CN115281676A - 基于gru神经网络和ecg信号的疲劳检测方法 - Google Patents
基于gru神经网络和ecg信号的疲劳检测方法 Download PDFInfo
- Publication number
- CN115281676A CN115281676A CN202211219067.5A CN202211219067A CN115281676A CN 115281676 A CN115281676 A CN 115281676A CN 202211219067 A CN202211219067 A CN 202211219067A CN 115281676 A CN115281676 A CN 115281676A
- Authority
- CN
- China
- Prior art keywords
- neural network
- formula
- gru neural
- frequency
- data
- 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
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
- A61B5/347—Detecting the frequency distribution of signals
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Animal Behavior & Ethology (AREA)
- Heart & Thoracic Surgery (AREA)
- Cardiology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Educational Technology (AREA)
- Developmental Disabilities (AREA)
- Child & Adolescent Psychology (AREA)
- Social Psychology (AREA)
- Psychology (AREA)
- Psychiatry (AREA)
- Hospice & Palliative Care (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明提供了一种基于GRU神经网络和ECG信号的疲劳检测方法,涉及新一代信息技术领域。本发明包括以下步骤:S1:获取训练数据集T和测试数据集S;S2:从训练集T中分别提取时域特征t、频域特征f和非线性特征n,t、f和n组合,形成特征向量;S3:构建GRU神经网络:构建GRU神经网络,GRU神经网络包括input层、嵌入层、GRU层、线性分类层和输出层;S4:将t、f和n送入GRU神经网络训练得综合损失L,并更新GRU神经网络参数;S5:利用训练集T对GRU神经网络进行训练,然后利用测试集S对经训练得到的神经网络模型进行测试,输出最终GRU神经网络模型。本发明平均绝对值误差MAE小。
Description
技术领域
本发明属于新一代信息技术领域,具体涉及一种基于GRU神经网络和ECG信号的疲劳检测方法。
背景技术
当下现有的疲劳检测技术中,可以分为两大类,分别为基于面部状态分析疲劳状态、基于脑电(EEG)信号或者心电图(ECG)信号指标分析疲劳状态。在上述这些检测方法中,由于心电提供的信号在采集过中程具有无创,且易于携带和便于采集相关指标的特点,使得利用心电信号来判断疲劳的应用越来越广泛。同时随着现代机器学习和深度学习方法的兴起,使得通过以上技术和心电信号相结合来监测人体疲劳状态成为了可能。现有基于心电信号的疲劳检测技术,一部分是基于传统的检测方法,比如KNN(最近邻方法),这些检测方法检测精度不高,且计算量比较大;另一部分虽基于深度学习模型,例如LSTM(长短期记忆法),但是模型结构较为复杂,效率不高,运算时间长。为此,本发明提出了一种基于GRU神经网络和ECG信号的疲劳检测方法。
发明内容
为了解决上述技术问题,本发明提供一种基于GRU神经网络和ECG信号的疲劳检测方法。
一种基于GRU神经网络和ECG信号的疲劳检测方法,包括以下步骤:
S1:通过心电传感器收集原始心电信号数据并将数据标注标签信息,得到样本标签;而后将收集到的原始心电数据进行HHT变换得到预处理心电信号数据;而后将得到的预处理心电信号数据按照70%训练集和30%测试集进行随机划分,得训练数据集T和测试数据集S;
S2:从训练集T中分别提取时域特征t、频域特征f和非线性特征n,时域特征t、频域特征f和非线性特征n组合,形成特征向量;
S3:构建GRU神经网络:在深度学习框架Pytorch中构建GRU神经网络,所述GRU神经网络包括input层、嵌入层、GRU层、线性分类层和输出层,其中嵌入层由二维卷积神经网络和批归一化层构成;
其中,input层,用于将特征向量输入至嵌入层中;
嵌入层用于将input层输入的特征向量转换为低维稠密向量;
GRU层用于对嵌入层输出的特征数据进行更高维度的抽线,使得得到的特征更具判别性,其中GRU层中包括更新门和重置门,更新门用于控制有多少前一时间步的信息和当前时间步的信息可以被传递到未来,重置门用于控制要遗忘多少过去的信息;
线性分类层对GRU层输出的特征信息进行分类,并输出样本的分类预测结果,本申请将人体疲劳程度定义为10级,这里分类预测输出10类,每一类代表不同的疲劳程度。
S4:将时域特征t、频域特征f和非线性特征n送入GRU神经网络训练得综合损失L,并更新GRU神经网络参数;
S5:利用训练集T对GRU神经网络进行训练,然后利用测试集S对经训练得到的神经网络模型进行测试,输出最终GRU神经网络模型。
优选地,步骤S1中,对原始心电信号数据进行HHT变换,本申请中HHT变换包括对原始心电数据进行的经验模态分解EMD过程以及对由经验模态分解EMD后得到的IMF分量进行HT变换的过程。
优选地,对原始心电信号数据进行HHT变换,本申请中HHT变换包括对原始心电数据进行的经验模态分解EMD以及对由经验模态分解EMD后得到的IMF分量进行HT变换的具体步骤为:
(1)将原始心电数据进行经验模态分解(Empirical Mode Decomposition,EMD),获得分解后的IMF分量(将有具体物理解释的单分量信号称为固有模态函数,IMF);
(2)将分解后的每个IMF分量通过希尔伯特变换(Hilbert Transform, HT)变换得到IMF分量的瞬时幅值与瞬时频率;
(3)使用自适应差分阈值法确定原始心电数据R波,将原始心电信号数据进行多次分段,即得到预处理心电信号数据;
(4)将预处理心电信号数据按照70%训练集和30%测试集进行随机划分,最终获得训练数据集T和测试数据集S。
优选地,步骤(1)的具体步骤为:
①找出原始心电信号中所有局部变量的极大值并使用三次样条函数连接形成上包络,同理,利用原始心电信号中所有局部变量的极小值并用三次样条函数连接形成下包络;
