数，然后再通过所述测试集验证训练的神经网络结构是否具有一定的泛化能力，当训练好的神经网络结构在测试集上达到预设的结果后，神经网络结构停止训练并且输出神经网络结构，保存神经网络结构参数。
S4中，所述一维卷积神经网络层包括卷积运算、批量归一化层以及激活函数层；所述卷积运算如公式1所示：
Figure DEST_PATH_IMAGE001
(1)；
其中：L代表输出信号的长度，输出信号的个数由卷积核的个数决定；L 1代表输入信号的长度；F代表卷积核的长度；P代表末尾补零的个数；S代表卷积核移动的步长；
所述激活函数层为Sigmoid或Relu函数。
S4中，所述注意力机制模块具有C个输入信号的特征图通道，所述输入信号特征的长度为W；输入信号首先经过所述特征图通道数为C的1×1卷积核，然后通过所述Sigmoid函数输出，则得到一个长度为W的信号局部特征权值向量；然后让特征图通过一个卷积层和一个激活函数Relu，对输入特征图的特征进行编码，以防止对某些局部特征过聚焦；最后将所述特征权值向量分别与各个特征图通道的特征编码向量进行相乘，即在每个特征图通道的局部特征上添加一个权值，在训练过程中不断调整这些权值参数，从而达到提升特征学习能力目的。
本发明采用EMD分解去除脉象信号中混有的基线漂移和其他噪声干扰，并采用一维卷积神经网络进行特征提取，因此，卷积神经网络可以自动提取到信号的高维特征，不需要进行人工的特征提取，节约了特征提取的时间，并且可以提取到“最优”的信号特征。为了更好的学习到脉象信号的特征，在一维卷积神经网络中加入注意力机制，在特征学习阶段，可以更好的学习到脉象信号的局部有用特征。实验表明，本发明的神经网络结构可以很好的实现人体平和体质与非平和体质的二分类，准确率达96%以上。
附图说明
图1是本发明方法的流程图。
图2是本发明所述采用EMD算法去噪预处理的流程图。
图3是本发明原始的人体脉象信号图。
图4是本发明预处理后的人体脉象信号图。
图5是本发明所述的数据扩容流程图。
图6是本发明所述的神经网络结构图。
图7是本发明所述的一维卷积神经网络层结构图。
图8是本发明的注意力机制模块结构图。
图9是本发明所述训练集和测试集的损失函数和准确率图。
具体实施方式
下面结合附图对本发明的实施例作详细说明，本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本的保护范围不限于下述实施例。
如图1所示，本发明所述基于注意力机制卷积网络结构的体质辨识方法，包括下述步骤：
S1，数据采集：
通过脉诊仪（天中依脉集团有限公司生产的依脉智能中医四诊系统）采集人体脉象信号样本，并以.txt格式输出脉象信号样本数据，如图3所示；脉诊仪的采集频率为180Hz、采集时间为10s，脉诊仪采集脉象的压力为100mmHg，供采集1800个数据点。
S2，信号去噪：
如图2所示，采用EMD分解（经验模态分解(Empirical Mode Decomposition,EMD)）对脉诊仪采集的脉象信号样本数据进行去噪预处理，去除脉象信号样本中的肌电干扰和基线漂移。
EMD分解可将信号自适应地分解为一系列的内禀模态函数（Intrinsic ModeFunction，IMF）或称为IMF分量；IMF是瞬时频率处处有意义的函数，代表了信号内部固有的振荡模式。
脉搏信号经过经验模态分解后，其基线漂移分解在几个高阶IMF中；选择让其通过一组低通滤波器，然后再把IMF进行重构，由此得到预处理后的信号，如图4所示。
S3，数据扩容：
如图5所示，在对脉象分类识别中，通常需要对脉象信号进行分割，但是分割信号存在工作量大，识别不准确、实时性比较差等问题，并且通常采集的脉象信号样本存在数据分布不平衡，样本不充分等问题；因此，为了获取更多的信号，选择对脉象信号进行数据扩容，扩容过程中每次选择2s的数据长度，保证截取的信号中至少存在一个完整的脉象周期，脉诊仪的采集频率为180Hz，则每次输入的数据点个数为360个数据点。
S4，建立神经网络结构：
