CN113940638A - 基于频域双特征融合的脉搏波信号识别分类方法 - Google Patents
基于频域双特征融合的脉搏波信号识别分类方法 Download PDFInfo
- Publication number
- CN113940638A CN113940638A CN202111231937.6A CN202111231937A CN113940638A CN 113940638 A CN113940638 A CN 113940638A CN 202111231937 A CN202111231937 A CN 202111231937A CN 113940638 A CN113940638 A CN 113940638A
- Authority
- CN
- China
- Prior art keywords
- data
- features
- pulse
- frequency domain
- pulse wave
- 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
- A61B5/02—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
-
- 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)
- Surgery (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Physiology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Veterinary Medicine (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Cardiology (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明涉及一种基于频域双特征融合的脉搏波信号识别分类方法,采集患者的原始脉搏波数据首先进行时域脉搏数据预处理;预处理后时域脉搏数据转换为频域脉搏数据后再分别转换成一维倒谱系数与二维递归图;递归图通过Densenet模型提取特征,获得二维图像特征;倒谱系数通过CNN模型提取特征,获得一维数据特征;一维数据特征和二维图像特征送特征融合模块进行融合;融合特征送入分类模块进行识别与分类。充分考虑了脉搏信号中的高维非线性特性与非周期性的特性,能够获取脉搏特征中较为深层次的信息,解决了当前对脉搏波信号进行分类识别的方法未考虑到脉搏信号的高维非线性特性与非周期性特性而存在针对某些疾病分类准确率较低的问题。
Description
技术领域
本发明涉及一种识别技术,特别涉及一种基于频域双特征融合的脉搏波信号识别分类方法。
背景技术
中医脉诊具有两千多年的历史,中医从脉诊的角度分析,西医从ECG心电图信号分析,均可以发现心血管疾病患者的脉搏波中蕴含着丰富的生理、病理信息。可见,通过中医脉诊分析能够为心血管疾病的临床诊断提供切实的帮助。
目前脉搏信号分类方法中,单特征识别方法较多,一般采用卷积神经网络,循环神经网络等,均没有考虑过进行一维数据和二维图特征特征融合方法获取更多脉搏波的非周期性、非线性特征,无法充分挖掘脉搏波深层特征,降低了一些心血管疾病分类预测的准确率。
发明内容
为了进一步提高通过脉搏波判读疾病分类准确率,提出了一种基于频域双特征融合的脉搏波信号识别分类方法。
本发明的技术方案为:一种基于频域双特征融合的脉搏波信号识别分类方法,脉搏信号采集模块采集患者的原始脉搏波数据;原始脉搏波数据送入原始脉搏预处理模块进行时域脉搏数据预处理;预处理后时域脉搏数据送入频域特征转换模块,转换为频域脉搏数据,频域脉搏数据分别转换成一维倒谱系数与二维递归图;递归图通过Densenet模型提取特征,获得二维图像特征;倒谱系数通过CNN模型提取特征,获得一维数据特征;频域特征转换模块输出一维数据特征和二维图像特征送特征融合模块,进行特征融合;融合特征送入分类模块进行识别与分类。
进一步,所述预处理具体包括:
对原始脉搏信号使用移动平均滤波器进行平滑处理;
设置分解尺度,使用Sym8小波基对平滑处理后脉搏波信号进行小波分解,得到各细节分量与近似分量,设置阈值,对细节分量进行阈值处理,用处理后的各分量进行小波重构,得到去除噪声后的信号;
对进行去噪处理后的脉搏波信号进行降采样处理,将采样频率降到200Hz;对降采样后的脉搏波信号使用小波变换进行去除基线漂移处理。
进一步,所述递归图获得具体步骤:对预处理后的脉搏波信号进行分帧与加窗;将加窗后的数据进行快速傅里叶变换得到频谱;将得到的频谱转换成递归图。