②.求出上、下包络的包络均值m1,并求原始心电信号数据与包络均值之间的差值h1, m1通过式(1)进行计算,h1通过式(2)进行计算;
其中,式(1)中emax(t)为上包络线,emin(t)为下包络线。
其中,式(2)中,S(t)是指原始心电信号函数;
③.如果m1满足IMF条件(IMF条件是指:1、在整个数据集中,局部极大值与局部极小值数目之和必须与过零点的数目相等或至多相差一个;2、在任意时间点,局部极大值所定义的上包络线与局部极小值所定义的下包络线均值为零。),那么m1就是求得的第一个IMF分量,否则将h1作为原始心电信号返回进行步骤②,直到迭代第K次得到的差值h1,k(t)满足终止准则SD的条件停止,此时,迭代第K次得到的差值h1,k(t)成为第一个IMF分量c1(t),c1(t)代表S(t)最高频率的分量,c1(t)与差值h1,k(t)的关系,如式(3)所示:
经过K次使迭代之后的终止准则SD,满足如下条件,如式(4)所示:
其中,式(4)中,SD指的是标准差,SD位于0.2-0.3之间;
④从S(t)中分离c1(t),得到第一阶剩余信号r1(t),如式(5)所示:
而后将第一阶剩余信号r1(t)作为原始心电信号进行重复上述过程,得到原始心电信号函数S(t)的第二个IMF分量c2,一直重复上述过程n次,就得到了n个IMF分量,如式(6)所示:
其中,式(7)中,是残余函数,是S(t)的平均趋势,IMF分量c1,…,cn(t)分别包含信号不同时间特征尺度大小的成分,尺度依次由小到大,因此,各分量也就相应地包含从高到低的不同频率段的成分;每个频段所包含的频率成分是不相同的,并且随着原始心电信号函数S(t)的变化而变化。
优选地,步骤(2)中,步骤(2)中,将经过EMD处理完后得到的IMF分量通过式(8)进行希尔伯特变换:
式(9)中,x(t)为原始心电信号数据,x(T)在本申请中被定义为原始心电信号的函数,T为积分变量,T的取值范围为﹣∞~+∞,t为时间;
经过HHT变换后心电信号的时序特征变得较为明显,便于后续的时域特征t、频域特征f和非线性特征n的特征提取。
优选地,步骤 S2的具体步骤为:
S2-1:从训练集T中提取时域特征t:对训练集T中训练集样本数据的平均值(MEAN)、序列标准差(SDNN)以及相邻均方根差(RMSSD)进行提取,通过式(14)计算MEAN:
式(14)中,RR表示R-R间期序列,R表示心电图QRS波群中的R波,N表示R-R间期序列的总数;
序列标准差(SDNN)评估的是整个R-R间期序列的标准差,SDNN通过公式(15)计算:
相邻均方根差(RMSSD)通过计算两相邻R-R间期序列之差的均方根得到,RMSSD的计算公式,如式(16)所示:
S2-2:从训练集T中提取频域特征f:从训练集样本中提取高频分量(HF)、低频分量(LF)以及归一化低频分量(LFnorm)。
首先,利用快速傅里叶变换对心电信号进行功率谱函数估计,其中,快速傅里叶积分函数计算公式,如式(17)所示:
式(17)中,s(t)为原始心电信号的函数,i虚数单位,w为频率,t为时间;
而后,对R-R间期序列进行功率谱计算,提取高频分量(HF)、低频分量(LF)以及归一化低频分量(LFnorm)。
优选地,对R-R间期序列进行功率谱计算,提取高频分量(HF)、低频分量(LF)以及归一化低频分量(LFnorm)的具体步骤如下:
选择去趋势运算之后的R-R间期序列,通过三次样条插值,然后,再重采样得到采样率为4Hz的离散R-R间期序列;
而后,将离散R-R间期序列样本进行重叠50%的处理方式,并将结果等分3份得到3组数据,时间窗设置为5分钟,总长度为300秒,以每组150秒长度相互重叠75秒得到3组数据;
而后,将得到的3组数据加汉明窗并分别补零到2048点,通过进行2048点快速傅里叶变换得到0.002Hz频率的频谱信号;最后将得到的3组频谱信号取平均值,得心电信号的功率谱估计,而后,从其中提取功率谱频率0.15-0.4Hz范围内的能量作为高频分量(HF),从中提取0.04-0.15Hz的能量作为低频分量(LF)。
归一化低频分量(Low Frequency Norm,LFnorm)利用高频分量(HF)和低频分量(LF)进行计算,LFnorm的计算公式,如式(18)所示:
式(18)中,HF为高频分量,LF为低频分量,LFnorm为归一化低频分量。
S2-3-1:样本熵的计算:
式(20)中,n是序列总长度,a是选取序列长度,函数C是通过式(21)计算得到的:
式(23)中,N为划分的时间序列的总个数。
优选地,步骤S3中,通过二维卷积神经网络将将input层输入的特征向量数据映射到100维,而后通过批归一化层进一步使映射后的数据限定在维度为0到1之间。
优选地,S4的具体步骤为:将每个训练集样本的时域特征t、频域特征f和非线性特征n送入GRU神经网络进行训练,线性分类层会输出分类预测结果,将预测结果与该训练集样本的样本标签做交叉熵,作为综合损失L,综合损失L的计算公式,如式(25)所示:
式(25)中,P和Lable分别表示网络预测输出和样本标签;
优选地,步骤S4中,迭代次数设置为10000,训练段长度设置为1000;训练数据为训练数据集中的所有样本数据。
优选地,步骤S5的具体步骤为:利用训练集T对GRU神经网络进行训练,然后利用测试集S对经训练得到的神经网络模型进行测试,输出最终GRU神经网络模型。具体来说:每次完成一个训练段后,将测试集样本送入嵌入层映射,完成嵌入映射后,将映射结果送入GRU神经网络提取特征,而后将特征送入线性分类层中实现分类,得到预测的分类结果;而后将分类结果与该测试集样本对应的样本标签对比得出测试精度;保持利用训练集样本对GRU神经网络训练后得到的GRU神经网络的GRU神经网络参数不变,利用该GRU神经网络对测试集样本进行测试,测试中总迭代次数设置为10000,每个训练段长度(epoch)为1000,若当前训练段的测试精度大于上一个训练段的测试精度,则保存当前GRU神经网络参数数据,输出GRU神经网络分类模型;若当前训练段测试精度小于上一训练段的测试精度,则不保存当前网络参数,并继续进行下一个训练段的训练,当训练次数达到预设的总迭代次数时结束训练,输出GRU神经网络分类模型。
与现有技术相比,本发明的有益效果如下:
本发明对ECG信号进行去噪预处理,相对于原始ECG信号,本申请得到的数据更有利于学***均绝对值误差MAE明显降低。
附图说明
图1 是本发明的总体流程图;
图2是本发明的GRU神经网络结构示意图;
图3为本发明测试阶段的流程图;
图4为本发明对GRU神经网络分类模型、LSTM及LSTM改进方法基于同一训练集和测试集进行测试,得到的平均绝对值误差MAE测试结果图。
具体实施方式
本发明中术语解释:
GRU:Gated Recurrent Unit,门控循环单元,是标准循环神经网络的改进版。
SimpleEn:Simple Entropy,样本熵,是在近似熵算法基础上的改进版,改进近似熵对固有的自匹配向量的计算偏差问题。
本实施例提供的一种基于GRU神经网络和ECG信号的疲劳检测方法,其总体流程图如图1所示,具体包括以下步骤:
S1:通过心电传感器(购买自深圳市汇顶科技股份有限公司,型号为GH3220)收集原始心电信号数据并将数据标注标签信息,得到样本标签;而后将收集到的原始心电数据进行HHT变换得到预处理心电信号数据;而后将得到的预处理心电信号数据按照70%训练集和30%测试集进行随机划分,最终获得140个训练样本(构成训练数据集T)和60个测试样本(构成测试数据集S);
步骤S1中,对原始心电信号数据进行HHT变换,本申请中HHT变换包括对原始心电数据进行的经验模态分解EMD过程以及对由经验模态分解EMD后得到的IMF分量进行HT变换的过程,具体步骤为:
(1)将原始心电数据进行经验模态分解(Empirical Mode Decomposition,EMD),获得分解后的IMF分量(将有具体物理解释的单分量信号称为固有模态函数,IMF);
具体步骤为:
①找出原始心电信号中所有局部变量的极大值并使用三次样条函数连接形成上包络,同理,利用原始心电信号中所有局部变量的极小值并用三次样条函数连接形成下包络。
②.求出上、下包络的包络均值m1,并求原始心电信号数据与包络均值之间的差值h1, m1通过式(1)进行计算,h1通过式(2)进行计算。
其中,式(1)中emax(t)为上包络线,emin(t)为下包络线。
其中,式(2)中,S(t)是指原始心电信号函数。
③.如果m1满足IMF条件(IMF条件是指:1、在整个数据集中,局部极大值与局部极小值数目之和必须与过零点的数目相等或至多相差一个;2、在任意时间点,局部极大值所定义的上包络线与局部极小值所定义的下包络线均值为零。),那么m1就是求得的第一个IMF分量,否则将h1作为原始心电信号返回进行步骤②,直到迭代第K次得到的差值h1,k(t)满足终止准则SD的条件停止,此时,迭代第K次得到的差值h1,k(t)成为第一个IMF分量c1(t),c1(t)代表S(t)最高频率的分量,c1(t)与差值h1,k(t)的关系,如式(3)所示:
经过K次使迭代之后的终止准则SD,满足如下条件,如式(4)所示:
其中,式(4)中,SD指的是标准差,SD位于0.2-0.3之间。
④从S(t)中分离c1(t),得到第一阶剩余信号r1(t),如式(5)所示:
而后将第一阶剩余信号r1(t)作为原始心电信号进行重复上述过程,得到原始心电信号函数S(t)的第二个IMF分量c2,一直重复上述过程n次,就得到了n个IMF分量,如式(6)所示:
其中,式(7)中,是残余函数,是S(t)的平均趋势,IMF分量c1,…,cn(t)分别包含信号不同时间特征尺度大小的成分,尺度依次由小到大,因此,各分量也就相应地包含从高到低的不同频率段的成分;每个频段所包含的频率成分是不相同的,并且随着原始心电信号函数S(t)的变化而变化。
(2)将分解后的每个IMF分量通过希尔伯特变换(Hilbert Transform, HT)变换得到IMF分量的瞬时幅值与瞬时频率。
本申请中,EMD处理完之后得到的IMF分量,具有窄带信号、非复杂信号和平稳信号的特点。本申请中希尔伯特变换把经EMD处理完之后得到的信号的所有频率的IMF分量的相位推迟90度。步骤(2)的具体步骤为:步骤(2)中,将经过EMD处理完后得到的IMF分量通过式(8)进行希尔伯特变换:
式(9)中,x(t)为原始心电信号数据,x(T)在本申请中被定义为原始心电信号的函数,T为积分变量,T的取值范围为﹣∞~+∞,t为时间;
经过HHT变换后心电信号的时序特征变得较为明显,便于后续的时域特征t、频域特征f和非线性特征n的特征提取。
(3)使用自适应差分阈值法确定R波,将原始心电信号数据进行多次分段,即得到预处理心电信号数据,其中,每段都是一个R-R(指两个完整波形之间的时间间隔)周期,便于后续步骤S2的域特征t、频域特征f和非线性特征n的特征提取。
(4)将预处理心电信号数据按照70%训练集和30%测试集进行随机划分,最终获得140个训练样本(构成训练数据集T)和60个测试样本(构成测试数据集S)
S2:从训练集T中分别提取时域特征t、频域特征f和非线性特征n,这些特征最后组合在一起形成特征向量。其具体步骤为:
S2-1:从训练集T中提取时域特征t:由于时域特征最具代表性的特征是:平均值(MEAN)、序列标准差(SDNN)以及相邻均方根差(RMSSD),因此,本申请中时域特征t的提取实质就是对训练集T中训练集样本数据的平均值(MEAN)、序列标准差(SDNN)以及相邻均方根差(RMSSD)进行的提取。本申请中通过式(14)计算MEAN(一般和人体的平均能量消耗速率相关), MEAN的计算公式,如式(14)所示:
式(14)中,RR表示R-R间期序列,R表示心电图QRS波群中的R波,N表示R-R间期序列的总数。
序列标准差(SDNN)评估的是整个R-R间期序列的标准差,SDNN通过公式(15)计算:
相邻均方根差(RMSSD)通过计算两相邻R-R间期序列之差的均方根得到,RMSSD的计算公式,如式(16)所示:
S2-2:从训练集T中提取频域特征f:本申请中从频域特征中选取了3个最具代表性的特征分别为:高频分量(High Frequency,HF)、低频分量(Low Frequency,LF)以及归一化低频分量(Low Frequency Norm,LFnorm),本申请中从训练集T中提取频域特征f实质就是从训练集样本中提取高频分量(High Frequency,HF)、低频分量(Low Frequency,LF)以及归一化低频分量(Low Frequency Norm,LFnorm)。
为了得到上述分量,首先要利用快速傅里叶变换对心电信号进行功率谱函数估计,其中,快速傅里叶积分函数计算公式,如式(17)所示:
其中,式(17)中,s(t)为原始心电信号的函数,i虚数单位,w为频率,t为时间。
而后,对R-R间期序列进行功率谱计算,步骤如下:
选择去趋势运算之后的R-R间期序列,通过三次样条插值(简称Spline插值,是通过一系列形值点的一条光滑曲线,通过求解三弯矩方程组得出曲线函数组的过程),然后,再重采样得到采样率为4Hz的离散R-R间期序列;
将离散R-R间期序列样本进行重叠50%的处理方式,并将结果等分3份得到3组数据。时间窗设置为5分钟,总长度为300秒,则以每组150秒长度相互重叠75秒得到3组数据;
将得到的3组数据加汉明窗并分别补零到2048点,通过进行2048点快速傅里叶变换得到0.002Hz频率的频谱信号;最后将得到的3组频谱信号取平均值,得心电信号的功率谱估计,而后,从其中提取功率谱频率0.15-0.4Hz范围内的能量作为高频分量(HighFrequency,HF),从中提取0.04-0.15Hz的能量作为低频分量(Low Frequency,LF)。
归一化低频分量(Low Frequency Norm,LFnorm)中包含人体神经活性信息。归一化低频分量(Low Frequency Norm,LFnorm)的计算公式,如式(18)所示:
S2-3:从训练集T中提取非线性特征n:本申请中从非线性特征中选取了2个最具代表性的特征分别为:样本熵(SimpleEn)和复杂度。本申请中提取非线性特征n实质就是从训练集样本中提取样本熵(SimpleEn)和复杂度。其中样本熵可以衡量序列的自我相似性的程度,如果在R-R间期中得到一个较大的样本熵,表示序列自我相似性较低,产生新模式的概率较大。