如图6所示，所述神经网络结构由一维卷积神经网络层、注意力机制模块、全连接层和Softmax层组成；一维卷积神经网络层和注意力模块用于提取去噪处理后脉象信号的特征，所述全连接层和Softmax层用于分类器；采用一维卷积神经网络对信号进行特征提取，一维卷积神经网络可以自动提取到信号的特征，并且计算量比较小，能够最大化的提取到信号的原始特征；在一维卷积神经网络中加入注意力机制，在特征学习阶段，可以增强不同体质脉象信号之间特征差异性，忽略不相关的特征，增强对脉象信号的特征学习能力，有效地提高特征学习的效率和可靠性。
如图7所示，一维卷积神经网络层的结构包括卷积运算、批量归一化层以及激活函数层。
其中卷积运算主要执行卷积操作，一维卷积运算相当于两个数组之间进行运算，计算量比较小，硬件要求比较低；在卷积运算中，可调节的参数比较少，由于卷积核之间进行权值共享，故卷积运算中仅仅需要调节卷积核的权重参数；卷积运算如公式1所示：
Figure 593426DEST_PATH_IMAGE002
(1)
其中：L代表输出信号的长度，L 1代表输入信号的长度，输出信号的个数由卷积核的个数决定，F代表卷积核的长度，P代表末尾补零的个数，S代表卷积核移动的步长。
批量归一化层：为了使训练出的网络结构能够具有更好的泛化能力，批量归一化层可以让数据尽量满足正态分布，突出信号数据之间的相对性，降低信号数据之间的绝对差异性，同时加快网络训练速度，使网络结构更快收敛。
激活函数层：为了更好的映射输入和输出之间复杂的非线性关系，需要在网络结构中加入激活函数层，常用的激活函数有Sigmoid、Relu等函数，在本发明选择Relu函数作为激活函数。
在卷积神经网络中引入了注意力机制：在脉象信号的局部特征中，不同位置的局部特征对于分类准确率的贡献大小是不一样的，在引入注意力机制以后，可以对信号的不同位置的局部特征权重进行调整，使网络在学习过程中能够更好的学习能够代表信号差异性的局部特征，可以有效的提高特征学习的效率和可靠性；注意力机制模块的结构如图8所示。
图8中，输入信号的特征图通道数为C，信号特征的长度为W，首先经过通道数为C的1×1卷积核，然后通过Sigmoid函数输出，则得到一个长度为W的信号局部特征权值向量；然后让特征图通过一个卷积层和一个激活函数Relu，对输入特征图的特征进行编码，以防止对某些局部特征过聚焦；将特征权值向量分别与各个通道的特征编码向量进行相乘，相当于在每个通道的局部特征上添加一个权值，在训练过程中不断调整这些权值参数，对能够代表信号差异性的特征更加关注，从而达到提升特征学习能力的目的；为了防止在反复的特征再校准操作导致深层特征响应值降低而影响诊断性能，利用残差学习的思想，引入残差连接，在保留原始信息的同时提高优化的可行性；卷积层的参数设置如表1所示：
表1 卷积层参数设置
Figure DEST_PATH_IMAGE003
5，训练过程：
从卷积层和池化层提取到信号的一系列局部特征，输出的特征图的维度为12×128，然后经过一个平均池化层，维度降为3×128，然后将特征图平铺，共得到384个特征点，全连接层的结构将384个特征点降维到32，然后由32降维到9，最后通过Softmax层，输出体质类别概率，真实的样本标签通过独热编码与输出的类别概率进行比较，然后通过反向传播算法不断调整神经网络中的参数值，从而得到一个最优的网络模型；在训练过程中选择交叉熵函数作为训练过程中的损失函数，优化算法选用批量梯度下降算法，交叉熵函数如公式（2）所示，N为批量梯度下降的样本个数，
Figure 762764DEST_PATH_IMAGE004
为实际的标签值，/>
Figure DEST_PATH_IMAGE005
为神经网络输出值；
Figure 969930DEST_PATH_IMAGE006
（2）
当训练好的神经网络结构在测试集上达到预设的结果后，神经网络结构停止训练并且输出神经网络结构，保存神经网络结构参数；最终的分类准确率可达96%以上，分类效果如图9所示。

