CN113576432A - 一种基于卷积神经网络的生理信号评分及评价方法 - Google Patents

一种基于卷积神经网络的生理信号评分及评价方法 Download PDF

Info

Publication number
CN113576432A
CN113576432A CN202111027416.9A CN202111027416A CN113576432A CN 113576432 A CN113576432 A CN 113576432A CN 202111027416 A CN202111027416 A CN 202111027416A CN 113576432 A CN113576432 A CN 113576432A
Authority
CN
China
Prior art keywords
neural network
convolutional neural
scoring
score
convolutional
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
Application number
CN202111027416.9A
Other languages
English (en)
Inventor
肖禾
王崇宝
周小东
胡俊杰
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.)
Icaretech Healthcare Co ltd
Original Assignee
Icaretech Healthcare Co ltd
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 Icaretech Healthcare Co ltd filed Critical Icaretech Healthcare Co ltd
Priority to CN202111027416.9A priority Critical patent/CN113576432A/zh
Publication of CN113576432A publication Critical patent/CN113576432A/zh
Pending legal-status Critical Current

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
    • A61B5/72—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
    • A61B5/02—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
    • A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
    • 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
    • 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
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • 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
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A61B5/14542—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring blood gases

Abstract

本发明公开了一种基于卷积神经网络的生理信号评分及评价方法，包括以下步骤：步骤1：构建卷积神经网络；卷积神经网络包括4组依次连接的卷积层和评分回归网络；步骤2：对步骤1构建得到的卷积神经网络进行训练和测试；步骤3：将需要处理的信号进行标准化处理，输入训练好的卷积神经网络即可得到每段信号的评分结果CNNscore。本发明采用神经网络可以从已有数据样本中进行学习，评分误差小，敏感度高、不容易漏检和误检，并且采用量化的指标对生理信号进行评价，评分值约大则信号质量越好，实现了对输入信号质量的精准分段评估，为后续算法提供信号质量的量化参考值。

