CN113749658B - 基于集成学习的心肺耦合抑郁状态识别方法及系统 - Google Patents

基于集成学习的心肺耦合抑郁状态识别方法及系统 Download PDF

Info

Publication number
CN113749658B
CN113749658B CN202111183225.1A CN202111183225A CN113749658B CN 113749658 B CN113749658 B CN 113749658B CN 202111183225 A CN202111183225 A CN 202111183225A CN 113749658 B CN113749658 B CN 113749658B
Authority
CN
China
Prior art keywords
signals
signal
pulse
pulse signal
respiratory
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
CN202111183225.1A
Other languages
English (en)
Other versions
CN113749658A (zh
Inventor
杨立才
徐振
臧晓韩
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.)
Shandong University
Original Assignee
Shandong 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 Shandong University filed Critical Shandong University
Priority to CN202111183225.1A priority Critical patent/CN113749658B/zh
Publication of CN113749658A publication Critical patent/CN113749658A/zh
Application granted granted Critical
Publication of CN113749658B publication Critical patent/CN113749658B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
    • 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
    • A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
    • 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)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Surgery (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Physiology (AREA)
  • Artificial Intelligence (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Pulmonology (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Power Engineering (AREA)
  • Mathematical Physics (AREA)
  • Child & Adolescent Psychology (AREA)
  • Developmental Disabilities (AREA)
  • Educational Technology (AREA)
  • Hospice & Palliative Care (AREA)
  • Psychology (AREA)
  • Social Psychology (AREA)
  • Cardiology (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明提供一种基于集成学习的心肺耦合抑郁状态识别方法及系统，属于信号处理技术领域，获取待检测的脉搏信号和呼吸信号；将获取的脉搏信号和呼吸信号转化为一维矩阵形式，并裁剪成设定长度的信号；利用预先训练好的识别模型，对设定长度的信号进行处理，获得信号为正常或抑郁的检测结果。本发明数据容易获取，成本低；利用深度学习对脉搏和呼吸信号进行识别，相对于机器学习，其提取特征更为全面，识别效果更好，识别准确率高；利用深度神经网络建立的识别模型，拥有输入数据即得结果的特点，识别速度快；与临床量表的检测结果相比，利用深度神经网络进行的识别不含有医生的主观因素，检测结果更为客观。