进一步,所述倒谱系数获得具体步骤:设计Mel滤波器组对转换后频谱脉搏信号进行平滑与消除谐波,将处理后的数据计算每个滤波器组输出的对数能量;将得到的对数能量数据经过离散余弦变换得到倒谱系数。
进一步,所述特征融合为将CNN输出的数据特征X与Densenet输出的数据特征Y进行并列拼接,具体如下:所述CNN网络输出的数据格式为X=[x1,x2,x3,...,xn]的一维时间特征序列,其中,n为序列的固定长度,所述Densenet网络输出的数据格式为的二维特征矩阵,其中n为矩阵的长,m为矩阵的宽,采用基于卷积的特种融合方法:
将二维矩阵Y转换成一维矩阵Y_'=[x11,x12,...,x1n,x21,...,x2k,...,xmn];输出数据Z=[X,Y_'],融合矩阵同时包含了原脉诊信号的频域信息的非周期性特征与MFCC频域特征;
进一步,所述分类模块为卷积神经网络,所述卷积神经网络包括卷积层、池化层、全连接层与输出层,所述卷积层用于提取合并后数据的细节特征,降低通道数量,卷积层包含多个卷积核,经过卷积层得到的数据只包含单通道特征;所述池化层用于压缩特征的长度,减小过拟合,保留主要特征并减少参数;所述全连接层包含两个线性层,第一线性层与第二线性层的神经元数量逐步递减,输入数据的形状为[samples,features]其中samples为一次输入神经网络的样本数量,features为融合特征的长度;第一线性层的形状为[features,linear1],其中第二线性层的形状为[linear1,linear2],其中所述输出层的形状为[linear2,ouputs],其中outputs为分类任务的任务数量,输出层神经元使用softmax激活函数,每个神经元的输出值作为该类别的预测概率,概率值最大的类别作为预测类别输出。
本发明的有益效果在于:本发明基于频域双特征融合的脉搏波信号识别分类方法,通过对脉搏波频域信号进行Mel倒谱系数转换,充分利用脉搏波频率信号的高维非线性、非周期性特征,为各种心血管疾病的脉诊提供参考。本发明提出的频域特征递归图变换是分析时间序列周期性、混沌性以及非平稳性的一个重要方法,可以揭示时间序列脉搏波波形内部结构,给出有关相似性、规律性、预测性的先验知识。递归图特征适合短时间序列数据分类,可以检验时间序列的平稳性、内在相似性。在此基础上,本发明还设计了一种基于图像分类和一维信号分类融合的脉搏波频域特征融合识别分类系统。采用基于卷积的多通道特征融合方法实现脉搏波多模态频域特征融合自主分类。
附图说明
图1为本发明脉搏波频域信号识别分类方法流程图;
图2为本发明方法预处理后的脉搏波时域-频域信息转换流程示意图;
图3为本发明方法中特征融合示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
本发明一实例中的基于频域双特征融合的脉搏波频域信号识别分类系统,包括脉搏信号采集模块、原始脉搏预处理模块、频域特征转换模块、特征融合模块、分类模块。
如图1所示流程图,所述脉搏信号采集模块用于采集患者的原始脉搏波数据;原始脉搏波数据送入原始脉搏预处理模块进行时域脉搏数据预处理,去噪;预处理后时域脉搏数据送入频域特征转换模块,转换为频域脉搏数据,频域脉搏数据分别转换成一维倒谱系数与二维递归图,递归图通过Densenet模型提取特征,获得二维图像特征;倒谱系数通过CNN模型提取特征,获得一维数据特征;频域特征转换模块输出一维数据特征和二维图像特征送特征融合模块,进行特征融合;融合特征送入分类模块进行识别与分类。
预处理后的所述脉搏信号包括多个周期的脉搏波曲线。域特征转换模块获取对多周期脉搏波曲线分帧后的信息,并将其转换成对应频谱。频域转换模块获得每一帧地频谱后将其分别转换成递归图与倒谱系数。所述递归图以灰度图像方式存储。
本发明通过对脉搏波频域信号进行Mel倒谱系数转换,充分利用脉搏波频率信号的高维非线性、非周期性特征,为各种心血管疾病的脉诊提供参考。频域特征递归图变换是分析时间序列周期性、混沌性以及非平稳性的一个重要方法,可以揭示时间序列脉搏波波形内部结构,给出有关相似性、规律性、预测性的先验知识。递归图特征适合短时间序列数据分类,可以检验时间序列的平稳性、内在相似性。
通过Densenet-CNN模型提取所述频域的一维信号与二维信号特征并进行特征融合,对融合的特征通过神经网络进行识别与分类,充分考虑了脉搏信号中的高维非线性特性与非周期性的特性,能够获取脉搏特征中较为深层次的信息,解决了当前对脉搏波信号进行分类识别的方法未考虑到脉搏信号的高维非线性特性与非周期性特性而存在针对某些疾病分类准确率较低的问题。
基于频域双特征融合的脉搏波频域信号识别分类方法,包括以下步骤:
步骤1、通过设备采集脉搏波信号;
步骤2、对采集到的信号进行预处理;
步骤3、预处理后的时域脉搏信号转换为频域脉搏信号;