Description

一种基于卷积神经网络的生理信号评分及评价方法
技术领域
本发明涉及生理信号评价方法，具体涉及一种基于卷积神经网络的生理信号评分及评价方法。
背景技术
随着光电容积脉搏波描记法(Photoplethysmographic，PPG)技术的发展，基于PPG技术的便携式可穿戴式设备已经大规模进入大众日常生活，这些设备能够持续的记录佩戴者的PPG信号和体动等信号从而转为血氧、心率等重要生理指标。然而由于可穿戴式设备的局限性，生理信号的测量总是会受到运动和设备贴合度的影响。在实际应用中会根据信号受影响程度的不同从而采取不同的应对措施，因此如何准确的评估信号质量是一个具有现实意义的工作。
目前，常规的信号质量检查主要集中在硬件输入端，也就是直接检测原始信号波形质量，然而在某些情况下无法获取原始信号波形，因此只能基于输出端的血氧、心率、体动信号来反推信号质量。但是这种方法基于人工经验的判断方法存在敏感度低等问题，容易出现漏检和误检。
发明内容
本发明根据现有技术存在的问题提供一种评分误差小的基于卷积神经网络的生理信号评分及评价方法。
本发明采用的技术方案是：
一种基于卷积神经网络的生理信号评分方法，包括以下步骤：
步骤1：构建卷积神经网络；卷积神经网络包括4组依次连接的卷积层和评分回归网络；
步骤2：对步骤1构建得到的卷积神经网络进行训练和测试；
步骤3：将需要处理的信号进行标准化处理，输入训练好的卷积神经网络即可得到每段信号的评分结果CNNscore。
进一步的，所述步骤1中的卷积神经网络：
每组卷积层均由多个卷积块构成，卷积块的个数依次为2、4、4、2，每组卷积层之间通过最大池化层连接；
每个卷积块包括依次串联连接的1维卷积层、归一化层、激活层。
进一步的，所述评分回归网络包括依次串联连接的平均池化层、全连接层和输出层。
进一步的，卷积块进行特征计算的方法如下：
feature＝Relu(BatchNorm(Conv(x)))
式中：feature为卷积块输出特征，Relu为函数，BatchNorm(x)为归一化层计算，Conv为卷积操作；
其中：
Figure BDA0003244077630000021
式中：x为卷积块输入特征，xstd为x的标准差，xmean为x的平均值；
Relu(x)＝max(x,0)。
进一步的，所述平均池化层特征计算方法如下：
Figure BDA0003244077630000022
式中：i为窗长，j为步长；
全连接层特征计算方法如下：
Dense(x)＝w*x,w∈R1*p,x∈Rp*d
式中：R1*p为1列p行的矩阵，Rp*d为p行d列的矩阵，w为参数矩阵；
输出层特征计算方法如下：
Figure BDA0003244077630000023
式中：Sigmoid为函数。
进一步的，所述卷积神经网络采用的优化函数L1Smooth(x)为：
Figure BDA0003244077630000024
式中：x为输入特征，xlabel为目标值，xpred为预测值。
进一步的，所述步骤3中的标准化处理如下：
Figure BDA0003244077630000025
式中：xi为输入的信号，yi为对应变换后的信号，xmean为x的标准差，xstd为x的平均值。
一种基于卷积神经网络的生理信号得到的评分的信号评价方法，
生理信号包括血氧数据和心率数据；
计算每段血氧数据评分Spo2Score，统计小于a1、a2…an的数据点数，为lessa1cout、lessa2cout…lessancout，计算一阶差分统计绝对值大于等于3的点数diffmore3；
计算得分Spo2Score：
Figure BDA0003244077630000031
其中，b1、b2…bn、bn+1为对应的取值；
计算每段心率数据评分HRScore，统计小于c1和大于c2的数据点数，记为lessc1cout、morec2cout；计算一节差分统计绝对值大于等于3的点数diffmore3；
计算得分HRScore：
Figure BDA0003244077630000032
其中，d1、d2、d3为对应取值；
计算最终得分Score：
Score＝100×(m1×CNNScore+m2×Spo2Score+m3×HRScore)
式中：m1、m2、m3分别为对应得分的权重值；m1+m2+m3＝1
根据最终得分对生理信号进行评价，评分越接近100则信号质量越好。
本发明的有益效果是：
(1)本发明采用神经网络可以从已有数据样本中进行学习，评分误差小，敏感度高、不容易漏检和误检；
(2)本发明采用量化的指标对生理信号进行评价，评分值约大则信号质量越好，实现了对输入信号质量的精准分段评估，为后续算法提供信号质量的量化参考值；
(3)本发明采用卷积层和评分回归网络构成的神经网络，综合了计算需求、神经网络表达能力、目标任务、输入信号形式等情况；每层卷积层之间设置有最大池化层将特征长度缩小为原来的二分之一，可以减小计算量，采用评分回归网络将特征变换到合适的长度，并通过相应的回归运算输出评分值。
附图说明
图1为本发明采用的神经网络结构示意图。
图2为本发明实施例得到的得分曲线。
具体实施方式
下面结合附图和具体实施例对本发明做进一步说明。
一种基于卷积神经网络的生理信号评分方法，包括以下步骤：
步骤1：构建卷积神经网络；卷积神经网络包括4组依次连接的卷积层和评分回归网络；具体结构如图1所示。
每组卷积层均由多个卷积块构成，卷积块的个数依次为2、4、4、2，每组卷积层之间通过最大池化层连接。最大池化层将特征长度缩小为原来的二分之一，目的是为了减小计算量。
