CN107811649B - 一种基于深度卷积神经网络的心音多分类方法 - Google Patents
一种基于深度卷积神经网络的心音多分类方法 Download PDFInfo
- Publication number
- CN107811649B CN107811649B CN201711332126.9A CN201711332126A CN107811649B CN 107811649 B CN107811649 B CN 107811649B CN 201711332126 A CN201711332126 A CN 201711332126A CN 107811649 B CN107811649 B CN 107811649B
- Authority
- CN
- China
- Prior art keywords
- heart sound
- classification
- convolutional neural
- neural network
- classification results
- 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
Links
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 title claims abstract description 25
- 230000005236 sound signal Effects 0.000 claims abstract description 35
- 238000013145 classification model Methods 0.000 claims abstract description 12
- 230000011218 segmentation Effects 0.000 claims description 8
- 238000001228 spectrum Methods 0.000 claims description 4
- 230000003321 amplification Effects 0.000 claims 1
- 238000000354 decomposition reaction Methods 0.000 claims 1
- 238000003199 nucleic acid amplification method Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 7
- 238000013135 deep learning Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013434 data augmentation Methods 0.000 description 2
- 230000034994 death Effects 0.000 description 2
- 231100000517 death Toxicity 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 208000006545 Chronic Obstructive Pulmonary Disease Diseases 0.000 description 1
- 208000037656 Respiratory Sounds Diseases 0.000 description 1
- 208000006011 Stroke Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 230000005189 cardiac health Effects 0.000 description 1
- 208000029078 coronary artery disease Diseases 0.000 description 1
- 230000002498 deadly effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B7/00—Instruments for auscultation
- A61B7/02—Stethoscopes
- A61B7/04—Electric stethoscopes
-
- 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
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
-
- 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)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Acoustics & Sound (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明公开了一种基于深度卷积神经网络的心音多分类方法，涉及基于深度学习的心音分类领域；其包括：1)对获取的原始心音数据进行处理后得到N段心音信号；2)将N段心音信号输入基于二维卷积神经网络和一维卷积神经网络的心音分类模型中根据频域和时域特征进行分类得到2N个分类结果；3)采用Lasso框架对2N个分类结果进行训练得到对应的权值，并将权值乘以2N个分类结果完成回归，得到最终分类结果；本发明解决了现有心音分类方法仅采用二维卷积网络导致分辨性能低后，采用一个多分类器进行分类导致分类正确率低的问题，达到了提高心音多分类的准确度的效果。
Description
技术领域
本发明涉及基于深度学习的心音分类领域，尤其是一种基于深度卷积神经网络的心音多分类方法。
背景技术
