CN113440107A - 基于语音信号分析的阿尔茨海默症状诊断设备 - Google Patents
基于语音信号分析的阿尔茨海默症状诊断设备 Download PDFInfo
- Publication number
- CN113440107A CN113440107A CN202110764060.0A CN202110764060A CN113440107A CN 113440107 A CN113440107 A CN 113440107A CN 202110764060 A CN202110764060 A CN 202110764060A CN 113440107 A CN113440107 A CN 113440107A
- Authority
- CN
- China
- Prior art keywords
- voice signal
- alzheimer
- module
- signal data
- network model
- 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.)
- Pending
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
- A61B5/48—Other medical applications
- A61B5/4803—Speech analysis specially adapted for diagnostic purposes
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4088—Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia
-
- 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
-
- 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
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- 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
- G06N3/08—Learning methods
-
- 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
-
- 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
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Theoretical Computer Science (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Medical Informatics (AREA)
- Heart & Thoracic Surgery (AREA)
- Pathology (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Neurology (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Child & Adolescent Psychology (AREA)
- Developmental Disabilities (AREA)
- Hospice & Palliative Care (AREA)
- Fuzzy Systems (AREA)
- Psychology (AREA)
- Neurosurgery (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种基于语音信号分析的阿尔茨海默症状诊断设备,包含:获取模块,获取若干阿尔茨海默病患者和健康人群的语音信号数据;预处理模块,用于对语音信号数据进行预处理;训练模块,通过预处理后的语音信号对搭建好的非监督深度学习网络模型进行训练获取特征矩阵;预测模块,诊断分析语音信号是否为阿尔茨海默病患者;采集模块,采集待识别的测试者的测试语音信号;预处理模块将预处理后的测试语音信号输入至非监督深度学习网络模型中进行分析。本发明的基于语音信号分析的阿尔茨海默症状诊断设备,通过阿尔兹海默病患者及正常人的语音数据预训练深度学习网络模型,进而根据受测试者的语音数据实现阿尔兹海默症的早期识别与预警。
Description
技术领域
本发明涉及一种基于语音信号分析的阿尔茨海默症状诊断设备。
背景技术
阿尔茨海默病(Alzheimer disease,AD)已上升为我国居民前十大死亡高发病症之一。目前医学诊断主要利用神经影像学如CT(Computed Tomography,电子计算机断层扫描)和MRI(Magnetic Resonance Imaging,磁共振成像)扫描,以及结合理化检验指标综合判断,主要依赖专业医生测试诊断,而且预诊成本较高且不方便,而往往进入医院检查的患者大多已有明显的阿尔茨海默病临床表现,一方面失去了早期发现治疗的宝贵时间,另一方面则是有创诊断及量测十分复杂繁琐。