该卷积神经网络将一个输入长度为L的向量通过卷积提取特征并降采样至原来的六十四分之一。输出的一个点就代表原始长度的64个点。并使用这1个点来代表原始信号对应的64秒信号质量，再通过Sigmoid函数将其归一化到0-1之间并输出，巧妙的实现特征提取和信号映射。
每个卷积块包括依次串联连接的(一个)1维卷积层、(一个)归一化层、(一个)激活层。不同卷积块之间彼此也是通过串联连接。通过最大池化层来进行2倍特征下采样。
卷积块进行特征计算的方法如下：
feature＝Relu(BatchNorm(Conv(x)))
式中：feature为卷积块输出特征，Relu为函数，BatchNorm(x)为归一化层计算，Conv为卷积操作；
其中：
Figure BDA0003244077630000041
式中：x为卷积块输入特征，xstd为x的标准差，xmean为x的平均值；
Relu(x)＝max(x,0)。
评分回归网络包括依次串联连接的(一个)平均池化层、(一个)全连接层和(一个)输出层。评分回归网络是将特征变换到合适的长度并通过相应的回归运算输出评分值。
平均池化层特征计算方法如下：
Figure BDA0003244077630000042
式中：i为窗长16，j为步长为8；平均全局池化层是利用一个窗口16、步长8的滑动窗口来进行特征池化。
全连接层特征计算方法如下：
Dense(x)＝w*x,w∈R1*p,x∈Rp*d
式中：R1*p为1列p行的矩阵，Rp*d为p行d列的矩阵，w为参数矩阵；
输出层特征计算方法如下：
Figure BDA0003244077630000051
式中：Sigmoid为函数。
卷积神经网络采用的优化函数L1Smooth(x)为：
Figure BDA0003244077630000052
式中：x为输入特征，xlabel为目标值，xpred为预测值。
步骤2：对步骤1构建得到的卷积神经网络进行训练和测试；
步骤3：将需要处理的信号进行标准化处理，输入训练好的卷积神经网络即可得到每段信号的评分结果CNNscore。在数据采集阶段，使用云卫康便携式血氧监测仪采集多人的监测数据，并人工进行标定和数据清洗，最终筛选出可用数据。本实施例中筛选出200例可用数据。
为了使模型能够更好的处理信号，需要将输入信号x做Z-Score标准化处理变换到y，变换过程如下：
Figure BDA0003244077630000053
式中：xi为输入的信号，yi为对应变换后的信号，xmean为x的标准差，xstd为x的平均值。
对于心率和血氧信号值及变化率都存在一个正常区间，所以设计了一个线性算法用于信号质量评价的后处理与神经网络得到的评分共同决定信号质量的好坏。将原始的数据按64秒进行划分，每个64秒为一个基本单位，数据总长度为
Figure BDA0003244077630000054
分别对血氧和心率信号进行分段。
对于一个单位的血氧数据，统计小于a1＝90、a2＝80、a3＝70、a4＝30的数据点数，为less90cout、less80cout、less70cout、less30cout计算一阶差分统计绝对值大于等于3的点数diffmore3；
计算每段血氧数据评分Spo2Score，
计算得分Spo2Score：
Figure BDA0003244077630000055
本实施例中a1＝90、a2＝80、a3＝70、a4＝30，n＝4，b1＝52、b2＝48、b3＝24、b4＝5，b5＝10
对应的Spo2Score为：
Figure BDA0003244077630000061
对于一个单位的心率数据，分别统计小于c1＝40和大于c2＝100的数据点数，记为lessc1cout、morec2cout；计算一节差分统计绝对值大于等于3的点数diffmore3；
计算得分HRScore：
Figure BDA0003244077630000062
其中，本实施例中d1＝8、d2＝8、d3＝10；
本实施例中：
Figure BDA0003244077630000063
处理完成后的Spo2Score和HRScore是一个长度为
Figure BDA0003244077630000064
的向量，与质量分析网络的输出向量CNNScore长度一致。
计算最终得分Score：
Score＝100×(m1×CNNScore+m2×Spo2Score+m3×HRScore)
式中：m1、m2、m3分别为对应得分的权重值；m1+m2+m3＝1。
本实施例中m1＝0.4，m2＝0.3，m3＝0.3。
根据最终得分对生理信号进行评价，评分越接近100则信号质量越好。本实施例中的得分曲线如图2所示。
本实施例，训练时，将数据集随机划分为训练集140例、验证集30例、测试集30例。模型在训练集上训练，在验证集上验证模型训练效果，最终选出在验证集上表现最好的模型在测试集验证。
可以通过下式衡量预测的好坏，L1D误差均质控制在0.1以内。
L1D＝|xlabel-xpred|
式中：xlabel为标定值，xpred为方法输出值。
上述实验结果表明在30例测试数据上，评分误差绝对值控制在0.1以内，证明了该方法的可行性。神经网络越宽(通道数越多)、越深(卷积层越多)则网络的表达能力越好，但是与之而来的是计算量和过拟合风险的急剧上升，本实施例综合了计算需求、神经网络表达能力、目标任务、输入信号形式等情况，设计评分神经网络。每层卷积层之间有一个最大池化层来将特征长度缩小为原来的二分之一，目的是为了减小计算量。评分回归网络的主要作用是将特征变换到合适的长度，并通过相应的回归运算输出评分值。本发明方法将输出一个0-100的分数值，分数值越大则代表信号质量越好，实现了对输入信号质量的精准分段评估，给予其它后续算法一个信号质量的量化参考值。