2014年，世界医学权威杂志《柳叶刀》发布了《全球疾病负担报告2013》，该研究评估了1990年-2013年间188个国家的死亡情况，据报告，在中国死亡率最高的三种疾病分别是脑卒中、冠心病以及慢性阻塞性肺病，死亡人数占2013年全部死亡人数的46％，这表明中国最致命三大健康杀手，心血管疾病已占据两个；利用心音来检测心脏健康状况是一种使用广泛的廉价无创手段，便于及时发现心脏问题并提早治疗；心脏物理结构的变化会引起心音的变化，因此心音信号中包含着大量的心脏活动信息，且这种信息是能够很容易被采集的；正因为心音信号能够真实的反映心脏的状态，所以引起了国内外大量研究者的注意；与此同时，近年来机器学习(特别是深度学习)在图像、语音识别等方面取得颠覆性成功，以压倒性优势战胜传统算法，在图像、语音识别等方面取得巨大成功的同时，有大量深度学习研究者开始将应用领域转向医疗。其中，心音分类也是其中方向之一。
现有的心音分类技术可大致分为两类，即基于传统机器学习的分类方法和基于深度学习的分类方法；前者主要采用支持向量机、K-近邻和模糊网络识别等方法，虽然取得了一定的成效，但仍存在一些问题：(1)前期进行的大量手工特征提取不一定能真实而全面地反映数据本质特征；(2)计算复杂，不利于在大数据环境下使用且精度有待提升；后者主要采用一些神经网络模型进行分类，如BP神经网络、卷积神经网络等；其中有学者采用卷积神经网络的方式完成心音和肺音的七分类，具体来讲，他们采用短时傅里叶变换将原始音频转换为频谱图送入多层二维卷积神经网络中进行分类，取得了较好的分类效果，但仍存在一些缺点：(1)信息提取不完整问题；(2)处理大数据的问题，上述方法在训练时使用数据集规模较小(其中心音录音仅一个半小时)，不利于神经网络进行全面特征学习；(3)采用浅层网络模型，仅从频域分析，分类的准确性低，导致训练精度低。
发明内容
本发明的目的在于：本发明提供了一种基于深度卷积神经网络的心音多分类方法，解决了现有心音分类方法仅采用二维卷积网络导致分辨性能低后，采用一个多分类器进行分类导致分类正确率低的问题。
本发明采用的技术方案如下：
一种基于深度卷积神经网络的心音多分类方法，包括如下步骤：
步骤1：对获取的原始心音数据进行处理后得到N段心音信号；
步骤2：将N段心音信号输入基于二维卷积神经网络和一维卷积神经网络的心音分类模型中根据频域和时域特征进行分类得到2N个分类结果；
步骤3：采用Lasso框架对2N个分类结果进行训练得到对应的权值，并将权值乘以2N个分类结果完成回归，得到最终分类结果。
优选地，所述步骤1包括如下步骤：
步骤1.1：采用带麦克风的电子听诊器进行采集得到心音数据，同时从标准数据集中提取部分数据，将心音数据和部分数据整合得到原始心音数据；
步骤1.2：将原始心音数据通过带通滤波器去噪得到清洗后的心音信号；
步骤1.3：从清洗后的心音信号中的多个心跳周期中选取几个周期完成心音信号的分段；
步骤1.4：将分段的起始点均随机左右移动，作为心音信号分段的最终起始点完成数据增广后得到N段心音信号。
优选地，所述步骤2包括如下步骤：
步骤2.1：将N段心音信号按时间先后顺序进行短时傅里叶变换得到频谱图后，并将频谱图送入基于二维卷积神经网络的心音分类模型得到N个分类结果；
步骤2.2：将N段心音信号按时间先后顺序进行频带分解得到四种基本音的功率谱，计算每个周期四种基本音对应的N个频带的中位功率，并计算所有周期的N个频带的中位功率的均值后将其作为频率域特征送入基于一维卷积神经网络的心音分类模型得到N个分类结果；
步骤2.3：基于步骤2.1和2.2，将N段心音信号输入心音模型进行分类后得到2N个分类结果。
优选地，所述步骤3包括如下步骤：
步骤3.1：将2N个分类结果输入Lasso框架，利用Lasso算法对分类结果进行训练得到对应的相关系数；Lasso算法的公式如下：
(其中，β为相关系数，
为最小二乘项，X代表各个分类器的输入结果，y代表期望的结果，λ代表正则化系数)；
步骤3.2：将相关系数乘以对应的分类结果得到最终的分类结果。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
1.本发明采用二维卷积网络对频谱分类、采用一维卷积网络对频带分类，分别从时域和频域增加分辨性能，通过Lasso算法对两个分类器的结果进行训练得到对应权值，提高分类正确率；解决了现有心音分类方法仅采用二维卷积网络导致分辨性能低后，采用一个多分类器进行分类导致分类正确率低的问题，达到了提高心音多分类的准确度的效果；
2.本发明的网络模型采用二维卷积网络和一维卷积网络同时分析数据，从频域和时域同时分类，促进全面地捕捉心音信号的特征，为最终分类提供最全面的分类信息，增加分辨性能，促进提高分类的正确率；
3.本发明通过Lasso算法将分段心音信号的分类结果进行训练得到对应的权重，综合多个弱学习器学习结果来获得最终结果，能有效修正单个学习器的偶然错误，增强了方法的鲁棒性，进一步提高分类效果；
4.本发明采集自然环境下的心音，面向实际应用环境进行分析，进一步提高心音分类的的正确率；
5.本发明采取心音的分割与拼接，对数据长度要求低，无需高要求的数据长度，提高心音分类的便利性；
6.本发明与传统方法在前期预处理部分相比更加简单而且便于操作，无需人工制定大量去噪规则对数据进行清理，降低了预处理的复杂性。
附图说明
本发明将通过例子并参照附图的方式说明，其中：
图1是本发明的流程图；
图2是本发明的流程示意图；
图3是本发明的基于二维卷积神经网络的心音分类模型示意图；
图4是本发明的基于一维卷积神经网络的心音分类模型示意图；
图5是本发明的Lasso算法框架示意图；
图6是本发明的效果数据表。
具体实施方式
本说明书中公开的所有特征，或公开的所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合。
下面结合图1-6对本发明作详细说明。
实施例1
一种基于深度卷积神经网络的心音多分类方法，包括如下步骤：
步骤1：对获取的原始心音数据进行处理后得到N段心音信号；
步骤2：将N段心音信号输入基于二维卷积神经网络和一维卷积神经网络的心音分类模型中根据频域和时域特征进行分类得到2N个分类结果；
步骤3：采用Lasso框架对2N个分类结果进行训练得到对应的权值，并将权值乘以2N个分类结果完成回归，得到最终分类结果。
实施例2