Description

基于集成学习的心肺耦合抑郁状态识别方法及系统
技术领域
本发明涉及生理信号处理技术领域，具体涉及一种基于集成学习的心肺耦合抑郁状态识别方法及系统。
背景技术
目前，临床上对抑郁症的诊断主要基于ICD-0或DSM-V中的抑郁症诊断标准，结合病人的访谈情况、量表以及医生诊疗经验进行。易因患者的配合程度、医生熟练程度等主观因素的影响而导致误诊，且患者就医意识及早期筛查工具的缺乏导致部分患者诊疗时已经达到重度抑郁障碍。
近年来，随着互联网和科学技术的发展，机器学习因其强大的数据处理、数据挖掘能力已被广泛应用于医疗领域。利用机器学习和生物学信息辅助抑郁识别成为提高抑郁识别准确率的重要方式。目前对生物学信号的应用主要是眼动信号、面部表情、语音信号和脑电信号，但是眼动信号、面部表情和语音信号具有欺骗性，脑电信号采集不易且采集价格昂贵，这些均不适合在人群中普及。
发明内容
本发明的目的在于提供一种基于集成学习的心肺耦合抑郁状态识别方法及系统。以解决上述背景技术中存在的至少一项技术问题。
为了实现上述目的，本发明采取了如下技术方案：
一方面，本发明提供一种基于集成学习的心肺耦合抑郁状态识别方法。
具体的，脉搏信号在一定程度上能体现心脏功能，呼吸信号能体现肺部功能，且这两种信号具有容易获取的特点，因此，本发明选用脉搏信号和呼吸信号进行耦合用于抑郁状态的识别。
抑郁状态识别方法包括：
获取待检测的脉搏信号和呼吸信号，并转化为一维矩阵形式；
将一维矩阵形式的脉搏信号和呼吸信号进行降采样和滤波处理；
利用预先训练好的集成学习模型，对降采样和滤波处理后的脉搏信号和呼吸信号进行处理，获得信号为正常或抑郁的检测结果；其中，所述预先训练好的集成学习模型由预先训练的脉搏信号识别模型和呼吸信号识别模型耦合形成，用于训练所述脉搏信号识别模型的训练集包括多个脉搏信号片段以及标注每一个脉搏信号片段为正常或抑郁的标签，用于训练呼吸信号识别模型的训练集包括多个呼吸信号片段以及标注每一个呼吸信号片段为正常或抑郁的标签。
优选的，将降采样和滤波后的一维矩阵形式的脉搏信号和呼吸信号裁剪成设定长度的信号。
优选的，使用两级形态学滤波对脉搏信号进行去噪和去除基线漂移操作。
优选的，使用滑动均值滤波对呼吸信号进行平滑处理，消除高频噪声。
优选的，使用滑动窗口的方式，对降采样和滤波后的一维矩阵形式的脉搏信号和呼吸信号进行裁剪。
优选的，对于脉搏信号，使用时间卷积网络模型进行训练，得到训练好的脉搏信号识别模型。
优选的，对于呼吸信号，使用卷积神经网络进行训练，得到训练好的呼吸信号识别模型。
第二方面，本发明提供一种基于集成学习的心肺耦合抑郁状态识别系统，包括：
信号获取模块，用于获取待检测的脉搏信号和呼吸信号，将获取的脉搏信号和呼吸信号转化为一维矩阵形式；
预处理模块，用于对一维矩阵形式的脉搏信号和呼吸信号进行降采样和滤波处理；
抑郁状态识别模块，用于利用预先训练好的集成学习模型，对降采样和滤波处理后的脉搏信号和呼吸信号进行处理，获得信号为正常或抑郁的检测结果；其中，所述预先训练好的集成学习模型由预先训练的脉搏信号识别模型和呼吸信号识别模型耦合形成，用于训练所述脉搏信号识别模型的训练集包括多个脉搏信号片段以及标注每一个脉搏信号片段为正常或抑郁的标签，用于训练呼吸信号识别模型的训练集包括多个呼吸信号片段以及标注每一个呼吸信号片段为正常或抑郁的标签。
第三方面，本发明提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质用于存储计算机指令，所述计算机指令被处理器执行时，实现如上所述的基于集成学习的心肺耦合抑郁状态识别方法。
第四方面，本发明提供一种电子设备，包括：处理器、存储器以及计算机程序；其中，处理器与存储器连接，计算机程序被存储在存储器中，当电子设备运行时，所述处理器执行所述存储器存储的计算机程序，以使电子设备执行实现如上所述的基于集成学习的心肺耦合抑郁状态识别方法的指令。
本发明的有益效果：数据容易获取，成本低；利用深度学习对脉搏和呼吸信号进行识别，相对于传统机器学习方式，其提取特征更为全面，识别效果更好，识别准确率高；利用深度神经网络建立的识别模型，拥有输入数据即得结果的特点，识别速度快；与临床量表的检测结果相比，利用深度神经网络进行的识别不含有医生的主观因素，检测结果更为客观。
本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例所述的基于集成学习的心肺系统抑郁状态识别系统结构示意图；
图2为本发明实施例所述的形态学滤波过程示意图；
图3为本发明实施例所述的滑动窗口算法示意图；
图4为本发明实施例所述的时间卷积网络因果网络结构示意图；
图5为本发明实施例所述的时间卷积网络膨胀卷积和残差网络结构示意图；
图6为本发明实施例所述的抑郁状态识别模型示意图；
图7为本发明实施例所述的抑郁状态识别方法流程示意图。
具体实施方式
下面详细叙述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。
还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件和/或它们的组。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
为便于理解本发明，下面结合附图以具体实施例对本发明作进一步解释说明，且具体实施例并不构成对本发明实施例的限定。
本领域技术人员应该理解，附图只是实施例的示意图，附图中的部件并不一定是实施本发明所必须的。
实施例1
本实施例1提供一种基于集成学习的心肺耦合抑郁状态识别系统，该系统包括：
信号获取模块，用于获取待检测的脉搏信号和呼吸信号，并将获取的脉搏信号和呼吸信号转化为一维矩阵形式；
预处理模块，用于对一维矩阵形式的脉搏信号和呼吸信号进行降采样和滤波，最后裁剪成设定长度的信号；