本申请中从训练集T中提取非线性特征n的具体步骤如下:
S2-3-1:样本熵的计算:
式(20)中,n是序列总长度,a是选取序列长度,函数C是通过式(21)计算得到的:
式(23)中,N为划分的时间序列的总个数。
S3:构建GRU神经网络:在深度学习框架Pytorch中构建GRU神经网络,GRU神经网络的结构图如图2所示,本实施例中构建的GRU神经网络包括input层、嵌入层、GRU层、线性分类层和输出层,其中嵌入层由二维卷积神经网络和批归一化层构成;
其中,input层,用于将特征向量输入至嵌入层中;
嵌入层用于将input层输入的特征向量转换为低维稠密向量,具体来说使用二维卷积神经网络和批归一化层同时运作共同实现将输入数据进行降维的目的,其中,通过二维卷积神经网络将将input层输入的特征向量数据映射到100维,而后通过批归一化层进一步使映射后的数据限定在维度为0到1之间;
GRU层用于对嵌入层输出的特征数据进行更高维度的抽线,使得得到的特征更具判别性,其中GRU层中包括更新门和重置门,更新门用于控制有多少前一时间步的信息和当前时间步的信息可以被传递到未来,重置门用于控制要遗忘多少过去的信息;
线性分类层对GRU层输出的特征信息进行分类,并输出样本的分类预测结果,本申请将人体疲劳程度定义为10级,这里分类预测输出10类,每一类代表不同的疲劳程度。
S4:将时域特征t、频域特征f和非线性特征n送入GRU神经网络训练得综合损失L,并更新GRU神经网络参数,具体步骤为:将每个训练集样本的时域特征t、频域特征f和非线性特征n送入GRU神经网络进行训练,线性分类层会输出分类预测结果,将预测结果与该训练集样本的样本标签做交叉熵,作为综合损失L,综合损失L的计算公式,如式(25)所示:
式(25)中,P和Lable分别表示网络预测输出和样本标签。
步骤S4中,本申请把迭代次数设置为10000,训练段长度设置为1000;训练数据为训练数据集中的所有样本数据。
S5:利用训练集T对GRU神经网络进行训练,然后利用测试集S对经训练得到的神经网络模型进行测试,输出最终GRU神经网络模型。具体来说:每次完成一个训练段后,将测试集样本送入嵌入层映射,完成嵌入映射后,将映射结果送入GRU神经网络提取特征,而后将特征送入线性分类层中实现分类,得到预测的分类结果;而后将分类结果与该测试集样本对应的样本标签对比得出测试精度;保持利用训练集样本对GRU神经网络训练后得到的GRU神经网络的GRU神经网络参数不变,利用该GRU神经网络对测试集样本进行测试,测试中总迭代次数设置为10000,每个训练段长度(epoch)为1000,若当前训练段的测试精度大于上一个训练段的测试精度,则保存当前GRU神经网络参数数据,输出GRU神经网络分类模型;若当前训练段测试精度小于上一训练段的测试精度,则不保存当前网络参数,并继续进行下一个训练段的训练,当训练次数达到预设的总迭代次数时结束训练,输出GRU神经网络分类模型。
另外,为了验证本申请构建的GRU神经网络分类模型的有效性,本申请利用GRU神经网络分类模型、LSTM及LSTM改进方法基于同一训练集和测试集进行测试,得到不同方法所能取得的平均绝对值误差MAE,不同方法所能取得的平均绝对值误差MAE,如图4和表1所示。其中,图4和表1中的LSTM方法、LSTM-SA方法、LSTM-CSA方法是论文Fatigue AssessmentUsing ECG and Actigraphy Sensors中提到的三种对比方法。
从图4和表1能够看出,本申请中的GRU神经网络分类模型相较于现有技术中的LSTM方法及LSTM改进方法(即LSTM-SA方法和LSTM-CSA方法),利用本申请中的GRU神经网络分类模型的GRU神经网络分类方法所能取得的平均绝对值误差MAE明显降低,具体来说,在上述四种分类方法中,相同测试样本数量的条件下,本申请使用GRU神经网络分类方法平均绝对值误差最小,比如,在同为15个测试样本的情况下,本申请GRU神经网络分类方法相较于LSTM改进方法——LSTM-CSA方法,GRU神经网络分类方法能够降低平均绝对值误差11%;在同为30个测试样本的情况下,本申请GRU神经网络分类方法相较于LSTM改进方法——LSTM-CSA方法,GRU神经网络分类方法能够降低平均绝对值误差18.94%;从表1和图4中也可以看出,随着样本数量的增加GRU神经网络分类方法平均绝对值误差也在不断地减少,比如,测试样本为75个的情况下相较于测试样本为15的情况下,本申请GRU神经网络分类方法的平均绝对值误差降低了63.7%,上述实验数据有效地证实了本申请中构建的GRU神经网络模型的有效性。
表1
本发明中GRU神经网络分类模型的测试过程,如图3所示,主要包括步骤:
对测试数据集进行去噪预处理;
将测试数据集完成嵌入映射;
将映射后的数据送入GRU层提取深层特征;
送入线性分类器中得到分类结果,判断疲劳程度(等级)。
Claims (10)
1.一种基于GRU神经网络和ECG信号的疲劳检测方法,其特征在于:包括以下步骤:
S1:通过心电传感器收集原始心电信号数据并将数据标注标签信息,得到样本标签;而后将收集到的原始心电数据进行HHT变换得到预处理心电信号数据;而后将得到的预处理心电信号数据按照70%训练集和30%测试集进行随机划分,得训练数据集T和测试数据集S;
S2:从训练集T中分别提取时域特征t、频域特征f和非线性特征n,时域特征t、频域特征f和非线性特征n组合,形成特征向量;
S3:构建GRU神经网络:在深度学习框架Pytorch中构建GRU神经网络,所述GRU神经网络包括input层、嵌入层、GRU层、线性分类层和输出层,其中嵌入层由二维卷积神经网络和批归一化层构成;
其中,input层,用于将特征向量输入至嵌入层中;
嵌入层用于将input层输入的特征向量转换为低维稠密向量;
GRU层用于对嵌入层输出的特征数据进行更高维度的抽线,使得得到的特征更具判别性;
线性分类层对GRU层输出的特征信息进行分类,并输出样本的分类预测结果;
S4:将时域特征t、频域特征f和非线性特征n送入GRU神经网络训练得综合损失L,并更新GRU神经网络参数;
S5:利用训练集T对GRU神经网络进行训练,然后利用测试集S对经训练得到的神经网络模型进行测试,输出最终GRU神经网络模型。
2.根据权利要求1所述的基于GRU神经网络和ECG信号的疲劳检测方法,其特征在于:步骤S1中,对原始心电信号数据进行HHT变换,所述HHT变换包括对原始心电数据进行的经验模态分解的过程以及对由经验模态分解后得到的IMF分量进行HT变换的过程。
3.根据权利要求1或2所述的基于GRU神经网络和ECG信号的疲劳检测方法,其特征在于:对原始心电信号数据进行HHT变换的具体步骤为:
将原始心电数据进行经验模态分解,获得分解后的IMF分量;
将分解后的每个IMF分量通过希尔伯特变换变换得到IMF分量的瞬时频率和瞬时幅值;
使用自适应差分阈值法确定原始心电数据的R波,而后将原始心电信号数据进行多次分段,即得到预处理心电信号数据;