记忆力障碍是阿尔茨海默病患者的首发症状,如出现言语困难,记忆能力差的症状,因此本专利希望从非接触式、早期诊断两个方面出发,使用人员可以居家测试,通过采集测试人员的正常说话语音信号,即可实时给出被测者是否为阿尔茨海默病潜在患者,进而指导被测者进一步进行医疗干预检查。
发明内容
本发明提供了一种基于语音信号分析的阿尔茨海默症状诊断设备,采用如下的技术方案:
一种基于语音信号分析的阿尔茨海默症状诊断设备,包含:
获取模块,用于获取若干阿尔茨海默病患者和健康人群的语音信号数据;
预处理模块,用于对语音信号数据进行预处理;
训练模块,通过预处理后的所述语音信号对搭建好的非监督深度学习网络模型进行训练获取特征矩阵;
预测模块,通过搭建判别器网络模型基于训练模块获取的特征矩阵诊断分析其是否为阿尔茨海默病患者;
采集模块,采集待识别的测试者的测试语音信号;
预处理模块还对测试语音信号进行预处理;
预处理模块将预处理后的测试语音信号输入至训练好的非监督深度学习网络模型中进行分析提取特征,通过预测模块的判别器网络模型输出分类结果。
进一步地,预处理模块包括:
归一化单元,用于将语音信号数据进行归一化处理;
分割单元,用于将语音信号数据按照一定时间周期进行分割得到子片段;
提取单元,用于提取分割后的每一段子段的梅尔频谱;
对数单元,用于对提取到的梅尔频谱取对数得到对数梅尔频谱。
进一步地,预处理模块还包括:
规范化单元,用于对对数单元计算得到的对数梅尔频谱进行零-均值规范化处理。
进一步地,归一化单元在对语音信号数据进行归一化处理中,
归一化处理具体为最小-最大归一化处理。
进一步地,分割单元在将语音信号数据按照一定时间周期进行分割的具体方法为:
将语音信号数据按照0.5s为周期进行分割,不足0.5s的语音片段进行舍去。
进一步地,提取单元提取分割后的每一段子片段的梅尔频谱的具体方法为:
提取每一段子片段的梅尔频谱,采样率为16kHZ,做512点快速傅里叶变换,每次移动64点,并将梅尔频谱映射为128道梅尔刻度。
进一步地,训练模块通过预处理后的语音信号对搭建好的非监督深度学习网络模型进行训练中,
模型训练时设置学习率为0.0001,优化算法为Adam算法,loss函数采用均方差,激活函数采用Relu。
进一步地,非监督深度学习网络模型为自编码深度学习模型。
进一步地,获取模块获取若干阿尔茨海默病患者和健康人群的语音信号数据的具体方法为:
获取ADReSSo公开数据库中的87位阿尔兹海默病患者和79位健康人群的正常叙述的语音作为语音信号数据。
本发明的有益之处在于所提供的基于语音信号分析的阿尔茨海默症状诊断设备,通过已有的阿尔兹海默病患者及正常人的语音数据,为了尽量避免医学样本少影响训练精度的问题,采用非监督学习的自编码器建立预训练深度学习网络模型,进而根据受测试者的语音数据,采用深度学习算法,诊断受测试者的语音信号,实现阿尔兹海默症的早期识别与预警。
附图说明
图1是本发明的基于语音信号分析的阿尔茨海默症状诊断设备的示意图;
基于语音信号分析的阿尔茨海默症状诊断设备100,获取模块10,预处理模块20,训练模块30,预测模块40,采集模块50。
具体实施方式
以下结合附图和具体实施例对本发明作具体的介绍。
如图1所示为本发明的一种基于语音信号分析的阿尔茨海默症状诊断设备100,具体包含:获取模块10、预处理模块20、训练模块30、预测模块40和采集模块50。
具体而言,获取模块10用于获取若干阿尔茨海默病患者和健康人群的语音信号数据。预处理模块20用于对语音信号数据进行预处理。训练模块30通过预处理后的语音信号对搭建好的非监督深度学习网络模型进行训练。预测模块40通过搭建的判别器网络模型基于所述训练模块获取的特征矩阵诊断分析其对应的语音信号数据是否属于阿尔茨海默病患者。采集模块50采集待识别的测试者的测试语音信号。预处理模块20还对测试语音信号进行预处理。预处理模块20将预处理后的测试语音信号输入至训练好的非监督深度学习网络模型中进行分析提取特征,再通过预测模块40的判别器网络输出分类结果。
作为一种优选的实施方式,获取模块10获取若干阿尔茨海默病患者和健康人群的语音信号数据的具体方法为:获取ADReSSo公开数据库中的87位阿尔兹海默病患者和79位健康人群的正常叙述的语音作为语音信号数据。
具体而言,预处理模块20包括:归一化单元、分割单元、提取单元和对数单元。
归一化单元用于将语音信号数据进行归一化处理。归一化单元在对语音信号数据进行归一化处理中,归一化处理具体为最小-最大归一化处理。通过下述公式进行处理。
其中,x为语音每一帧的数据,xmin为当前语音帧级别数据的最小值,xmax为当前语音帧级别数据的最大值,x′为归一化后的数据。
分割单元用于将语音信号数据按照一定时间周期进行分割得到子片段。在本发明中,分割单元在将语音信号数据按照一定时间周期进行分割的具体方法为:将语音信号数据按照0.5s为周期进行分割,不足0.5s的语音片段进行舍去。可以理解的是,分割周期可以根据需要进行调节。
提取单元用于提取分割后的每一段子段的梅尔频谱。提取单元提取分割后的每一段子片段的梅尔频谱的具体方法为:提取每一段子片段的梅尔频谱,采样率为16kHZ,做512点快速傅里叶变换,每次移动64点,并将梅尔频谱映射为128道梅尔刻度。