抑郁状态识别模块，用于利用预先训练好的集成学习模型，对降采样和滤波处理后的脉搏信号和呼吸信号进行处理，获得信号为正常或抑郁的检测结果；其中，所述预先训练好的集成学习模型由预先训练的脉搏信号识别模型和呼吸信号识别模型耦合形成，用于训练所述脉搏信号识别模型的训练集包括多个脉搏信号片段以及标注每一个脉搏信号片段为正常或抑郁的标签，用于训练呼吸信号识别模型的训练集包括多个呼吸信号片段以及标注每一个呼吸信号片段为正常或抑郁的标签。
本实施例1中，利用上述的基于集成学习的心肺耦合抑郁状态识别系统，实现了基于集成学习的心肺耦合抑郁状态识别方法，该方法包括：
利用信号获取模块获取待检测的脉搏信号和呼吸信号，并将获取的信号转化为一维矩阵形式；利用预处理模块将对转化为一维矩阵形式的脉搏信号和呼吸信号进行降采样和滤波处理，最后裁剪成设定长度的信号；利用抑郁状态识别模块将设定长度的信号送入预先训练好的集成学习模型中，获得信号为正常或者抑郁的检测结果；其中，所述预先训练好的集成学习模型由训练集训练得到，所述训练集包括多个脉搏信号和呼吸信号的片段，以及标注每一个脉搏信号和呼吸信号片段为正常或抑郁的标签。
本实施例1中，信号获取模块获取的脉搏信号和呼吸信号为使用生理信号采集设备采集脉搏信号和呼吸信号。具体的，使用生理信号采集仪器采集被测试者在静息状态下的脉搏信号和呼吸信号数据。信号采集时，被测试者应处于一个相对封闭的环境中，并且尽量避免噪声、电磁信号的干扰。采用多通道生理信号采集处理系统RM-6280C对被测试者进行脉搏信号和呼吸信号的采集。让被测试者在实验床上平躺，将测量脉搏信号使用的指套绑在被试者右手食指、测量呼吸使用的绑带绑在被试者腹部。准备工作做好之后提醒被测试者在采集过程中闭眼、保持全身放松状态，观察多通道生理信号采集处理系统软件中的脉搏信号和呼吸信号是否正常，符合记录条件后单击记录/结束按钮，开始采集并记录一定时长的脉搏信号和呼吸信号，如若中间有异常信号出现，则需要将采集时间适当的延长，确保采集到连续有效的信号时长，将采集好的信号按序列号保存并导出存储。
脉搏信号和呼吸信号的频率都比较低，一般处于10Hz以下，1000Hz的采样率过高，较高的采样率会造成数据冗余，降低数据处理效率，对提取的信息造成干扰。因此，本实施例1中，对采集的脉搏信号和呼吸信号首先进行降采样操作，同时为了避免信号失真，保证信号的信息完整性，将信号降采样至50Hz。然后进行信号的预处理操作。
本实施例1中，在预处理模块中，对转化为一维矩阵形式的生理信号进行了降采样和滤波操作。传统的时频域变换方法处理信号可能会破坏信号特征，而形态学通过选择适当的结构元素，能极大保留信号的形态特征。
因此，本实施例1中，使用两级形态学滤波对脉搏信号进行去噪和去除基线漂移操作，两级形态学滤波的原理如下：
数学形态学建立在严格的数学理论基础之上，主要以积分几何、集合代数及拓扑论为理论基础。形态滤波中最重要的概念是相当于“探针”的结构元素，通过移动结构元素考察图像各部分关系，采用不同结构元素分析会得到不同结果。
膨胀与腐蚀是数学形态学中两个基本运算，由于脉搏信号是一维信号，膨胀与腐蚀定义如下：
设信号序列为f:F＝{0,1,2,3,4,…,N-1}，结构元素为k:K＝{0,1,…,M-1},且N>M。其中，M表示信号序列的长度，N表示结构元素的长度。信号f(n)关于结构元素k(m)的膨胀运算定义为：
Figure BDA0003298108360000071
信号f(n)关于结构元素k(m)的腐蚀运算定义为：
Figure BDA0003298108360000072
将两种运算级联可推演出开运算和闭运算。
开运算定义为信号被结构元素腐蚀后再进行膨胀运算，记为
Figure BDA0003298108360000073
即：
Figure BDA0003298108360000074
闭运算定义为信号被结构元素膨胀后再进行腐蚀运算，记为“·”，即：
Figure BDA0003298108360000075
开运算和闭运算变换是基本的形态学滤波器，用于探查在信号上方和下方的信息，其中开运算用于抑制信号的正脉冲，闭运算则抑制信号的负脉冲。由上式可以看出形态滤波运算由一组简单的加减、比较等运算组成，计算量小，耗时短。
结构元素是形态学中最重要的滤波参数，而不同的形状和尺寸影响结构元素移动所产生的形态变换的性能。形状、高度及宽度决定了结构元素的形态特征。本实施例1中，经过验证分析，提出几个选取结构元素的基本原则：
1)形状：选择的结构元素需尽量匹配处理信号的几何形状，常见的结构元素形状是一些简单的几何形状，如圆盘形、正方形、菱形等，对于较为复杂的信号处理，也可通过对这些简单几何形状进行组合。
2)尺寸：结构元素的尺寸包括高度与宽度。其中宽度是滤波器设计尺寸最主要参数，由被滤除信号与有用信号的宽度所决定。参数的选择应大于被滤除信号尺寸，但小于保留信号的尺寸或大或小。
本实施例1中，使用滑动均值滤波算法对呼吸信号进行滤波和平滑处理，消除高频噪声。滑动均值滤波是离散信号中的一种有用而简单的变换，可计算离散序列中的两个或者多个顺序的数值的滑动平均，从而形成一个新的离散平均值序列。其原理如下：
滑动均值滤波就是相当于有一个固定半径为R的滑动窗口，沿着离散序列滑动，每滑动一个采样间隔，滑动窗口前面进入一个新的数据，滑动窗口后面推出一个旧的数据，在窗口之中始终有2R+1个新的离散数据序列。每次在滑动后把窗口中的2R+1个数据进行算术平均，就可得到一组经过滑动平均滤波的新序列，其表达式为：
Figure BDA0003298108360000081
其振幅函数为：
Figure BDA0003298108360000091
其相当于一个低通滤波器，可以滤除较高频率的信号，起到平滑数据作用。
由于呼吸信号中的噪声主要为高频信号，使用滑动均值滤波能很好的对呼吸信号进行平滑处理，消除高频噪声，所以该部分使用滑动均值滤波对呼吸信号进行滤波，设置R为2。
数据太少会导致深度学习模型的识别率过低，训练出来的模型效果差，为了增加信号数量，同时提高模型的训练效率，需要使用数据裁剪对信号进行再一次处理。因此，本实施例1中，使用滑动窗口的方式，对降采样和滤波后的一维矩阵形式的脉搏信号和呼吸信号进行了裁剪。