Claims (8)

1.一种基于卷积神经网络的生理信号评分方法，其特征在于，包括以下步骤：
步骤1：构建卷积神经网络；卷积神经网络包括4组依次连接的卷积层和评分回归网络；
步骤2：对步骤1构建得到的卷积神经网络进行训练和测试；
步骤3：将需要处理的信号进行标准化处理，输入训练好的卷积神经网络即可得到每段信号的评分结果CNNscore。
2.根据权利要求1所述的一种基于卷积神经网络的生理信号评分方法，其特征在于，所述步骤1中的卷积神经网络：
每组卷积层均由多个卷积块构成，卷积块的个数依次为2、4、4、2，每组卷积层之间通过最大池化层连接；
每个卷积块包括依次串联连接的1维卷积层、归一化层、激活层。
3.根据权利要求2所述的一种基于卷积神经网络的生理信号评分方法，其特征在于，所述评分回归网络包括依次串联连接的平均池化层、全连接层和输出层。
4.根据权利要求2所述的一种基于卷积神经网络的生理信号评分方法，其特征在于，卷积块进行特征计算的方法如下：
feature＝Relu(BatchNorm(Conv(x)))
式中：feature为卷积块输出特征，Relu为函数，BatchNorm(x)为归一化层计算，Conv为卷积操作；
其中：
Figure FDA0003244077620000011
式中：x为卷积块输入特征，xstd为x的标准差，xmean为x的平均值；
Relu(x)＝max(x,0)。
5.根据权利要求4所述的一种基于卷积神经网络的生理信号评分方法，其特征在于，所述平均池化层特征计算方法如下：
Figure FDA0003244077620000012
式中：i为窗长，j为步长；
全连接层特征计算方法如下：
Dense(x)＝w*x,w∈R1*p,x∈Rp*d
式中：R1*p为1列p行的矩阵，Rp*d为p行d列的矩阵，w为参数矩阵；
输出层特征计算方法如下：
Figure FDA0003244077620000021
式中：Sigmoid为函数。
6.根据权利要求1所述的一种基于卷积神经网络的生理信号评分方法，其特征在于，所述卷积神经网络采用的优化函数L1Smooth(x)为：
Figure FDA0003244077620000022
式中：x为输入特征，xlabel为目标值，xpred为预测值。
7.根据权利要求1所述的一种基于卷积神经网络的生理信号评分方法，其特征在于，所述步骤3中的标准化处理如下：
Figure FDA0003244077620000023
式中：xi为输入的信号，yi为对应变换后的信号，xmean为x的标准差，xstd为x的平均值。
8.采用如权利要求1～7所述任一种基于卷积神经网络的生理信号得到的评分的信号评价方法，其特征在于，
生理信号包括血氧数据和心率数据；
计算每段血氧数据评分Spo2Score，统计小于a1、a2…an的数据点数，为lessa1cout、lessa2cout…lessancout，计算一阶差分统计绝对值大于等于3的点数diffmore3；
计算得分Spo2Score：
Figure FDA0003244077620000024
其中，b1、b2…bn、bn+1为对应的取值；
计算每段心率数据评分HRScore，统计小于c1和大于c2的数据点数，记为lessc1cout、morec2cout；计算一节差分统计绝对值大于等于3的点数diffmore3；
计算得分HRScore：
Figure FDA0003244077620000025
其中，d1、d2、d3为对应取值；
计算最终得分Score：
Score＝100×(m1×CNNScore+m2×Spo2Score+m3×HRScore)
式中：m1、m2、m3分别为对应得分的权重值；m1+m2+m3＝1
根据最终得分对生理信号进行评价，评分越接近100则信号质量越好。
CN202111027416.9A 2021-09-02 2021-09-02 一种基于卷积神经网络的生理信号评分及评价方法 Pending CN113576432A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111027416.9A CN113576432A (zh) 2021-09-02 2021-09-02 一种基于卷积神经网络的生理信号评分及评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111027416.9A CN113576432A (zh) 2021-09-02 2021-09-02 一种基于卷积神经网络的生理信号评分及评价方法