对数单元用于对提取到的梅尔频谱取对数得到对数梅尔频谱。
作为一种优选的实施方式,预处理模块20还包括:规范化单元,用于对对数单元计算得到的对数梅尔频谱进行零-均值规范化处理。
可以理解的是,为保持特征并加快训练,在每一离散时间上进行零-均值规范化(z-score标准化),规范化后的数据具有均值为0,标准差为1的特点,如下式2描述了规范化过程。
其中,x为语音每一帧的数据,μ为语音帧平均的数据,σ为语音帧数据的方差,x′为规范化后的数据。
得到的训练数据的形状为(1,128,126),其中128代表梅尔刻度数,126代表时长信息,由式3确定。
其中,time为语音长度,此处为0.5s,rate为采样频率,此处为16kHz,hop为滑窗平移步长,此处为64,length为获取的时长信息。
在本申请中,非监督深度学习网络模型为自编码深度学习模型。选用多层卷积网络来进行基于频谱图的特征提取,并同时使用最大池化方法进行数据压缩降维,最后再通过全连接网络获得隐藏层特征,即完成特征提取任务,这一过程称为编码。根据隐藏层特征使用与编码器对称的网络结构,进行逆卷积以及逆池化,逐步恢复数据,最后输出重构频谱图,这一过程为解码。在上述自编码器框架的基础上,搭建降噪自编码器和对抗自编码器。降噪自编码器在上述自编码器基础上将输入变更为加入高斯噪音的对数频谱图,然后要求输出的重构频谱图尽可能的接近未加噪音的原始频谱图。约定使用x表示输入对数频谱图,为加噪后频谱,z为瓶颈层输出特征,为重构频谱图,N为分割的语音片段数。
上式中,L为损失函数,用来评价重构语谱图的质量。
对抗自编码器基于编码与重建过程,采用生成对抗训练对z进行约束,将编码器视作生成器,增加一个判别器来判断输入的z是否与先验分布匹配。
作为优选的实施方式,训练模块30通过预处理后的语音信号对搭建好的非监督深度学习网络模型进行训练中,模型训练时设置学习率为0.0001,优化算法为Adam算法,loss函数采用均方差,激活函数采用Relu。
在对采集模块50采集到的待识别的测试者的测试语音信号进行分析并分类的过程中,对待识别的测试者的测试语音信号的预处理过程和前述的处理模块20用于对语音信号数据进行预处理的过程相同,此处不再赘述。
假设一个测试者的测试语音信号分割出来4个0.5s的片段,(ad代表阿尔兹海默病患者,hc为正常人),对于每一段,分析的结果为:
seg1{ad:0.2,hc:0.8},
seg2{ad:0.3,hc:0.7},
seg3{ad:0.02,hc:0.98},
seg4{ad:0.05,sad:0.95},
综合,每种情感最大分值,
预测模块40输出的结果为,
output{ad:0.3,hc:0.98}
最大值是hc,所以输出标签是hc。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解,上述实施例不以任何形式限制本发明,凡采用等同替换或等效变换的方式所获得的技术方案,均落在本发明的保护范围内。
Claims (9)
1.一种基于语音信号分析的阿尔茨海默症状诊断设备,其特征在于,包含:
获取模块,用于获取若干阿尔茨海默病患者和健康人群的语音信号数据;
预处理模块,用于对所述语音信号数据进行预处理;
训练模块,通过预处理后的所述语音信号对搭建好的非监督深度学习网络模型进行训练获取特征矩阵;
预测模块,通过搭建的判别器网络模型基于所述训练模块获取的特征矩阵诊断分析其是否为阿尔茨海默病患者;
采集模块,采集待识别的测试者的测试语音信号;
所述预处理模块还对所述测试语音信号进行预处理;
所述预处理模块将预处理后的所述测试语音信号输入至训练好的所述非监督深度学习网络模型中进行分析提取特征,通过所述预测模块的判别器网络模型输出分类结果。
2.根据权利要求1所述的基于语音信号分析的阿尔茨海默症状诊断设备,其特征在于,
所述预处理模块包括:
归一化单元,用于将所述语音信号数据进行归一化处理;
分割单元,用于将所述语音信号数据按照一定时间周期进行分割得到子片段;
提取单元,用于提取分割后的每一段所述子段的梅尔频谱;
对数单元,用于对提取到的所述梅尔频谱取对数得到对数梅尔频谱。
3.根据权利要求2所述的基于语音信号分析的阿尔茨海默症状诊断设备,其特征在于,
所述预处理模块还包括:
规范化单元,用于对所述对数单元计算得到的所述对数梅尔频谱进行零-均值规范化处理。
4.根据权利要求2所述的基于语音信号分析的阿尔茨海默症状诊断设备,其特征在于,
所述归一化单元在对所述语音信号数据进行归一化处理中,
所述归一化处理具体为最小-最大归一化处理。
5.根据权利要求2所述的基于语音信号分析的阿尔茨海默症状诊断设备,其特征在于,
所述分割单元在将所述语音信号数据按照一定时间周期进行分割的具体方法为:
将所述语音信号数据按照0.5s为周期进行分割,不足0.5s的语音片段进行舍去。
6.根据权利要求2所述的基于语音信号分析的阿尔茨海默症状诊断设备,其特征在于,
所述提取单元提取分割后的每一段所述子片段的梅尔频谱的具体方法为:
提取每一段所述子片段的梅尔频谱,采样率为16kHZ,做512点快速傅里叶变换,每次移动64点,并将所述梅尔频谱映射为128道梅尔刻度。
7.根据权利要求1所述的基于语音信号分析的阿尔茨海默症状诊断设备,其特征在于,