具体的，在一维数据中，滑动窗口方式进行数据裁剪的计算方法如下：
Figure BDA0003298108360000092
其中，x为裁剪后信号，y为原始信号，d为窗口滑动步长，r为窗口大小。
本实施例1中，对于脉搏信号，使用时间卷积网络(Temporal ConvolutionalNetworks,TCN)进行训练，得到训练好的脉搏信号识别模型；对于呼吸信号，使用卷积神经网络(Convolutional Neural Network,CNN)进行训练，得到训练好的呼吸信号识别模型。
最终，构建了支持向量机将脉搏信号识别模型和呼吸信号识别模型进行耦合，得到集成学习模型，对脉搏信号和呼吸信号进行识别分类，得到抑郁状态识别结果。其中，支持向量机是建立在统计学习理论基础上的一种数据挖掘方法，可处理回归问题和模式识别等诸多问题，能够实现对线性可分类数据的最优分类。
实施例2
如图1所示，本实施例2中，提供一种基于集成学习的心肺耦合抑郁状态识别系统，该系统包括数据采集模块(即信号获取模块)、数据预处理模块、数据裁剪模块以及抑郁状态识别模块。
本实施例2中，利用上述的抑郁状态识别系统，可实现抑郁状态识别方法，该方法流程如图7所示。所述的抑郁状态识别系统中：
数据采集模块，其用于采集被试者在静息状态下的呼吸信号和脉搏信号，将采集的脉搏信号和呼吸信号分别转化为一维矩阵的形式进行保存。数据预处理模块，其用于并对转化为一维矩阵的形式的脉搏和呼吸信号进行降采样和滤波。数据裁剪模块，其用于将一维矩阵形式的脉搏信号和呼吸信号裁剪成设定长度的信号。抑郁状态识别模块，其用于利用预训练好的集成学习模型，对待测脉搏信号和呼吸信号进行抑郁识别，其输出结果为抑郁和非抑郁两种。
本实施例2中，使用生理信号采集仪器采集被测试者在静息状态下的脉搏信号和呼吸信号数据。
信号采集时，采用多通道生理信号采集处理系统RM-6280C对被测试者进行脉搏信号和呼吸信号的采集，其中采样率设置为1kHz，灵敏度为1mv。在采集过程中提醒被测试者闭眼、保持全身放松状态，观察多通道生理信号采集处理系统软件中的脉搏信号和呼吸信号是否正常，符合记录条件后单击记录/结束按钮，开始采集并记录时长至少5.5分钟的脉搏信号和呼吸信号，如若中间有异常信号出现，则需要将采集时间适当的延长，确保采集到5.5分钟的连续有效信号时长，按序列号保存并导出存储。
本实施例2中，为了保持一致性，在相同的实验条件下获取抑郁症患者和健康对照组的脉搏和呼吸信号。
采集过程全部结束后，从多通道生理信号采集处理系统的软件中读取原始txt数据并转化处理为一维矩阵，数据获取模块从软件中获取一维矩阵形式的脉搏信号和呼吸信号，发送给预处理模块，进行信号的预处理操作。
脉搏信号和呼吸信号的频率都比较低，一般处于10Hz以下，1000Hz的采样率过高，较高的采样率会造成数据冗余，降低深度学习模型分析的效率，对提取的信息造成干扰，因此，本实施例2中，在预处理模块中，对采集的信号首先进行降采样操作，同时为了避免信号失真，保证信号的信息完整性，将信号降采样至50Hz。
其中，本实施例2中的预处理模块，使用两级形态学滤波对脉搏信号进行去噪和去除基线漂移操作。
将形态学滤波应用到脉搏信号的方式如图2所示，其步骤如下：
1)第一级形态学滤波
原始脉搏信号f0通过结构元素k1进行先闭后开及先开后闭的形态运算，采用公式
Figure BDA0003298108360000111
与
Figure BDA0003298108360000112
取两者算术平均得信号f1，如下所示：
Figure BDA0003298108360000113
其中，OC示开运算，CO闭运算。
结构元素的设计使得脉搏信号的波形不被滤除，设计形状类似于脉搏信号单峰，即三角形，结构元素的宽度使用M＝5个采样单位，因此三角形结构元素的表达式为
Figure BDA0003298108360000114
其中，L与结构元素的宽度M有关，关联式为L＝2M+1,所以L＝2,n＝-L,…,L。H为三角形高度。根据脉搏信号幅值设置为5，故所选三角形结构元素为k1＝{0,2.5,5,2.5,0}。
通过以上步骤可以得到去除噪声后的脉搏信号。
2)第二级形态学滤波
用来矫正脉搏信号的基线漂移，需要较大结构元素k2对信号进行处理，将结构元素k2对f1进行上述类似运算，可得到基线漂移有关信号分量f2，即：
Figure BDA0003298108360000115
结构元素k2的宽度由脉搏信号采样频率和特征波形时间宽度所决定，设置为54。
3)将信号中f1减去基线漂移信号f2得到滤除噪声后需要的信号f3，即：
f3＝f1-f2
由以上步骤可以得到滤波后的脉搏信号信号。
本实施例2中，由于呼吸信号中的噪声主要为高频信号，而滑动均值滤波能很好的对呼吸信号进行平滑处理，消除高频噪声，所以，本实施例2中，使用滑动均值滤波对呼吸信号进行滤波。
滑动均值滤波，即一个固定半径为R的滑动窗口，沿着离散序列滑动，每滑动一个采样间隔，滑动窗口前面进入一个新的数据，滑动窗口后面则推出一个旧的数据，在窗口之中始终有2R+1个新的离散数据序列。每次在滑动后把窗口中的2R+1个数据进行算术平均，就可得到一组经过滑动平均滤波的新序列，其表达式为：
Figure BDA0003298108360000121
其振幅函数为：
Figure BDA0003298108360000122
其相当于一个低通滤波器，可以滤除较高频率的信号，起到平滑数据作用。本实施例2中设置R为2，而在实际使用中，R的值并不受上述2的限制，本领域技术人员可根据实际情况具体设置R的数值。
滑动窗口即使用固定大小的窗口按照一定步长在数据上沿一个方向移动，每次取出窗口内的数据作为一个新的数据。如图3所示，具体应用在本实施例2的一维矩阵形式的信号裁剪中，其计算方法如下：
Figure BDA0003298108360000123
其中，x为裁剪后信号，y为原始信号，d为窗口滑动步长，r为窗口大小。