将预处理心电信号数据按照70%训练集和30%测试集进行随机划分,获得训练数据集T和测试数据集S。
4.根据权利要求3所述的基于GRU神经网络和ECG信号的疲劳检测方法,其特征在于:步骤(1)的具体步骤为:
①.找出原始心电信号中所有局部变量的极大值并使用三次样条函数连接形成上包络,同理,利用原始心电信号中所有局部变量的极小值并用三次样条函数连接形成下包络;
②.求出上、下包络的包络均值m1,并求原始心电信号数据与包络均值之间的差值h1,m1通过式(1)进行计算,h1通过式(2)进行计算:
其中,式(1)中emax(t)为上包络线,emin(t)为下包络线;
其中,式(2)中,S(t)是指原始心电信号函数;
③.如果m1满足IMF条件,那么m1就是求得的第一个IMF分量,否则将h1作为原始心电信号返回进行步骤②,直到迭代第K次得到的差值h1,k(t)满足终止准则SD的条件停止,此时,迭代第K次得到的差值h1,k(t)成为第一个IMF分量c1(t),c1(t)代表S(t)最高频率的分量,c1(t)与差值h1,k(t)的关系,如式(3)所示:
经过K次使迭代之后的终止准则SD,满足如下条件,如式(4)所示:
其中,式(4)中,SD指的是标准差,SD位于0.2-0.3之间;
④从原始心电信号函数S(t)中分离c1(t),得到第一阶剩余信号r1(t),如式(5)所示:
而后将第一阶剩余信号r1(t)作为原始心电信号进行重复上述过程,得到原始心电信号函数S(t)的第二个IMF分量c2,一直重复上述过程n次,就得到了n个IMF分量,如式(6)所示:
5.根据权利要求3所述的基于GRU神经网络和ECG信号的疲劳检测方法,其特征在于:步骤(2)中,将经过EMD处理完后得到的IMF分量通过式(8)进行希尔伯特变换:
式(9)中,x(t)为原始心电信号数据,x(T)在本申请中被定义为原始心电信号的函数,T为积分变量,T的取值范围为﹣∞~+∞,t为时间;
6.根据权利要求1所述的基于GRU神经网络和ECG信号的疲劳检测方法,其特征在于:步骤 S2的具体步骤为:
S2-1:从训练集T中提取时域特征t:对训练集T中训练集样本数据的平均值(MEAN)、序列标准差(SDNN)以及相邻均方根差(RMSSD)进行提取,MEAN通过式(14)计算:
式(14)中,RR表示R-R间期序列,R表示心电图QRS波群中的R波,N表示R-R间期序列的总数;
序列标准差(SDNN)评估的是整个R-R间期序列的标准差,SDNN通过公式(15)计算:
相邻均方根差(RMSSD)通过计算两相邻R-R间期序列之差的均方根得到,RMSSD的计算公式,如式(16)所示:
S2-2:从训练集T中提取频域特征f:从训练集样本中提取高频分量(HF)、低频分量(LF)以及归一化低频分量(LFnorm);
首先,利用快速傅里叶变换对心电信号进行功率谱函数估计,其中,快速傅里叶积分函数计算公式,如式(17)所示:
式(17)中,s(t)为原始心电信号的函数,i虚数单位,w为频率,t为时间;
而后,对R-R间期序列进行功率谱计算,提取高频分量(HF)、低频分量(LF)以及归一化低频分量(LFnorm);
S2-3-1:样本熵的计算:
式(20)中,n是序列总长度,a是选取序列长度,函数C是通过式(21)计算得到的:
式(23)中,N为划分的时间序列的总个数;
7.根据权利要求6所述的基于GRU神经网络和ECG信号的疲劳检测方法,其特征在于:步骤S2-2中,R-R间期序列进行功率谱计算,提取高频分量(HF)、低频分量(LF)以及归一化低频分量(LFnorm)的具体步骤为:
首先,选择去趋势运算之后的R-R间期序列,通过三次样条插值,然后,再重采样得到采样率为4Hz的离散R-R间期序列;
而后,将离散R-R间期序列样本进行重叠50%的处理方式,并将结果等分3份得到3组数据,时间窗设置为5分钟,总长度为300秒,以每组150秒长度相互重叠75秒得到3组数据;
而后,将得到的3组数据加汉明窗并分别补零到2048点,通过进行2048点快速傅里叶变换得到0.002Hz频率的频谱信号;最后将得到的3组频谱信号取平均值,得心电信号的功率谱估计,而后,从其中提取功率谱频率0.15-0.4Hz范围内的能量作为高频分量,从中提取0.04-0.15Hz的能量作为低频分量;
而后,利用高频分量和低频分量计算归一化低频分量LFnorm,LFnorm的计算公式,如式(18)所示:
式(18)中,HF为高频分量,LF为低频分量,LFnorm为归一化低频分量。
8.根据权利要求1所述的基于GRU神经网络和ECG信号的疲劳检测方法,其特征在于:步骤S3中,通过二维卷积神经网络将将input层输入的特征向量数据映射到100维,而后通过批归一化层进一步使映射后的数据限定在维度为0到1之间。
10.根据权利要求1所述的基于GRU神经网络和ECG信号的疲劳检测方法,其特征在于:步骤S5的具体步骤为:每次完成一个训练段后,将测试集样本送入嵌入层映射,完成嵌入映射后,将映射结果送入GRU神经网络提取特征,而后将特征送入线性分类层中实现分类,得到预测的分类结果;而后将分类结果与该测试集样本对应的样本标签对比得出测试精度;保持利用训练集样本对GRU神经网络训练后得到的GRU神经网络的GRU神经网络参数不变,利用该GRU神经网络对测试集样本进行测试,测试中总迭代次数设置为10000,每个训练段长度(epoch)为1000,若当前训练段的测试精度大于上一个训练段的测试精度,则保存当前GRU神经网络参数数据,输出GRU神经网络分类模型;若当前训练段测试精度小于上一训练段的测试精度,则不保存当前网络参数,并继续进行下一个训练段的训练,当训练次数达到预设的总迭代次数时结束训练,输出GRU神经网络分类模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211219067.5A CN115281676B (zh) | 2022-10-08 | 2022-10-08 | 基于gru神经网络和ecg信号的疲劳检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211219067.5A CN115281676B (zh) | 2022-10-08 | 2022-10-08 | 基于gru神经网络和ecg信号的疲劳检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115281676A true CN115281676A (zh) | 2022-11-04 |
CN115281676B CN115281676B (zh) | 2023-01-31 |
Family
ID=83833224
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211219067.5A Active CN115281676B (zh) | 2022-10-08 | 2022-10-08 | 基于gru神经网络和ecg信号的疲劳检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115281676B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117653147A (zh) * | 2024-01-31 | 2024-03-08 | 长春理工大学 | 一种基于脑电信号特征的分类方法 |