将频域信号转换成二维图像信息;
步骤4、提取频域脉搏信号中的倒谱信息;
步骤5、通过Densenet-CNN模型分别提取二维图像信息与一维倒谱信息的特征信息;
步骤6、将提取得到的二维图像特征信息与一维倒谱特征信息进行特征融合;
步骤7、对融合后的特征进行训练得到准确率较高的分类模型。
所述步骤2中的预处理依次包括平滑处理、小波降噪处理、降采样处理、去除基线漂移处理。
具体地、所述步骤2包括:
步骤21、对原始脉搏信号使用移动平均滤波器进行平滑处理,初步去除原始信号中的较容易去除的高频噪声;
步骤22、设置分解尺度,使用Sym8小波基对步骤21处理后脉搏波信号进行小波分解,得到各细节分量与近似分量,设置阈值,对细节分量进行阈值处理,用处理后的各分量进行小波重构,得到去除噪声后的信号;
步骤23、对步骤22进行降噪处理后的所述脉搏波信号进行降采样处理,将采样频率降到200Hz。
步骤24、对降采样后的脉搏波信号使用小波变换进行去除基线漂移处理。对采样得到的信号进行五层分解,得到每一层重构出的细节分量和近似分量,去掉第五层的近似分量,重构去基线后的信号。
具体地、所述步骤3包括:
步骤31、对预处理后的脉搏波信号进行分帧与加窗;
步骤32、将加窗后的数据进行快速傅里叶变换得到频谱;
步骤33、将得到的频谱转换成递归图。
所述步骤4设计Mel滤波器组对频谱脉搏信号进行平滑与消除谐波,将处理后的数据计算每个滤波器组输出的对数能量;将得到的对数能量数据经过离散余弦变换得到倒谱系数(MFCC)。如图2所示转换流程图。
步骤5所述的Densenet网络,主要包括初始输入层、第一稠密块、第一过渡层、第二稠密块、第二过渡层和输出层。
所述初始输入层包括二维卷积层、批归一层、ReLu激活函数和最大池化层。
所述第一稠密块包括批归一化层、ReLu激活函数、二维卷积层,平均池化层。
所述第一过渡层包括1包括批归一化层、ReLu激活函数、卷积层2和平均池化层。
所述第二稠密块与第一稠密块,第二过渡层与第一过渡层都具有相同地结构。
所述输出层包括批归一层、ReLu激活函数、全局池化层和全连接层。
步骤5所述的CNN网络结构包括卷积层、卷积层、卷积层、全连接层和全连接层。
所述步骤6将CNN输出的特征与Densenet输出的特征进行并列拼接。所述CNN网络输出的数据格式为X=[x1,x2,x3,...,xn]的一维时间特征序列,其中,n为序列的固定长度,所述Densenet网络输出的数据格式为的二维特征矩阵,其中n为矩阵的长,m为矩阵的宽,采用基于卷积的特种融合方法,如图3所示特征融合示意图,具体步骤如下:
将二维矩阵Y转换成一维矩阵Y_'=[x11,x12,...,x1n,x21,...,x2k,...,xmn];输出数据Z=[X,Y_'],融合矩阵同时包含了原脉诊信号的频域信息的非周期性特征与MFCC频域特征。
所述步骤7构建卷积神经网络对输入特征进行分类,所述卷积神经网络包括卷积层、池化层、全连接层与输出层。卷积层用于提取合并后数据的细节特征,降低通道数量,卷积层包含多个卷积核,经过卷积层得到的数据只包含单通道特征。池化层用于压缩特征的长度,减小过拟合,保留主要特征并减少参数。全连接层包含两个线性层,第一线性层与第二线性层的神经元数量逐步递减,输出层包含的神经元数量为分类任务的类别数。输入数据的形状为[samples,features]其中samples为一次输入神经网络的样本数量,features为步骤6得到的融合特征的长度;第一线性层的形状为[features,linear1],其中第二线性层的形状为[linear1,linear2],其中输出层的形状为[linear2,ouputs],其中outputs为分类任务的任务数量,输出层神经元使用softmax激活函数,每个神经元的输出值作为该类别的预测概率,概率值最大的类别作为预测类别输出。
所述步骤7的训练过程包括:初始化、给定输入向量与目标输入、计算神经网络的输出结果、求目标值和实际输出的偏量e、若e不在可接收范围则计算网络层中神经元的误差,求取误差梯度,更新权值再次计算网络输出,直到偏量e在容许范围内、训练结束,固定权值与阈值。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (6)
1.一种基于频域双特征融合的脉搏波信号识别分类方法,其特征在于,脉搏信号采集模块采集患者的原始脉搏波数据;原始脉搏波数据送入原始脉搏预处理模块进行时域脉搏数据预处理去噪;预处理后时域脉搏数据送入频域特征转换模块,转换为频域脉搏数据,频域脉搏数据分别转换成一维倒谱系数与二维递归图;递归图通过Densenet模型提取特征,获得二维图像特征;倒谱系数通过CNN模型提取特征,获得一维数据特征;频域特征转换模块输出一维数据特征和二维图像特征送特征融合模块,进行特征融合;融合特征送入分类模块进行识别与分类。