Claims (3)

1.一种基于注意力机制卷积网络结构的体质辨识方法，其特征在于：包括下述步骤：
S1，数据采集：
通过脉诊仪采集人体脉象信号样本，并以.txt格式输出所述脉象信号样本数据；所述脉诊仪的采集频率为180Hz、采集时间为10s，脉诊仪采集脉象的压力为80-140mmHg，供采集1800个数据点；
S2，信号去噪：
采用EMD分解对脉诊仪采集的所述脉象信号样本数据进行去噪处理，去除脉象信号样本中的肌电干扰和基线漂移；脉搏信号经过经验模态分解后，其基线漂移分解在几个高阶IMF中；选择让其通过一组低通滤波器，然后再把IMF进行重构，由此得到预处理后的信号；
S3，数据扩容：
对脉象信号样本数据进行扩容，扩容过程中每次选择2s的数据长度，保证截取的信号中至少包含一个完整的脉象周期；
S4，建立神经网络结构：
所述神经网络结构由一维卷积神经网络层、注意力机制模块、全连接层和Softmax层组成；所述一维卷积神经网络层和注意力模块用于提取去噪处理后脉象信号的特征，所述全连接层和Softmax层用于分类器；其中，输出的特征图的维度为12×128，然后经过一个平均池化层，维度降为3×128，然后将特征图平铺，共得到384个特征点，全连接层的结构将384个特征点降维32，然后由32降维到9，最后通过Softmax层，输出类别概率，真实的样本标签通过独热编码与输出的类别概率进行比较，然后通过反向传播算法不断调整神经网络中的参数值，从而得到一个最优的网络模型；
S5，训练过程：
将去噪处理后的脉象信号数据划分为训练集和测试集，通过所述训练集不断训练神经网络结构，不断调整参数，然后再通过所述测试集验证训练的神经网络结构是否具有一定的泛化能力，当训练好的神经网络结构在测试集上达到预设的结果后，神经网络结构停止训练并且输出神经网络结构，保存神经网络结构参数。
2.根据权利要求1所述基于注意力机制卷积网络结构的体质辨识方法，其特征在于：S4中，所述一维卷积神经网络层包括卷积运算、批量归一化层以及激活函数层；所述卷积运算如公式1所示： (1)；
其中： L 代表输出信号的长度，输出信号的个数由卷积核的个数决定； L 1 代表输入信号的长度； F 代表卷积核的长度； P 代表末尾补零的个数； S 代表卷积核移动的步长；
所述激活函数层为Sigmoid或Relu函数。
3.根据权利要求1所述基于注意力机制卷积网络结构的体质辨识方法，其特征在于：S4中，所述注意力机制模块具有C个输入信号的特征图通道，所述输入信号特征的长度为W；输入信号首先经过所述特征图通道数为 C 的1×1卷积核，然后通过Sigmoid函数输出，则得到一个长度为 W 的信号局部特征权值向量；然后让特征图通过一个卷积层和一个激活函数Relu，对输入特征图的特征进行编码，以防止对某些局部特征过聚焦；最后将所述特征权值向量分别与各个特征图通道的特征编码向量进行相乘，即在每个特征图通道的局部特征上添加一个权值，在训练过程中不断调整这些权值参数，从而达到提升特征学习能力目的。
CN202110363372.0A 2021-04-02 2021-04-02 基于注意力机制卷积网络结构的体质辨识方法 Active CN113076878B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110363372.0A CN113076878B (zh) 2021-04-02 2021-04-02 基于注意力机制卷积网络结构的体质辨识方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110363372.0A CN113076878B (zh) 2021-04-02 2021-04-02 基于注意力机制卷积网络结构的体质辨识方法

Publications (2)

Publication Number Publication Date
CN113076878A CN113076878A (zh) 2021-07-06
CN113076878B true CN113076878B (zh) 2023-06-09

Family

ID=76614981

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110363372.0A Active CN113076878B (zh) 2021-04-02 2021-04-02 基于注意力机制卷积网络结构的体质辨识方法

Country Status (1)