Citations (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050049983A1 (en) * | 2003-08-29 | 2005-03-03 | Butler Gary Dana | Genetically adaptive neural network classification systems and methods |
US20050283205A1 (en) * | 2004-06-10 | 2005-12-22 | Samsung Electronics Co., Ltd. | Apparatus, method, and medium controlling electrical stimulation and/or health training/monitoring |
CN106021941A (zh) * | 2016-05-27 | 2016-10-12 | 成都信汇聚源科技有限公司 | 获取猝死风险预测人工神经网络权重值矩阵的方法 |
CN106073765A (zh) * | 2016-05-27 | 2016-11-09 | 成都信汇聚源科技有限公司 | 一种微型动态心电监测设备上猝死风险预测的实现方法 |
CN107714037A (zh) * | 2017-10-12 | 2018-02-23 | 西安科技大学 | 一种基于脑机接口矿用头盔的矿工疲劳识别方法 |
CN107822623A (zh) * | 2017-10-11 | 2018-03-23 | 燕山大学 | 一种基于多源生理信息的驾驶员疲劳及情绪评价方法 |
WO2018106146A2 (ru) * | 2016-11-24 | 2018-06-14 | Александр Викторович Ежков | Способ и система неинвазивной скрининговой оценки физиологических параметров и патологий |
US20180249939A1 (en) * | 2017-03-06 | 2018-09-06 | Intel Corporation | Stress detection and management system |
CN109480835A (zh) * | 2018-12-29 | 2019-03-19 | 中国人民解放军***福州总医院 | 一种基于长短期记忆神经网络的精神疲劳检测方法 |
CN110141219A (zh) * | 2019-06-20 | 2019-08-20 | 鲁东大学 | 基于导联融合深度神经网络的心肌梗死自动检测方法 |
CN110772268A (zh) * | 2019-11-01 | 2020-02-11 | 哈尔滨理工大学 | 一种多模脑电信号及1dcnn迁移的驾驶疲劳状态识别方法 |
CN111407260A (zh) * | 2020-03-30 | 2020-07-14 | 华南理工大学 | 方向盘嵌入心电传感器的基于脑电和心电的疲劳检测方法 |
CN111553495A (zh) * | 2020-04-29 | 2020-08-18 | 山东卓文信息科技有限公司 | 一种基于概率神经网络的小型断路器故障分析方法 |
US20200367800A1 (en) * | 2019-01-23 | 2020-11-26 | Wuyi University | Method for identifying driving fatigue based on cnn-lstm deep learning model |
CN111990988A (zh) * | 2020-08-10 | 2020-11-27 | 北京航空航天大学 | 基于密集连接卷积循环神经网络的心电信号房颤检测装置 |
WO2021045616A1 (en) * | 2019-09-03 | 2021-03-11 | Technische Universiteit Eindhoven | A computer-implemented method and an apparatus for determining body positions and/or sleep stages of a person during sleep. |
CN112528815A (zh) * | 2020-12-05 | 2021-03-19 | 西安电子科技大学 | 基于多模态信息融合的疲劳驾驶检测方法 |
US20210100471A1 (en) * | 2019-10-08 | 2021-04-08 | GE Precision Healthcare LLC | Systems and methods for reduced lead electrocardiogram diagnosis using deep neural networks and rule-based systems |
US20210161411A1 (en) * | 2018-08-31 | 2021-06-03 | Jiangsu Garea Health Technology Co., Ltd | Wearable device for reflecting fatigue level of human body |
CN113128585A (zh) * | 2021-04-16 | 2021-07-16 | 重庆康如来科技有限公司 | 一种基于多尺寸卷积核的深度神经网络实现心电异常检测分类方法 |
WO2021143402A1 (zh) * | 2020-01-17 | 2021-07-22 | 上海优加利健康管理有限公司 | 一种用于多标签标注心电信号的心搏分类方法和装置 |
CN113197583A (zh) * | 2021-05-11 | 2021-08-03 | 广元市中心医院 | 一种基于时频分析和循环神经网络的心电图波形分割方法 |
WO2021170735A1 (en) * | 2020-02-28 | 2021-09-02 | Sensyne Health Group Limited | Semi-supervised machine learning method and system suitable for identification of patient subgroups in electronic healthcare records |
US20210386354A1 (en) * | 2020-06-10 | 2021-12-16 | Implicity | Method and system for analyzing heart rhythms |