2.根据权利要求1所述基于频域双特征融合的脉搏波信号识别分类方法,其特征在于,所述预处理具体包括:
对原始脉搏信号使用移动平均滤波器进行平滑处理;
设置分解尺度,使用Sym8小波基对平滑处理后脉搏波信号进行小波分解,得到各细节分量与近似分量,设置阈值,对细节分量进行阈值处理,用处理后的各分量进行小波重构,得到去除噪声后的信号;
对进行去噪处理后的脉搏波信号进行降采样处理,将采样频率降到200Hz;
对降采样后的脉搏波信号使用小波变换进行去除基线漂移处理。
3.根据权利要求2所述基于频域双特征融合的脉搏波信号识别分类方法,其特征在于,所述递归图获得具体步骤:对预处理后的脉搏波信号进行分帧与加窗;将加窗后的数据进行快速傅里叶变换得到频谱;将得到的频谱转换成递归图。
4.根据权利要求2所述基于频域双特征融合的脉搏波信号识别分类方法,其特征在于,所述倒谱系数获得具体步骤:设计Mel滤波器组对转换后频谱脉搏信号进行平滑与消除谐波,将处理后的数据计算每个滤波器组输出的对数能量;将得到的对数能量数据经过离散余弦变换得到倒谱系数。
5.根据权利要求1至4中任意一项所述基于频域双特征融合的脉搏波信号识别分类方法,其特征在于,所述特征融合为将CNN输出的数据特征X与Densenet输出的数据特征Y进行并列拼接,具体如下:所述CNN网络输出的数据格式为X=[x1,x2,x3,...,xn]的一维时间特征序列,其中,n为序列的固定长度,所述Densenet网络输出的数据格式为的二维特征矩阵,其中n为矩阵的长,m为矩阵的宽,采用基于卷积的特种融合方法:
将二维矩阵Y转换成一维矩阵Y_'=[x11,x12,...,x1n,x21,...,x2k,...,xmn];输出数据Z=[X,Y′_],融合矩阵同时包含了原脉诊信号的频域信息的非周期性特征与MFCC频域特征;
6.根据权利要求5所述基于频域双特征融合的脉搏波信号识别分类方法,其特征在于,所述分类模块为卷积神经网络,所述卷积神经网络包括卷积层、池化层、全连接层与输出层,所述卷积层用于提取合并后数据的细节特征,降低通道数量,卷积层包含多个卷积核,经过卷积层得到的数据只包含单通道特征;所述池化层用于压缩特征的长度,减小过拟合,保留主要特征并减少参数;所述全连接层包含两个线性层,第一线性层与第二线性层的神经元数量逐步递减,输入数据的形状为[samples,features]其中samples为一次输入神经网络的样本数量,features为融合特征的长度;第一线性层的形状为[features,linear1],其中第二线性层的形状为[linear1,linear2],其中所述输出层的形状为[linear2,ouputs],其中outputs为分类任务的任务数量,输出层神经元使用softmax激活函数,每个神经元的输出值作为该类别的预测概率,概率值最大的类别作为预测类别输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111231937.6A CN113940638B (zh) | 2021-10-22 | 2021-10-22 | 基于频域双特征融合的脉搏波信号识别分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111231937.6A CN113940638B (zh) | 2021-10-22 | 2021-10-22 | 基于频域双特征融合的脉搏波信号识别分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113940638A true CN113940638A (zh) | 2022-01-18 |
CN113940638B CN113940638B (zh) | 2023-09-19 |
Family
ID=79332131
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111231937.6A Active CN113940638B (zh) | 2021-10-22 | 2021-10-22 | 基于频域双特征融合的脉搏波信号识别分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113940638B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114325072A (zh) * | 2022-03-14 | 2022-04-12 | 南昌航空大学 | 基于格拉姆角场编码的铁磁谐振过电压识别方法及装置 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016147777A1 (ja) * | 2015-03-19 | 2016-09-22 | 株式会社 東芝 | 測定装置、測定方法およびプログラム |