本实施例2中，使用滑动窗口的方式进行数据裁剪，为了尽量提高数据的数量和降低数据与数据之间的冗余程度，设置窗口大小为2.5秒，步进长度为0.8秒。而在实际使用中，上述窗口的大小以及步进长度并不受上述数值的限制，本领域技术人员可根据具体情况设置合适的窗口大小和步进长度。
本实施例2中，采用两种不同的模型分别对脉搏信号和呼吸信号进行分析，使用支持向量机将两种不同的模型进行了耦合，对分析后结果进行再次分析得到最终的抑郁状态识别结果。其中，采用TCN训练脉搏信号的处理模型(即脉搏信号识别模型)，使用CNN训练呼吸信号的处理模型(即呼吸信号识别模型)。
对于TCN中的时序模型：
对给定了一个输入序列并且想要预测对应结果。核心的制约是，预测一个输出的时候，只能使用这个时间之前的观察。一个序列模型网络通常指的是能产生以下映射的一个函数：
Figure BDA0003298108360000131
其目标是找到一个最小化真实输出和预测之间的损失，其中输入序列和输出都遵循着某个分布。这个形式包括了多种设置，比如自回归预测，目标输出是将输入平移一步得到的。而这种不适合机器翻译或者序列-序列预测，因为输入的序列中包含了“未来”状态。
对于TCN中的因果卷积：
TCN是基于两个原则：网络产生和输入一样长的输出，不存在从未来到现在的信息。为了实现这一点，TCN使用了一维全卷积网络架构，每个隐藏层和输入层长度都一样，并加入了padding来保持后续层的长度，如图4所示。
对于TCN中的空洞卷积：
一个简单的因果卷积只能够回顾和网络深度呈线性关系的大小的历史，这使得上述的因果卷积在序列任务上遇到挑战，尤其在要求比较长的历史记录的时候。本实施例2中，针对这一问题，使用具有扩大感受野能力的空洞卷积。对于一个一维的序列和一个滤波器，空洞卷积在序列中每个元素s上的操作可以定义为：
Figure BDA0003298108360000141
其中，d表示膨胀因子，k是滤波器大小，s-d·i指示了过去的方向。其网络结构如图5(a)所示，这就有了两个提高感受野的方法：1.选择较大的核；2.提供空洞因子。
对于TCN中的残差链接：
一个残差块包含了一个指向transformation操作的分支F，它的输出和原始输出相加，如下式所示：
o＝Activation(x+F(x))；
残差块分成两部分直接映射部分和残差部分。
在卷积网络中，直接映射部分的输出和残差部分的输出可能维度不相同，所以使用1×1卷积使两者保持相同维度，其结构如图5(b)所示。
本实施例2中，对于脉搏信号，使用TCN模型进行脉搏信号处理网络模型的训练，其网络结构如下：
脉搏信号处理网络模型首先接入TCN，其膨胀因子为1，2，4，8，16，32，64，128的数组；dropout值为0.1，防止过拟合和提高网络训练速度；激活函数为Relu。
TCN层的输出接入标准化层，其能将上层输出数据转化为均值接近0，标准差接近1的一维数据，便于下一层训练。
然后数据接入全连接网络，神经元数为1，激活函数为“sigmoid”激活函数，其用以输出脉搏信号的抑郁评分。脉搏信号处理网络模型采用自适应矩估计优化器，损失函数为交叉熵损失函数。
对于CNN网络：
CNN属于典型前馈神经网络，本质是通过建立多个滤波器提取输入数据的特征。这些滤波器对输入数据进行逐层卷积和池化，层层提取蕴含在输入数据中的拓扑结构特征。随着网络层数的逐渐增加，提取的特征不断抽象，最终从原始输入数据中得到具有平移旋转不变性的鲁棒特征。
CNN网络自身具有稀疏连接和权值共享的特性。其中，稀疏连接利用空间拓扑结构建立相邻层之间的非全连接空间关系用于降低模型需要训练的参数个数；权值共享用于避免算法过拟合。另，池化操作利用数据本身具有的局部性特征，减少数据维度的同时优化网络结构，提高特征的鲁棒性。
一个典型的CNN网络通常包含输入层、卷积层、池化层、全连接层和输出层。在CNN的前期特征提取算法中，通过交替利用卷积层和池化层进行输入数据特征的层层提取，接近输出层则采用普通多层神经网络。
在卷积层中，卷积核对前一层输出的特征矢量进行卷积操作，利用非线性激活函数构建输出特征矢量，每一层的输出均为对多输入特征的卷积结果，其数学模型可以描述为：
Figure BDA0003298108360000151
其中，Mj为输入特征矢量的长度；l为第l层网络；k为卷积核；b为网络偏置；
Figure BDA0003298108360000152
为第l输出，
Figure BDA0003298108360000153
为第l输入。在CNN中，非线性激活函数通常选择修正线性单元(rectifiedlinear unit，ReLU)，ReLU的优势在于是一部分神经元的输出为0，提高网络稀疏性，并且减少了参数的相互依存关系，缓解了过拟合问题的发生。ReLU的公式化表述如下：
Figure BDA0003298108360000154
式中：
Figure BDA0003298108360000155
表示卷积操作的输出值；
Figure BDA0003298108360000156
是
Figure BDA0003298108360000157
的激活值。池化层是对上一层数据的缩放映射，在实际应用中常采用最大池化算子，最大池化算子在输入的特征中提取局部最大值，降低可训练参数数目和提高特征的鲁棒性。最大池化的变换函数如下所示：
Figure BDA0003298108360000161
式中：
Figure BDA0003298108360000162
表示第l层第i个特征矢量中的第t个神经元的值，t∈[(j-1)W+1,jW]；W为池化区域的宽度；
Figure BDA0003298108360000163
表示第l+1层神经元对应值。CNN的输出部分包括对最后一个池化层的输出的进行全连接，之后采用Softmax分类器解决多分类问题，模型可表述为：o＝f(b0+w0fv)；
式中：fv特征矢量；b0、w0分别为偏差向量和权值矩阵。
一维CNN网络的输入为一维数据，因此其卷积核也相应的采用一维结构，每个卷积层和池化层的输出也相应的为一维特征矢量。
本实施例2中，使用CNN网络对呼吸信号处理模型进行训练，其基础网络连接顺序如下表1所示：
表1