WO2022019402A1 (ko) * | 2020-07-20 | 2022-01-27 | 주식회사 아이메디신 | 시계열 생체 신호 기반의 인공신경망 모델 학습 컴퓨터 프로그램 및 방법 |
CN114343642A (zh) * | 2021-10-22 | 2022-04-15 | 厦门大学 | 一种基于心率变异性指标的疲劳驾驶检测方法、*** |
CN114403897A (zh) * | 2022-01-17 | 2022-04-29 | 南京邮电大学 | 一种基于脑电信号的人体疲劳检测方法及*** |
WO2022095331A1 (zh) * | 2020-11-09 | 2022-05-12 | 平安科技(深圳)有限公司 | 压力评估方法、装置、计算机设备和存储介质 |
CN114781442A (zh) * | 2022-04-07 | 2022-07-22 | 成都信息工程大学 | 基于四维注意力卷积循环神经网络的疲劳分类方法 |
CN114881093A (zh) * | 2022-07-05 | 2022-08-09 | 北京理工大学 | 一种信号分类识别方法 |
-
2022
- 2022-10-08 CN CN202211219067.5A patent/CN115281676B/zh active Active
Patent Citations (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050049983A1 (en) * | 2003-08-29 | 2005-03-03 | Butler Gary Dana | Genetically adaptive neural network classification systems and methods |
US20050283205A1 (en) * | 2004-06-10 | 2005-12-22 | Samsung Electronics Co., Ltd. | Apparatus, method, and medium controlling electrical stimulation and/or health training/monitoring |
CN106021941A (zh) * | 2016-05-27 | 2016-10-12 | 成都信汇聚源科技有限公司 | 获取猝死风险预测人工神经网络权重值矩阵的方法 |
CN106073765A (zh) * | 2016-05-27 | 2016-11-09 | 成都信汇聚源科技有限公司 | 一种微型动态心电监测设备上猝死风险预测的实现方法 |
WO2018106146A2 (ru) * | 2016-11-24 | 2018-06-14 | Александр Викторович Ежков | Способ и система неинвазивной скрининговой оценки физиологических параметров и патологий |
US20180249939A1 (en) * | 2017-03-06 | 2018-09-06 | Intel Corporation | Stress detection and management system |
CN107822623A (zh) * | 2017-10-11 | 2018-03-23 | 燕山大学 | 一种基于多源生理信息的驾驶员疲劳及情绪评价方法 |
CN107714037A (zh) * | 2017-10-12 | 2018-02-23 | 西安科技大学 | 一种基于脑机接口矿用头盔的矿工疲劳识别方法 |
US20210161411A1 (en) * | 2018-08-31 | 2021-06-03 | Jiangsu Garea Health Technology Co., Ltd | Wearable device for reflecting fatigue level of human body |
CN109480835A (zh) * | 2018-12-29 | 2019-03-19 | 中国人民解放军***福州总医院 | 一种基于长短期记忆神经网络的精神疲劳检测方法 |
US20200367800A1 (en) * | 2019-01-23 | 2020-11-26 | Wuyi University | Method for identifying driving fatigue based on cnn-lstm deep learning model |
CN110141219A (zh) * | 2019-06-20 | 2019-08-20 | 鲁东大学 | 基于导联融合深度神经网络的心肌梗死自动检测方法 |
WO2021045616A1 (en) * | 2019-09-03 | 2021-03-11 | Technische Universiteit Eindhoven | A computer-implemented method and an apparatus for determining body positions and/or sleep stages of a person during sleep. |
US20210100471A1 (en) * | 2019-10-08 | 2021-04-08 | GE Precision Healthcare LLC | Systems and methods for reduced lead electrocardiogram diagnosis using deep neural networks and rule-based systems |
CN110772268A (zh) * | 2019-11-01 | 2020-02-11 | 哈尔滨理工大学 | 一种多模脑电信号及1dcnn迁移的驾驶疲劳状态识别方法 |
WO2021143402A1 (zh) * | 2020-01-17 | 2021-07-22 | 上海优加利健康管理有限公司 | 一种用于多标签标注心电信号的心搏分类方法和装置 |
WO2021170735A1 (en) * | 2020-02-28 | 2021-09-02 | Sensyne Health Group Limited | Semi-supervised machine learning method and system suitable for identification of patient subgroups in electronic healthcare records |
CN111407260A (zh) * | 2020-03-30 | 2020-07-14 | 华南理工大学 | 方向盘嵌入心电传感器的基于脑电和心电的疲劳检测方法 |
