基于小波分解和1D-GoogLeNet的心律失常检测

心电图(ECG)信号的准确分类对于心脏病的自动诊断非常重要.为了实现对心律失常的智能分类,该文提出一种基于小波分解和1D-GoogLeNet的精确分类方法.在该方法中,利用Db6小波对ECG信号进行8级分解,得到既含时域信息又有频域信息的多维数据.随后,分解的样本用作1D-GoogLeNet的输入训练该模型.在提出的1D-GoogLeNet模型中,借鉴Inception在图像特征提取中的优异性能,将2维卷积变换为1维卷积学习ECG的特征,并且简化各个Inception的结构,降低模型参数.该文提出的神经网络分类器能够有效缓解计算效率低、收敛困难和模型退化的问题.在实验中,选用MIT-BIH心律失常数据集测试所提模型的性能,对比了信号的不同分解分量组合作为输入的检测结果,当输入数据由{d2-d7}组合时,所提1D-GoogLeNet模型可以达到96.58％的平均准确率.此外,还对比了该模型与未经结构优化的简单1维GoogLeNet在数据集上的表现,前者在准确率上比后者提高了4.7％,训练效率提高了118％.     

基于串联式一维神经网络的毫米波雷达动态手势识别方法

现有的基于雷达传感器的手势识别方法,大多先利用雷达回波对手势的距离、多普勒和角度等信息进行参数估计,得到各种数据谱图,然后再利用卷积神经网络对这些谱图进行分类,实现过程较为复杂。该文提出一种基于串联式1维神经网络(1D-ScNN)的毫米波雷达动态手势识别方法。首先基于毫米波雷达获取动态手势的原始回波,然后利用1维卷积和池化操作对手势特征进行提取,并将这些特征信息输入1维Inception v3结构。最后在网络的末端接入长短期记忆(LSTM)网络来聚合1维特征,充分利用动态手势的帧间相关性,提高识别准确率和训练收敛速度。实验结果表明,该方法实现过程简单,收敛速度快,识别准确率可以达到96.0%以上,高于现有基于数据谱图的手势分类方法。     

利用CNN的海上目标探测背景分类方法

该文主要研究基于卷积神经网络（Convolutional Neural Networks,CNN）的海上目标探测背景分类方法.以CNN中的经典网络LeNet为例,基于IPIX雷达实测数据集,进行控制变量的模型训练,对分类准确率、训练速度、一维信号的二维特征图变化等进行分析,基于实测数据集验证了利用CNN在一维雷达回波信号中进行海杂波与噪声分类的可行性,并同步分析了数据预处理、单个样本序列长度、网络结构参数等影响因素对分类准确率的影响,并针对典型探测场景分类进行了验证.结果表明,LeNet卷积神经网络在海上探测背景区分方面,具有很高的分类准确率,并且数据预处理方式、单个样本序列长度对结果影响显著,而网络结构参数有一定的调节区间,在此区间内调整,影响不显著,所提方法在顺/逆浪向、高/低海况条件下杂波分类与杂噪分类方面具有很高的准确率.     

基于深度学习的心电图心律失常分类方法

近些年来因心血管疾病导致的人类死亡人数不断增加,心律失常是心血管疾病发病前的常见症状.为了提高心电图对心律失常分类的效率和准确率,使医生能对心律失常及时地作出诊断和治疗,提出一种基于二维卷积神经网络模型的心律失常分类方法.该方法使用美国麻省理工学院提供的研究心律失常的MIT-BIH数据库来生成实验数据集对网络进行训练和...     