所述训练模块通过预处理后的所述语音信号对搭建好的非监督深度学习网络模型进行训练中,
模型训练时设置学习率为0.0001,优化算法为Adam算法,loss函数采用均方差,激活函数采用Relu。
8.根据权利要求1所述的基于语音信号分析的阿尔茨海默症状诊断设备,其特征在于,
所述非监督深度学习网络模型为自编码深度学习模型。
9.根据权利要求1所述的基于语音信号分析的阿尔茨海默症状诊断设备,其特征在于,
所述获取模块获取若干阿尔茨海默病患者和健康人群的语音信号数据的具体方法为:
获取ADReSSo公开数据库中的87位阿尔兹海默病患者和79位健康人群的正常叙述的语音作为所述语音信号数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110764060.0A CN113440107A (zh) | 2021-07-06 | 2021-07-06 | 基于语音信号分析的阿尔茨海默症状诊断设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110764060.0A CN113440107A (zh) | 2021-07-06 | 2021-07-06 | 基于语音信号分析的阿尔茨海默症状诊断设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113440107A true CN113440107A (zh) | 2021-09-28 |
Family
ID=77815504
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110764060.0A Pending CN113440107A (zh) | 2021-07-06 | 2021-07-06 | 基于语音信号分析的阿尔茨海默症状诊断设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113440107A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113940634A (zh) * | 2021-11-18 | 2022-01-18 | 江西希尔康泰制药有限公司 | 一种基于高电位治疗的阿尔茨海默症分类诊断系统 |
KR102589757B1 (ko) * | 2023-04-21 | 2023-10-13 | 김광훈 | 음성을 이용한 치매 진단 서비스 시스템 및 방법 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108682009A (zh) * | 2018-05-08 | 2018-10-19 | 深圳市铱硙医疗科技有限公司 | 一种阿尔茨海默症预测方法、装置、设备及介质 |
CN109584861A (zh) * | 2018-12-03 | 2019-04-05 | 江苏师范大学 | 基于深度学习的阿尔茨海默症语音信号的筛查方法 |
CN111243569A (zh) * | 2020-02-24 | 2020-06-05 | 浙江工业大学 | 基于生成式对抗网络的情感语音自动生成方法及装置 |
CN111274955A (zh) * | 2020-01-20 | 2020-06-12 | 中国地质大学(武汉) | 一种基于视听特征相关性融合的情感识别方法及系统 |
CN111488914A (zh) * | 2020-03-17 | 2020-08-04 | 哈尔滨工业大学 | 一种基于多任务学习的阿尔茨海默症分类及预测系统 |
-
2021
- 2021-07-06 CN CN202110764060.0A patent/CN113440107A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108682009A (zh) * | 2018-05-08 | 2018-10-19 | 深圳市铱硙医疗科技有限公司 | 一种阿尔茨海默症预测方法、装置、设备及介质 |
CN109584861A (zh) * | 2018-12-03 | 2019-04-05 | 江苏师范大学 | 基于深度学习的阿尔茨海默症语音信号的筛查方法 |
CN111274955A (zh) * | 2020-01-20 | 2020-06-12 | 中国地质大学(武汉) | 一种基于视听特征相关性融合的情感识别方法及系统 |
CN111243569A (zh) * | 2020-02-24 | 2020-06-05 | 浙江工业大学 | 基于生成式对抗网络的情感语音自动生成方法及装置 |
CN111488914A (zh) * | 2020-03-17 | 2020-08-04 | 哈尔滨工业大学 | 一种基于多任务学习的阿尔茨海默症分类及预测系统 |
Non-Patent Citations (1)
Title |
---|
蒋卫祥: "《大数据时代计算机数据处理技术探究》", 31 March 2019, 北京工业大学出版社 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113940634A (zh) * | 2021-11-18 | 2022-01-18 | 江西希尔康泰制药有限公司 | 一种基于高电位治疗的阿尔茨海默症分类诊断系统 |