CN111553495A (zh) * | 2020-04-29 | 2020-08-18 | 山东卓文信息科技有限公司 | 一种基于概率神经网络的小型断路器故障分析方法 |
US20210386354A1 (en) * | 2020-06-10 | 2021-12-16 | Implicity | Method and system for analyzing heart rhythms |
WO2022019402A1 (ko) * | 2020-07-20 | 2022-01-27 | 주식회사 아이메디신 | 시계열 생체 신호 기반의 인공신경망 모델 학습 컴퓨터 프로그램 및 방법 |
CN111990988A (zh) * | 2020-08-10 | 2020-11-27 | 北京航空航天大学 | 基于密集连接卷积循环神经网络的心电信号房颤检测装置 |
WO2022095331A1 (zh) * | 2020-11-09 | 2022-05-12 | 平安科技(深圳)有限公司 | 压力评估方法、装置、计算机设备和存储介质 |
CN112528815A (zh) * | 2020-12-05 | 2021-03-19 | 西安电子科技大学 | 基于多模态信息融合的疲劳驾驶检测方法 |
CN113128585A (zh) * | 2021-04-16 | 2021-07-16 | 重庆康如来科技有限公司 | 一种基于多尺寸卷积核的深度神经网络实现心电异常检测分类方法 |
CN113197583A (zh) * | 2021-05-11 | 2021-08-03 | 广元市中心医院 | 一种基于时频分析和循环神经网络的心电图波形分割方法 |
CN114343642A (zh) * | 2021-10-22 | 2022-04-15 | 厦门大学 | 一种基于心率变异性指标的疲劳驾驶检测方法、*** |
CN114403897A (zh) * | 2022-01-17 | 2022-04-29 | 南京邮电大学 | 一种基于脑电信号的人体疲劳检测方法及*** |
CN114781442A (zh) * | 2022-04-07 | 2022-07-22 | 成都信息工程大学 | 基于四维注意力卷积循环神经网络的疲劳分类方法 |
CN114881093A (zh) * | 2022-07-05 | 2022-08-09 | 北京理工大学 | 一种信号分类识别方法 |
Non-Patent Citations (2)
Title |
---|
杜云梅等: "基于深度卷积神经网络的脑电图异常检测", 《华南师范大学学报(自然科学版)》 * |
池涛等: "多层局部感知卷积神经网络的高光谱图像分类", 《四川大学学报(自然科学版)》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117653147A (zh) * | 2024-01-31 | 2024-03-08 | 长春理工大学 | 一种基于脑电信号特征的分类方法 |
CN117653147B (zh) * | 2024-01-31 | 2024-04-26 | 长春理工大学 | 一种基于脑电信号特征的分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115281676B (zh) | 2023-01-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107822622B (zh) | 基于深度卷积神经网络的心电图诊断方法和*** | |
CN106725428B (zh) | 一种心电信号分类方法及装置 | |
CN111772619B (zh) | 一种基于深度学习的心搏识别方法、终端设备及存储介质 | |
Mahmud et al. | Deeparrnet: An efficient deep cnn architecture for automatic arrhythmia detection and classification from denoised ecg beats | |
CN111310570B (zh) | 一种基于vmd和wpd的脑电信号情感识别方法及*** | |
CN110367967B (zh) | 一种基于数据融合的便携型轻量化人脑状态检测方法 | |
CN111407243B (zh) | 一种基于深度学习的脉搏信号压力识别方法 | |
CN110598676B (zh) | 基于置信度得分模型的深度学习手势肌电信号识别方法 | |
CN113128552A (zh) | 一种基于深度可分离因果图卷积网络的脑电情绪识别方法 | |
CN112426160A (zh) | 一种心电信号类型识别方法及装置 | |
Zhao et al. | ECG identification based on matching pursuit | |
CN115281676B (zh) | 基于gru神经网络和ecg信号的疲劳检测方法 | |
CN114052744A (zh) | 基于脉冲神经网络的心电信号分类方法 | |
US20230225663A1 (en) | Method for predicting multi-type electrocardiogram heart rhythms based on graph convolution | |
CN115530788A (zh) | 基于自注意力机制的心律失常分类方法 | |
CN113116300A (zh) | 一种基于模型融合的生理信号分类方法 | |
CN113128384B (zh) | 一种基于深度学习的脑卒中康复***脑机接口软件关键技术方法 | |
CN113598784A (zh) | 心律失常检测方法及*** | |
CN111603161A (zh) | 一种脑电分类方法 | |
CN116343324A (zh) | 一种融合MEMD与Hilbert空间填充曲线的sEMG处理方法及*** | |
CN114343679A (zh) | 基于迁移学习的表面肌电信号上肢动作识别方法及*** | |
CN113940638A (zh) | 基于频域双特征融合的脉搏波信号识别分类方法 | |
CN112270359A (zh) | 一种一维序列升维聚类方法及*** | |
Chashmi et al. | An automatic ECG arrhythmia diagnosis system using support vector machines optimised with GOA and entropy-based feature selection procedure | |
Jung | Development of Optimized User-Recognition Technology Using Multilayered XAI-Based ECG 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 |