Figure BDA0003298108360000164
优化器使用自适应矩估计优化器，损失函数使用均方差误差函数。
本实施例2中，使用TCN网络和CNN网路完成对脉搏信号和呼吸信号的信息提取后，将提取到的信息使用支持向量机进行识别，得到最终的抑郁状态识别结果。
支持向量机是建立在统计学习理论基础上的一种数据挖掘方法，能非常成功地处理回归问题和模式识别等诸多问题，并可推广于预测和综合评价等领域和学科。
支持向量机的机理是寻找一个满足分类要求的最有分类超平面，使得该超平面在保证分类精度的同时，能够使超平面两侧的空白区域最大化。理论上，支持向量机能够实现对线性可分类数据的最优分类。
以两类数据分类为例，给定训练样本集：
(xi,yi),i＝1,2,...,l x∈Rn,y∈±1；
超平面记作(w·x)+b＝0，为使分类面对所有样本正确分类并且具备分类间隔，就要求它满足下约束：
yi[(w·xi)+b]≥1 i＝1,2,...,l；
可以计算出分类间隔为
Figure BDA0003298108360000171
因此构造最有超平面的问题就转化为在约束下求：
Figure BDA0003298108360000172
为了解决该约束最优化问题，引入Lagrange函数：
Figure BDA0003298108360000173
式中，ai>0为Lagrange乘数。约束最优化问题的解由Lagrange函数的鞍点决定，并且最优化问题的解在鞍点出处满足对w和b的偏导为0，将该QP问题转化为相应的对偶问题即：
Figure BDA0003298108360000174
Figure BDA0003298108360000175
解得最优解
Figure BDA0003298108360000176
计算最优权值向量w*和最优偏置b*，分别为：
Figure BDA0003298108360000181
Figure BDA0003298108360000182
式中，下标
Figure BDA0003298108360000183
因此得到最优分类超平面(w*·x)+b*＝0，而最优分类函数为：
Figure BDA0003298108360000184
对于线性不可分的情况，支持向量机的主要思想是将输入向量映射到一个高维的特征向量空间，并在该特征空间中构造最有分类面。将x做从输入空间Rn到特征空间H的变换φ，得：
x→Φ(x)＝(Φ1(x),Φ2(x),...,Φl(x))T；
以特征向量Φ(x)代替输入向量x，则可以得到最优分类函数为：
Figure BDA0003298108360000185
该函数即为支持向量机的核心，用以确定数据的明确分类。
将TCN网络和CNN网络得到的信息输入支持向量机得到最终的抑郁标签，抑郁标签为抑郁和非抑郁两种。数据传输方式如图6所示。
实施例3
本发明实施例3提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质用于存储计算机指令，所述计算机指令被处理器执行时，实现如上所述的基于集成学习的心肺耦合抑郁状态识别方法，该方法包括：
获取待检测的脉搏信号和呼吸信号；
将获取的脉搏信号和呼吸信号转化为一维矩阵形式，并进行降采样和滤波处理；
利用预先训练好的集成学习模型，对降采样和滤波处理后的脉搏信号和呼吸信号进行处理，获得信号为正常或抑郁的检测结果；其中，所述预先训练好的集成学习模型由预先训练的脉搏信号识别模型和呼吸信号识别模型耦合形成，用于训练所述脉搏信号识别模型的训练集包括多个脉搏信号片段以及标注每一个脉搏信号片段为正常或抑郁的标签，用于训练呼吸信号识别模型的训练集包括多个呼吸信号片段以及标注每一个呼吸信号片段为正常或抑郁的标签。
实施例4
本发明实施例4提供一种计算机程序(产品)，包括计算机程序，所述计算机程序当在一个或多个处理器上运行时，用于实现如上所述的基于集成学习的心肺耦合抑郁状态识别方法，该方法包括：
获取待检测的脉搏信号和呼吸信号；
将获取的脉搏信号和呼吸信号转化为一维矩阵形式，并进行降采样和滤波处理；
利用预先训练好的集成学习模型，对降采样和滤波处理后的脉搏信号和呼吸信号进行处理，获得信号为正常或抑郁的检测结果；其中，所述预先训练好的集成学习模型由预先训练的脉搏信号识别模型和呼吸信号识别模型耦合形成，用于训练所述脉搏信号识别模型的训练集包括多个脉搏信号片段以及标注每一个脉搏信号片段为正常或抑郁的标签，用于训练呼吸信号识别模型的训练集包括多个呼吸信号片段以及标注每一个呼吸信号片段为正常或抑郁的标签。
实施例5
本发明实施例5提供一种电子设备，包括：处理器、存储器以及计算机程序；其中，处理器与存储器连接，计算机程序被存储在存储器中，当电子设备运行时，所述处理器执行所述存储器存储的计算机程序，以使电子设备执行实现如上所述的基于集成学习的心肺耦合抑郁状态识别方法的指令，该方法包括：
获取待检测的脉搏信号和呼吸信号；
将获取的脉搏信号和呼吸信号转化为一维矩阵形式，并进行降采样和滤波处理；
利用预先训练好的集成学习模型，对降采样和滤波处理后的脉搏信号和呼吸信号进行处理，获得信号为正常或抑郁的检测结果；其中，所述预先训练好的集成学习模型由预先训练的脉搏信号识别模型和呼吸信号识别模型耦合形成，用于训练所述脉搏信号识别模型的训练集包括多个脉搏信号片段以及标注每一个脉搏信号片段为正常或抑郁的标签，用于训练呼吸信号识别模型的训练集包括多个呼吸信号片段以及标注每一个呼吸信号片段为正常或抑郁的标签。
综上所述，本发明实施例所述的基于集成学习的心肺耦合抑郁状态识别系统。其所使用的生理信号为脉搏信号和呼吸信号。这两种信号易获取，处理简单，实用性强，检测费用低，可以实现对正常人和抑郁症患者的心肺系统的有效辨识并进行正确的分类，消除在使用量表进行诊断时医生和患者的主观影响，使得诊断结果更具客观性。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明公开的技术方案的基础上，本领域技术人员在不需要付出创造性劳动即可做出的各种修改或变形，都应涵盖在本发明的保护范围之内。