Country Link
CN (1) CN113076878B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113730755B (zh) * 2021-09-23 2023-09-05 深圳先进技术研究院 一种基于注意力机制的机械通气人机异步检测识别方法
CN114118142A (zh) * 2021-11-05 2022-03-01 西安晟昕科技发展有限公司 一种雷达脉内调制类型的识别方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2003026739A2 (en) * 2001-09-28 2003-04-03 Northstar Neuroscience, Inc. Methods and apparatus for effectuating a lasting change in a neural-function of a patient
CN104224138A (zh) * 2014-08-01 2014-12-24 上海中医药大学 基于多传感器的可自动调压的脉象信号采集装置及方法
WO2015101060A1 (zh) * 2013-12-30 2015-07-09 华中科技大学 单臂x射线血管造影图像多运动参数分解估计方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107742151A (zh) * 2017-08-30 2018-02-27 电子科技大学 一种中医脉象的神经网络模型训练方法
CN108364023A (zh) * 2018-02-11 2018-08-03 北京达佳互联信息技术有限公司 基于注意力模型的图像识别方法和系统
CN109363632A (zh) * 2018-09-26 2019-02-22 北京三医智慧科技有限公司 脉象数据的解读方法和脉象数据的解读装置
CN112487945B (zh) * 2020-11-26 2022-07-29 上海贝业斯健康科技有限公司 一种基于双路卷积神经网络融合的脉象识别方法
CN112472048B (zh) * 2021-01-15 2023-10-24 郑州大学 用于心血管疾病患者脉象识别的神经网络的实现方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2003026739A2 (en) * 2001-09-28 2003-04-03 Northstar Neuroscience, Inc. Methods and apparatus for effectuating a lasting change in a neural-function of a patient
WO2015101060A1 (zh) * 2013-12-30 2015-07-09 华中科技大学 单臂x射线血管造影图像多运动参数分解估计方法
CN104224138A (zh) * 2014-08-01 2014-12-24 上海中医药大学 基于多传感器的可自动调压的脉象信号采集装置及方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Human Pulse Recognition Based on Convolutional Neural Networks;Shi-Ru Z.等;2016 International Symposium on Computer, Consumer and Control (IS3C);第366-369页 *
基于神经网络方法的人体脉象识别研究;王炳和 等;西北工业大学学报;第第20卷卷(第第3期期);第454-457页 *
基于递归图和卷积神经网络的脉象分析识别;颜建军 等;计算机工程与应用;第第56卷卷(第第7期期);第170-175页 *

Also Published As

Publication number Publication date
CN113076878A (zh) 2021-07-06

Similar Documents

Publication Publication Date Title
CN111523509B (zh) 融合物理和深度表达特征的设备故障诊断及健康监测方法
CN108827605B (zh) 一种基于改进稀疏滤波的机械故障特征自动提取方法
CN110353702A (zh) 一种基于浅层卷积神经网络的情感识别方法及系统
CN109299751B (zh) 基于emd数据增强的卷积神经模型的ssvep脑电分类方法
CN111832416A (zh) 一种基于增强卷积神经网络的运动想象脑电信号识别方法
CN113076878B (zh) 基于注意力机制卷积网络结构的体质辨识方法
CN108960182A (zh) 一种基于深度学习的p300事件相关电位分类识别方法
CN112472048B (zh) 用于心血管疾病患者脉象识别的神经网络的实现方法
CN111759345B (zh) 基于卷积神经网络的心脏瓣膜异常分析方法、系统和装置
CN112036467A (zh) 基于多尺度注意力神经网络的异常心音识别方法及装置
CN108567418A (zh) 一种基于PCANet的脉搏信号亚健康检测方法及检测系统
CN113052113A (zh) 一种基于紧凑型卷积神经网络的抑郁症识别方法及系统
CN111616682A (zh) 基于便携式脑电采集设备的癫痫发作预警系统及应用
CN111466878A (zh) 基于表情识别的卧床病人疼痛症状实时监护方法及装置
CN113069117A (zh) 一种基于时间卷积神经网络的脑电情绪识别方法及系统
CN115919330A (zh) 基于多层次se注意力和图卷积的eeg情绪状态分类方法
CN113011330B (zh) 一种基于多尺度神经网络和空洞卷积的脑电信号分类方法
CN113796873B (zh) 穿戴式动态心电信号分类方法及系统
CN112336369B (zh) 一种多通道心音信号的冠心病风险指数评估系统
CN113128353B (zh) 面向自然人机交互的情绪感知方法及其系统
CN113988135A (zh) 一种基于双分支多流网络的肌电信号手势识别方法
CN113349801A (zh) 基于卷积神经网络的想象言语脑电信号解码方法
CN113974655A (zh) 一种基于脑电信号的癫痫发作预测方法
CN116584902A (zh) 基于特征选优及可视化的心音分类装置
CN116340812A (zh) 一种变压器局部放电故障模式识别方法及系统

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