CN107103913A (zh) * | 2017-04-28 | 2017-08-29 | 西北大学 | 一种基于功率谱Gabor特征序列递归模型的语音识别方法 |
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 |
CN110378205A (zh) * | 2019-06-06 | 2019-10-25 | 西安电子科技大学 | 一种基于改进型cnn网络的复杂雷达辐射源识别算法 |
CN110555468A (zh) * | 2019-08-15 | 2019-12-10 | 武汉科技大学 | 一种联合递归图和cnn的脑电信号识别方法及系统 |
US20200033431A1 (en) * | 2018-07-30 | 2020-01-30 | Jo Schlemper | Deep learning techniques for magnetic resonance image reconstruction |
CN112487945A (zh) * | 2020-11-26 | 2021-03-12 | 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 |
CN112617850A (zh) * | 2021-01-04 | 2021-04-09 | 苏州大学 | 心电信号的早搏心拍检测方法 |
CN113261932A (zh) * | 2021-06-28 | 2021-08-17 | 山东大学 | 基于ppg信号和一维卷积神经网络的心率测量方法及装置 |
US20220157048A1 (en) * | 2019-02-08 | 2022-05-19 | Singapore Health Services Pte Ltd | Method and System for Classification and Visualisation of 3D Images |
US20220156554A1 (en) * | 2019-06-04 | 2022-05-19 | Northeastern University | Lightweight Decompositional Convolution Neural Network |
-
2021
- 2021-10-22 CN CN202111231937.6A patent/CN113940638B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016147777A1 (ja) * | 2015-03-19 | 2016-09-22 | 株式会社 東芝 | 測定装置、測定方法およびプログラム |
CN107103913A (zh) * | 2017-04-28 | 2017-08-29 | 西北大学 | 一种基于功率谱Gabor特征序列递归模型的语音识别方法 |
US20200033431A1 (en) * | 2018-07-30 | 2020-01-30 | Jo Schlemper | Deep learning techniques for magnetic resonance image reconstruction |
US20220157048A1 (en) * | 2019-02-08 | 2022-05-19 | Singapore Health Services Pte Ltd | Method and System for Classification and Visualisation of 3D Images |
US20220156554A1 (en) * | 2019-06-04 | 2022-05-19 | Northeastern University | Lightweight Decompositional Convolution Neural Network |
CN110378205A (zh) * | 2019-06-06 | 2019-10-25 | 西安电子科技大学 | 一种基于改进型cnn网络的复杂雷达辐射源识别算法 |
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 |
CN110555468A (zh) * | 2019-08-15 | 2019-12-10 | 武汉科技大学 | 一种联合递归图和cnn的脑电信号识别方法及系统 |