CN113940634B (zh) * | 2021-11-18 | 2023-05-05 | 江西希尔康泰制药有限公司 | 一种基于高电位治疗的阿尔茨海默症分类诊断系统 |
KR102589757B1 (ko) * | 2023-04-21 | 2023-10-13 | 김광훈 | 음성을 이용한 치매 진단 서비스 시스템 및 방법 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CA2976568C (en) | Methods and systems for disease analysis based on tranformations of diagnostic signals | |
CN109044396B (zh) | 一种基于双向长短时记忆神经网络的智能心音识别方法 | |
CN113440107A (zh) | 基于语音信号分析的阿尔茨海默症状诊断设备 | |
CN110600053A (zh) | 一种基于ResNet与LSTM网络的脑卒中构音障碍风险预测方法 | |
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 | |
Singh et al. | Short unsegmented PCG classification based on ensemble classifier | |
CN112820279A (zh) | 基于语音上下文动态特征的帕金森病检测方法 | |
CN113116300A (zh) | 一种基于模型融合的生理信号分类方法 | |
CN116369877A (zh) | 一种基于光电容积脉搏波的无创血压估计方法 | |
CN115089139A (zh) | 结合生物特征识别的个性化生理参数测量方法 | |
CN114299996A (zh) | 基于AdaBoost算法的帕金森病冻结步态症状关键特征参数的语音分析方法及系统 | |
CN114159079A (zh) | 基于特征提取和gru深度学习模型的多类型肌肉疲劳检测方法 | |
Touahria et al. | Discrete Wavelet based Features for PCG Signal Classification using Hidden Markov Models. | |
Sengupta et al. | Optimization of cepstral features for robust lung sound classification | |
El Badlaoui et al. | Phonocardiogram classification based on MFCC extraction | |
CN114400025A (zh) | 基于ehht和ci的精神分裂症语音自动检测方法及系统 | |
Wu et al. | Heart sound classification method based on complete empirical mode decomposition with adaptive noise permutation entropy | |
CN114569116A (zh) | 基于三通道图像及迁移学习的心冲击图室颤辅助诊断系统 | |
Wang et al. | Smart dysphagia detection system with adaptive boosting analysis of throat signals | |
Taoufiq et al. | Cepstral Coefficient Extraction using the MFCC with the Discrete Wavelet Transform for the Parkinson’s Disease Diagnosis | |
Bengacemi et al. | Surface EMG signal segmentation based on HMM modelling: Application on Parkinson’s disease | |
CN111631709B (zh) | 一种区别精神分裂症幻听症状和其他疾病幻听症状的方法 | |
Chatunapalak et al. | Childhood musical murmur classification with support vector machine technique | |
CN116230230A (zh) | 一种人体健康监控的方法和系统 | |
Rajeshwari et al. | Classification of Valvular Diseases using Phonocardiogram without Segmentation and Gammatone Filters |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210928 |