Claims (3)

1.一种基于集成学习的心肺耦合抑郁状态识别系统，其特征在于，包括：
信号获取模块，用于获取待检测的脉搏信号和呼吸信号，将获取的脉搏信号和呼吸信号转化为一维矩阵形式；
预处理模块，用于对一维矩阵形式的脉搏信号和呼吸信号进行降采样和滤波处理；具体的，将降采样和滤波后的一维矩阵形式的脉搏信号和呼吸信号裁剪成设定长度的信号；使用两级形态学滤波对脉搏信号进行去噪和去除基线漂移操作；
1)第一级形态学滤波
原始脉搏信号f0通过结构元素k1进行先闭后开及先开后闭的形态运算，采用公式f0·k1ok1与f0ok1·k1，取两者算术平均得信号f1，如下所示：
Figure FDA0003741364980000011
其中，OC为先开后闭运算，CO为先闭后开运算；
结构元素的设计使得脉搏信号的波形不被滤除，设计形状类似于脉搏信号单峰，即三角形，结构元素的宽度使用M＝5个采样单位，因此三角形结构元素的表达式为
Figure FDA0003741364980000012
其中，L与结构元素的宽度M有关，关联式为M＝2L+1,所以L＝2,n＝-L,…,L；H为三角形高度；根据脉搏信号幅值设置为5，故所选三角形结构元素为k1 ＝{0,2.5,5,2.5,0}；
通过以上步骤可以得到去除噪声后的脉搏信号；
2)第二级形态学滤波
用来矫正脉搏信号的基线漂移，需要较大结构元素k2对信号进行处理，将结构元素k2对f1进行上述类似运算，可得到基线漂移有关信号分量f2，即：
Figure FDA0003741364980000013
结构元素k2的宽度由脉搏信号采样频率和特征波形时间宽度所决定，设置为54；
3)将信号f1减去基线漂移信号f2得到滤除噪声后需要的信号f3，即：
f3＝f1-f2
由以上步骤可以得到滤波后的脉搏信号；
使用滑动均值滤波对呼吸信号进行平滑处理，消除高频噪声；使用滑动窗口的方式，对降采样和滤波后的一维矩阵形式的脉搏信号和呼吸信号进行裁剪；
抑郁状态识别模块，用于利用预先训练好的集成学习模型，对降采样和滤波处理后的脉搏信号和呼吸信号进行处理，获得信号为正常或抑郁的检测结果；其中，对于脉搏信号，使用TCN模型进行训练，得到训练好的脉搏信号识别模型；对于呼吸信号，使用CNN模型进行训练，得到训练好的呼吸信号识别模型；
使用TCN模型和CNN模型完成对脉搏信号和呼吸信号的信息提取后，使用支持向量机将两种不同的模型进行了耦合，对分析后结果进行再次分析得到最终的抑郁状态识别结果；
具体的，给定训练样本集：
(xi,yi),i＝1,2,...,l x∈Rn,y∈±1；
l 为样本数；超平面记作(w·x)+b＝0，为使分类面对所有样本正确分类并且具备分类间隔，就要求它满足下约束：
yi[(w·xi)+b]≥1 i＝1,2,...,l；
可以计算出分类间隔为
Figure FDA0003741364980000021
因此构造最有超平面的问题就转化为在约束下求：
Figure FDA0003741364980000022
为了解决该约束最优化问题，引入Lagrange函数：
Figure FDA0003741364980000031
式中，a>0为Lagrange乘数，即为求解上述超平面最优解而引入的系数；约束最优化问题的解由Lagrange函数的鞍点决定，并且最优化问题的解在鞍点出处满足对w和b的偏导为0，将QP问题转化为相应的对偶问题即：
Figure FDA0003741364980000032
Figure FDA0003741364980000033
该QP问题即为二次规划问题，具体的，为求解超平面最优解的问题；解得最优解
Figure FDA0003741364980000034
计算最优权值向量w*和最优偏置b*，分别为：
Figure FDA0003741364980000035
Figure FDA0003741364980000036
式中，下标
Figure FDA0003741364980000037
因此得到最优分类超平面(w*·x)+b*＝0，而最优分类函数为：
Figure FDA0003741364980000038
将TCN网络和CNN网络得到的信息输入支持向量机得到最终的抑郁标签，抑郁标签为抑郁和正常两种。
2.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质用于存储计算机指令，所述计算机指令被处理器执行时，实现如权利要求1所述的基于集成学习的心肺耦合抑郁状态识别系统的功能。
3.一种电子设备，其特征在于，包括：处理器、存储器以及计算机程序；其中，处理器与存储器连接，计算机程序被存储在存储器中，当电子设备运行时，所述处理器执行所述存储器存储的计算机程序，以使电子设备执行实现如权利要求1所述的基于集成学习的心肺耦合抑郁状态识别系统的功能的指令。
CN202111183225.1A 2021-10-11 2021-10-11 基于集成学习的心肺耦合抑郁状态识别方法及系统 Active CN113749658B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111183225.1A CN113749658B (zh) 2021-10-11 2021-10-11 基于集成学习的心肺耦合抑郁状态识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111183225.1A CN113749658B (zh) 2021-10-11 2021-10-11 基于集成学习的心肺耦合抑郁状态识别方法及系统