步骤1.1：采用带麦克风的电子听诊器进行采集得到心音数据，同时从标准数据集中提取部分数据，将心音数据和部分数据整合得到原始心音数据；
步骤1.2：将原始心音数据通过带通滤波器去噪得到清洗后的心音信号；
步骤1.3：从清洗后的心音信号中的多个心跳周期中选取几个周期完成心音信号的分段；
步骤1.4：将分段的起始点均随机左右移动，作为心音信号分段的最终起始点完成数据增广后得到N段心音信号；
步骤2.1：将N段心音信号按时间先后顺序进行短时傅里叶变换得到频谱图后，并将频谱图送入基于二维卷积神经网络的心音分类模型得到N个分类结果；所采用的离散傅里叶变换公式为：
(其中，x(n)为有限长离散信号，n＝0，1，…，N-1，X(k)为x(n)的FDT)；
步骤2.2：将N段心音信号按时间先后顺序进行频带分解得到四种基本音的功率谱，计算每个周期四种基本音对应的N个频带的中位功率，并计算所有周期的N个频带的中位功率的均值后将其作为频率域特征送入基于一维卷积神经网络的心音分类模型得到分类结果二；使用汉宁窗滑动结合短时傅里叶变换获取心音的四种基本音(即S1、S2、S3和S4)的功率谱，计算每个心脏周期的S1、S2、S3和S4的固定间隔的N个频带的中位功率，然后将所有周期的N个频带的中位功率的均值作为频率域特征送入基于一维卷积神经网络模型；
步骤2.3：基于步骤2.1和2.2，将N段心音信号输入心音模型进行分类后得到2N个分类结果；
步骤3.1：步骤3.1：将2N个分类结果输入Lasso框架，利用Lasso算法对分类结果进行训练得到对应的相关系数；Lasso算法的公式如下：
(其中，β为相关系数，
为最小二乘项，X代表各个分类器的输入结果，y代表期望的结果，λ代表正则化系数)；
步骤3.2：将相关系数乘以对应的分类结果得到最终的分类结果。
因考虑录音在不同的分段时刻的可信效果，利用Lasso算法给予不同的权值，从而进行训练，挑选最优弱分类器，有效提高对数据的分类能力；根据图6所示，表中本发明的分类正确率在0.53-0.65，而其他方法的分类正确率在0.39左右；数据表明本发明的多分类方法的分类正确率明显高于其他分类方法，本发明解决了现有心音分类方法仅采用二维卷积网络导致分辨性能低后，采用一个多分类器进行分类导致分类正确率低的问题，达到了提高心音多分类的准确度的效果。
Claims (1)
1.一种基于深度卷积神经网络的心音多分类方法，其特征在于：包括如下步骤：
步骤1：对获取的原始心音数据进行处理后得到N段心音信号；
步骤2：将N段心音信号输入基于二维卷积神经网络和一维卷积神经网络的心音分类模型中根据频域和时域特征进行分类得到2N个分类结果；
步骤3：采用Lasso框架对2N个分类结果进行训练得到对应的权值，并将权值乘以2N个分类结果完成回归，得到最终分类结果，
所述步骤1包括如下步骤：
步骤1.1：采用带麦克风的电子听诊器进行采集得到心音数据，同时从标准数据集中提取部分数据，将心音数据和部分数据整合得到原始心音数据；
步骤1.2：将原始心音数据通过带通滤波器去噪得到清洗后的心音信号；
步骤1.3：从清洗后的心音信号中的多个心跳周期中选取几个周期完成心音信号的分段；
步骤1.4：将分段的起始点均随机左右移动，作为心音信号分段的最终起始点完成数据增广后得到N段心音信号；
所述步骤2包括如下步骤：
步骤2.1：将N段心音信号按时间先后顺序进行短时傅里叶变换得到频谱图后，并将频谱图送入基于二维卷积神经网络的心音分类模型得到N个分类结果；
步骤2.2：将N段心音信号按时间先后顺序进行频带分解得到四种基本音的功率谱，计算每个周期四种基本音对应的N个频带的中位功率，并计算所有周期的N个频带的中位功率的均值后将其作为频率域特征送入基于一维卷积神经网络的心音分类模型得到N个分类结果；
步骤2.3：基于步骤2.1和2.2，将N段心音信号输入心音模型进行分类后得到2N个分类结果；
所述步骤3包括如下步骤：
步骤3.1：将2N个分类结果输入Lasso框架，利用Lasso算法对分类结果进行训练得到对应的相关系数；Lasso算法的公式如下：
其中，R是所有实数的集合，RP表示p维向量，每一个分量都是实数，β为相关系数，
为最小二乘项，X代表各个分类器的输入结果，y代表期望的结果，λ代表正则化系数；
步骤3.2：将相关系数乘以对应的分类结果得到最终的分类结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711332126.9A CN107811649B (zh) | 2017-12-13 | 2017-12-13 | 一种基于深度卷积神经网络的心音多分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711332126.9A CN107811649B (zh) | 2017-12-13 | 2017-12-13 | 一种基于深度卷积神经网络的心音多分类方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107811649A CN107811649A (zh) | 2018-03-20 |
| CN107811649B true CN107811649B (zh) | 2020-12-22 |
Family
ID=61606724
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711332126.9A Active CN107811649B (zh) | 2017-12-13 | 2017-12-13 | 一种基于深度卷积神经网络的心音多分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107811649B (zh) |
Families Citing this family (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190365342A1 (en) * | 2018-06-04 | 2019-12-05 | Robert Bosch Gmbh | Method and system for detecting abnormal heart sounds |