Publications (1)

Publication Number Publication Date
CN113576432A true CN113576432A (zh) 2021-11-02

Family

ID=78241171

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111027416.9A Pending CN113576432A (zh) 2021-09-02 2021-09-02 一种基于卷积神经网络的生理信号评分及评价方法

Country Status (1)

Country Link
CN (1) CN113576432A (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190133468A1 (en) * 2017-11-03 2019-05-09 Samsung Electronics Co., Ltd. Method and apparatus for high accuracy photoplethysmogram based atrial fibrillation detection using wearable device
CN111885624A (zh) * 2020-07-28 2020-11-03 成都海擎科技有限公司 一种基于深度学习的信号噪底估计方法
CN112704503A (zh) * 2021-01-15 2021-04-27 苏州大学 心电信号噪声处理方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190133468A1 (en) * 2017-11-03 2019-05-09 Samsung Electronics Co., Ltd. Method and apparatus for high accuracy photoplethysmogram based atrial fibrillation detection using wearable device
CN111885624A (zh) * 2020-07-28 2020-11-03 成都海擎科技有限公司 一种基于深度学习的信号噪底估计方法
CN112704503A (zh) * 2021-01-15 2021-04-27 苏州大学 心电信号噪声处理方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张海滨等: "基于卷积神经网络的心电信号质量分析", 《计算机工程与应用》, vol. 56, no. 5, pages 147 - 152 *

Similar Documents

Publication Publication Date Title
US10679757B2 (en) Method and apparatus for establishing a blood pressure model and method and apparatus for determining a blood pressure
CN109106384B (zh) 一种心理压力状况预测方法及系统
CN112043252B (zh) 基于脉搏信号中呼吸成分的情绪识别系统及方法
CN111248859A (zh) 基于卷积神经网络的睡眠呼吸暂停自动检测方法
CN116705337A (zh) 一种健康数据采集及智能分析方法
CN112806977B (zh) 基于多尺度融合网络的生理参数测量方法
CN110659677A (zh) 一种基于可移动传感器组合设备的人体跌倒检测方法
CN111951975A (zh) 一种基于深度学习模型gpt-2的脓毒症早期预警方法
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
Liang et al. Obstructive sleep apnea detection using combination of CNN and LSTM techniques
CN113576472A (zh) 一种基于全卷积神经网络的血氧信号分割方法
CN110414590A (zh) 基于智能移动设备和卷积神经网络的人体活动识别方法
CN113974655A (zh) 一种基于脑电信号的癫痫发作预测方法
CN110598789A (zh) 一种基于模糊感知器的人体疲劳状态预测方法及系统
CN110801228B (zh) 一种基于神经网络预测的脑效应连接度量方法
CN113576432A (zh) 一种基于卷积神经网络的生理信号评分及评价方法
Shah et al. Analysis of EEG for Parkinson’s Disease Detection
US20240038383A1 (en) Health Monitoring System
CN114668375A (zh) 一种基于深度神经网络模型的无袖带血压预测系统
CN111466877B (zh) 一种基于lstm网络的氧减状态预测方法
CN114299995A (zh) 一种用于情绪评估的语言情感识别方法
CN113313682A (zh) 基于时空多尺度分析的无参考视频质量评价方法
CN111543965A (zh) 一种动物疾病预测算法
KR102570665B1 (ko) 맥파를 이용한 cnn 기반의 운동 강도 분류 시스템
CN114521900B (zh) 一种基于迁移学习心律失常分类识别的方法

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