Publications (2)

Publication Number Publication Date
CN113749658A CN113749658A (zh) 2021-12-07
CN113749658B true CN113749658B (zh) 2022-08-26

Family

ID=78799142

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111183225.1A Active CN113749658B (zh) 2021-10-11 2021-10-11 基于集成学习的心肺耦合抑郁状态识别方法及系统

Country Status (1)

Country Link
CN (1) CN113749658B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115399773A (zh) * 2022-09-14 2022-11-29 山东大学 基于深度学习与脉搏信号的抑郁状态识别系统
CN115422976B (zh) * 2022-09-14 2023-11-21 湖南万脉医疗科技有限公司 一种基于人工网络的心肺耦合关系分析方法及监测系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106096589A (zh) * 2016-07-14 2016-11-09 重庆海睿科技有限公司 基于智能终端摄像头进行短时脉率变异性分析的方法
CN113180670A (zh) * 2021-05-24 2021-07-30 北京测态培元科技有限公司 一种基于指脉信号的抑郁症患者精神状态识别的方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140081090A1 (en) * 2010-06-07 2014-03-20 Affectiva, Inc. Provision of atypical brain activity alerts
CN107802273A (zh) * 2017-11-21 2018-03-16 重庆邮电大学 一种抑郁状态监测装置、系统及预测方法
CN109431521A (zh) * 2018-10-12 2019-03-08 西北工业大学 一种基于音视频信息的多模态双相抑郁障碍自动检测方法
CN109359685A (zh) * 2018-10-17 2019-02-19 西安邮电大学 基于特征选择的多模态数据分类方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106096589A (zh) * 2016-07-14 2016-11-09 重庆海睿科技有限公司 基于智能终端摄像头进行短时脉率变异性分析的方法
CN113180670A (zh) * 2021-05-24 2021-07-30 北京测态培元科技有限公司 一种基于指脉信号的抑郁症患者精神状态识别的方法

Also Published As

Publication number Publication date
CN113749658A (zh) 2021-12-07

Similar Documents

Publication Publication Date Title
Wu et al. A study on arrhythmia via ECG signal classification using the convolutional neural network
Acır A support vector machine classifier algorithm based on a perturbation method and its application to ECG beat recognition systems
Saraçoğlu Hidden Markov model-based classification of heart valve disease with PCA for dimension reduction
Choi et al. Cardiac sound murmurs classification with autoregressive spectral analysis and multi-support vector machine technique
Alaskar et al. The implementation of pretrained AlexNet on PCG classification
Mandhouj et al. An automated classification of EEG signals based on spectrogram and CNN for epilepsy diagnosis
Zhang et al. Automatic detection of obstructive sleep apnea events using a deep CNN-LSTM model
CN113749658B (zh) 基于集成学习的心肺耦合抑郁状态识别方法及系统
CN113421652A (zh) 对医疗数据进行分析的方法、训练模型的方法及分析仪
Güler et al. A modified mixture of experts network structure for ECG beats classification with diverse features
Islam et al. New hybrid deep learning approach using BiGRU-BiLSTM and multilayered dilated CNN to detect arrhythmia
Deperlioglu Heart sound classification with signal instant energy and stacked autoencoder network
Kumar et al. Hybrid Bijective soft set-Neural network for ECG arrhythmia classification
Cimr et al. Automatic seizure detection by convolutional neural networks with computational complexity analysis
Prakash et al. A system for automatic cardiac arrhythmia recognition using electrocardiogram signal
Koçer et al. Classifying neuromuscular diseases using artificial neural networks with applied Autoregressive and Cepstral analysis
Aggarwal et al. A structured learning approach with neural conditional random fields for sleep staging
Sadiq et al. A novel computer-aided diagnosis framework for EEG-based identification of neural diseases
Pandey et al. Detection of arrhythmia heartbeats from ECG signal using wavelet transform-based CNN model
Mohapatra et al. Arrhythmia classification using deep neural network
Santoso et al. Epileptic EEG signal classification using convolutional neural network based on multi-segment of EEG signal
Chen et al. A novel imbalanced dataset mitigation method and ECG classification model based on combined 1D_CBAM-autoencoder and lightweight CNN model
Rahman et al. Automated detection of cardiac arrhythmia based on a hybrid CNN-LSTM network
Slama et al. ConvNet: 1D-Convolutional Neural Networks for Cardiac Arrhythmia Recognition Using ECG Signals.
Liu et al. Automated Machine Learning for Epileptic Seizure Detection Based on EEG Signals.

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