| CN109919210A (zh) * | 2019-02-26 | 2019-06-21 | 华南理工大学 | 一种基于深度卷积网络的心音半监督分类方法 |
| CN112131907A (zh) * | 2019-06-24 | 2020-12-25 | 华为技术有限公司 | 一种训练分类模型的方法及装置 |
| CN110731778B (zh) * | 2019-07-22 | 2022-04-29 | 华南师范大学 | 一种基于可视化的呼吸音信号识别方法及系统 |
| CN110674488B (zh) * | 2019-09-06 | 2024-04-26 | 深圳壹账通智能科技有限公司 | 基于神经网络的验证码识别方法、系统及计算机设备 |
| CN110558944A (zh) * | 2019-09-09 | 2019-12-13 | 成都智能迭迦科技合伙企业(有限合伙) | 心音处理方法、装置、电子设备及计算机可读存储介质 |
| CN110795996B (zh) * | 2019-09-18 | 2024-03-12 | 平安科技（深圳）有限公司 | 心音信号的分类方法、装置、设备及存储介质 |
| CN112086103B (zh) * | 2020-08-17 | 2022-10-04 | 广东工业大学 | 一种心音分类方法 |
| WO2022140583A1 (en) | 2020-12-22 | 2022-06-30 | Cornell University | Classifying biomedical acoustics based on image representation |
| CN114305484B (zh) * | 2021-12-15 | 2024-06-25 | 浙江大学医学院附属儿童医院 | 基于深度学习的心脏病心音智能分类方法、装置和介质 |
| CN114831595A (zh) * | 2022-03-16 | 2022-08-02 | 复旦大学附属儿科医院 | 基于大数据的新生儿先心病智能筛查算法及自动升级系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130226019A1 (en) * | 2010-08-25 | 2013-08-29 | Diacoustic Medical Devices (Pty) Ltd | System and method for classifying a heart sound |
| US20130237773A1 (en) * | 2012-03-07 | 2013-09-12 | Cardiac Pacemakers, Inc. | Heart sound detection systems and methods using updated heart sound expectation window functions |
| US20140194702A1 (en) * | 2006-05-12 | 2014-07-10 | Bao Tran | Health monitoring appliance |
| CN106214123A (zh) * | 2016-07-20 | 2016-12-14 | 杨平 | 一种基于深度学习算法的心电图综合分类方法 |
| CN106251880A (zh) * | 2015-06-03 | 2016-12-21 | 创心医电股份有限公司 | 识别生理声音的方法以及系统 |
| CN106344005A (zh) * | 2016-10-28 | 2017-01-25 | 张珈绮 | 一种可移动心电图监测系统及监测方法 |
| CN107137072A (zh) * | 2017-04-28 | 2017-09-08 | 北京科技大学 | 一种基于1d卷积神经网络的室性异位搏动检测方法 |
-
2017
- 2017-12-13 CN CN201711332126.9A patent/CN107811649B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140194702A1 (en) * | 2006-05-12 | 2014-07-10 | Bao Tran | Health monitoring appliance |
| US20130226019A1 (en) * | 2010-08-25 | 2013-08-29 | Diacoustic Medical Devices (Pty) Ltd | System and method for classifying a heart sound |
| US20150164466A1 (en) * | 2010-08-25 | 2015-06-18 | Diacoustic Medical Devices (Pty) Ltd | System and method for classifying a heart sound |
| US20130237773A1 (en) * | 2012-03-07 | 2013-09-12 | Cardiac Pacemakers, Inc. | Heart sound detection systems and methods using updated heart sound expectation window functions |
| CN106251880A (zh) * | 2015-06-03 | 2016-12-21 | 创心医电股份有限公司 | 识别生理声音的方法以及系统 |
| CN106214123A (zh) * | 2016-07-20 | 2016-12-14 | 杨平 | 一种基于深度学习算法的心电图综合分类方法 |
| CN106344005A (zh) * | 2016-10-28 | 2017-01-25 | 张珈绮 | 一种可移动心电图监测系统及监测方法 |