CN112487945A (zh) * | 2020-11-26 | 2021-03-12 | 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 |
CN112617850A (zh) * | 2021-01-04 | 2021-04-09 | 苏州大学 | 心电信号的早搏心拍检测方法 |
CN113261932A (zh) * | 2021-06-28 | 2021-08-17 | 山东大学 | 基于ppg信号和一维卷积神经网络的心率测量方法及装置 |
Non-Patent Citations (1)
Title |
---|
许力等: "基于一维卷积神经网络的儿童睡眠分期", 工程科学学报, vol. 43, no. 9, pages 1253 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114325072A (zh) * | 2022-03-14 | 2022-04-12 | 南昌航空大学 | 基于格拉姆角场编码的铁磁谐振过电压识别方法及装置 |
CN114325072B (zh) * | 2022-03-14 | 2022-06-21 | 南昌航空大学 | 基于格拉姆角场编码的铁磁谐振过电压识别方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113940638B (zh) | 2023-09-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107844755B (zh) | 一种结合dae和cnn的脑电信号特征提取与分类方法 | |
Sengur et al. | Classification of amyotrophic lateral sclerosis disease based on convolutional neural network and reinforcement sample learning algorithm | |
CN111291614B (zh) | 基于迁移学习多模型决策融合的儿童癫痫综合症分类方法 | |
CN108256629B (zh) | 基于卷积网络和自编码的eeg信号无监督特征学习方法 | |
CN110123367B (zh) | 计算机设备、心音识别装置、方法、模型训练装置及存储介质 | |
CN111310570B (zh) | 一种基于vmd和wpd的脑电信号情感识别方法及系统 | |
CN103117059A (zh) | 一种基于张量分解的语音信号特征提取方法 | |
CN108567418A (zh) | 一种基于PCANet的脉搏信号亚健康检测方法及检测系统 | |
CN114176607B (zh) | 一种基于视觉Transformer的脑电信号分类方法 | |
CN111461201A (zh) | 基于相空间重构的传感器数据分类方法 | |
CN116030829A (zh) | 一种基于深度残差神经网络的心音分类方法 | |
CN111291727A (zh) | 一种光体积变化描记图法信号质量检测方法和装置 | |
CN116058800A (zh) | 基于深度神经网络与脑机接口的自动睡眠分期系统 | |
CN113940638B (zh) | 基于频域双特征融合的脉搏波信号识别分类方法 | |
CN114881105A (zh) | 基于transformer模型和对比学习的睡眠分期方法及系统 | |
CN113870903A (zh) | 病理语音的识别方法、装置、设备及存储介质 | |
CN117017297A (zh) | 驾驶员疲劳的预测和识别模型建立方法及其应用 | |
CN115281676B (zh) | 基于gru神经网络和ecg信号的疲劳检测方法 | |
CN116664956A (zh) | 基于多任务自动编码器的图像识别方法及系统 | |
CN114626424B (zh) | 一种基于数据增强的无声语音识别方法及装置 | |
WO2023077592A1 (zh) | 一种智能心电信号处理方法 | |
CN115017960A (zh) | 一种基于时空联合mlp网络的脑电信号分类方法及应用 | |
Jasim | ECG signal classification based on deep learning by using convolutional neural network (CNN) | |
CN114743569A (zh) | 一种基于双层融合深度网络的语音情感识别方法 | |
CN117752308B (zh) | 癫痫预测方法及装置 |
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 |