| CN107137072A (zh) * | 2017-04-28 | 2017-09-08 | 北京科技大学 | 一种基于1d卷积神经网络的室性异位搏动检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| Classifying heart sound recordings using deep convolutional neural networks and mel-frequency cepstral coefficients;Rubin J, Abreu R, Ganguli A, et al;《IEEE 2016 Computing in Cardiology Conference》;20161231;第43卷;第813-816页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107811649A (zh) | 2018-03-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107811649B (zh) | 一种基于深度卷积神经网络的心音多分类方法 | |
| Abduh et al. | Classification of heart sounds using fractional fourier transform based mel-frequency spectral coefficients and traditional classifiers | |
| Minami et al. | Automatic classification of large-scale respiratory sound dataset based on convolutional neural network | |
| Zakaria et al. | VGG16, ResNet-50, and GoogLeNet deep learning architecture for breathing sound classification: a comparative study | |
| Zakaria et al. | Three resnet deep learning architectures applied in pulmonary pathologies classification | |
| CN108714026A (zh) | 基于深度卷积神经网络和在线决策融合的细粒度心电信号分类方法 | |
| CN111481192B (zh) | 一种基于改进U-Net的心电信号R波检测方法 | |
| CN110731778B (zh) | 一种基于可视化的呼吸音信号识别方法及系统 | |
| CN114469124B (zh) | 一种运动过程中异常心电信号的识别方法 | |
| CN112971839B (zh) | 一种基于前馈卷积神经网络的心音分类方法 | |
| CN115553784B (zh) | 基于心电、心音信号耦合分析的冠心病评估方法及系统 | |
| Zhang et al. | Research on lung sound classification model based on dual-channel CNN-LSTM algorithm | |
| Zhao et al. | A CNN based human bowel sound segment recognition algorithm with reduced computation complexity for wearable healthcare system | |
| Lan et al. | Arrhythmias classification using short-time Fourier transform and GAN based data augmentation | |
| CN116451110A (zh) | 基于信号能量特征和脉搏周期的血糖预测模型构建方法 | |
| Yang et al. | Classification of phonocardiogram signals based on envelope optimization model and support vector machine | |
| CN112336369B (zh) | 一种多通道心音信号的冠心病风险指数评估系统 | |
| Dey et al. | Wavelet based normal and abnormal heart sound identification using spectrogram analysis | |
| CN111554319B (zh) | 一种基于低秩张量学习的多通道心肺音异常识别系统与装置 | |
| CN112668556A (zh) | 一种呼吸音识别方法及系统 | |
| Wu et al. | Inspiration of Prototype Knowledge: Introducing a Meta-Learning Approach to Heart Sound Classification | |
| Zakaria et al. | VGG16-based deep learning architectures for classification of lung sounds into normal, crackles, and wheezes using gammatonegrams | |
| CN114569116B (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 | |
| CN117653135A (zh) | 基于SincNet和多头注意力机制的心律失常分类方法 | |
| CN117204876A (zh) | 一种冠心病检测方法、系统、设备及介质 |
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 |