基于多尺度特征融合的φ-OTDR系统相似信号识别方法

为解决分布式相位敏感光时域反射计系统现有事件识别方法对于相似振动信号识别困难这一问题,提出了一种基于多尺度特征融合的相似信号识别方法。在该方法中,原始信号首先通过经验模态分解和小波包分解被分解为不同频率范围内的子信号。随后,分别提取原始信号和子信号的时频特征和近似熵特征,并利用主成分分析法对所提取的特征进行融合。最后,通过构建一个6层轻量反向传播（BP）神经网络分类器,训练分类模型并利用测试集验证模型分类度。该方法对小车经过和行走等相似信号的识别准确率可分别达到98.5%和98.0%,对于敲击和摇晃差异性大的信号的识别准确率可达100%。相比于直接从原始信号中提取特征并结合时频图的卷积神经网络方式,所提方法的综合识别准确率分别提高了8.4%与9.0%,相似信号的识别准确率分别提高了13.5%与12.4%。结果表明,该方法在保证差异性大的信号的高识别准确率的基础上,显著提高了相似信号的识别准确率,对于拓展分布式光纤传感的应用范围有重要的价值。     

基于串联式一维神经网络的毫米波雷达动态手势识别方法

现有的基于雷达传感器的手势识别方法,大多先利用雷达回波对手势的距离、多普勒和角度等信息进行参数估计,得到各种数据谱图,然后再利用卷积神经网络对这些谱图进行分类,实现过程较为复杂.该文提出一种基于串联式1维神经网络(1D-ScNN)的毫米波雷达动态手势识别方法.首先基于毫米波雷达获取动态手势的原始回波,然后利用1维卷积和池化操作对手势特征进行提取,并将这些特征信息输入1维Inception v3结构.最后在网络的末端接入长短期记忆(LSTM)网络来聚合1维特征,充分利用动态手势的帧间相关性,提高识别准确率和训练收敛速度.实验结果表明,该方法实现过程简单,收敛速度快,识别准确率可以达到96.0％以上,高于现有基于数据谱图的手势分类方法.     

基于卷积长短时记忆网络的心律失常分类方法

心律失常等慢性心血管疾病严重影响人类健康,采用心电信号(ECG)实现心律失常自动分类可有效提高该类疾病的诊断效率,降低人工成本。为此,该文基于1维心电信号,提出一种改进的长短时记忆网络(LSTM)方法实现心律失常自动分类。该方法首先设计深层卷积神经网络(CNN)对心电信号进行深度编码,提取心电信号形态特征。其次,搭建长短时记忆分类网络实现基于心电信号特征的心律失常自动分类。基于MIT-BIH心律失常数据库进行的实验结果表明,该方法显著缩短分类时间,并获得超过99.2%的分类准确率,灵敏度等评价参数均得到不同程度的提高,满足心电信号自动分类实时高效的要求。     

基于群卷积神经网络的恶意域名检验方法

针对恶意域名检测中存在的随机性大、现实样本少的缺陷,导致深度学习模型训练易出现过拟合的问题,提出了一种基于群卷积神经网络的恶意域名检测方法。首先将域名转换为嵌入词向量表示,然后通过随机维度组合生成随机数据集并构建卷积神经网络组,鉴于Inception结构优势将其加入到网络中,最后针对数据集易出现的类间样本失衡问题,引入了类间平衡系数以抑制模型训练过拟合,提高模型泛化能力。实验结果表明,在采集的域名检测数据集上,所构建的模型能够有效实现恶意域名检测;经过参数优化,相比于浅层模型组合分类器与典型深度神经网络模型LSTM-CNN,群卷积神经网络对所构建的域名检测集检测准确率分别提升了4%、1%,达到98.9%。     

基于小波包分解和残差网络的雷达干扰识别

干扰样式识别是雷达抗干扰技术研究中的重要环节,为提高干扰信号分类识别精度,提出了一种基于小波包分解和残差网络相结合的干扰信号分类识别方法。采用小波包变换对干扰信号进行分解与重构,将干扰信号分解成不同频段的小波包系数,融合各频段小波包系数构成系数矩阵得到残差网络的输入,利用多层残差网络自适应提取小波包系数矩阵深度特征,实现干扰信号分类识别。搭建了雷达干扰信号识别试验平台,采集不同调制参数下的6类雷达干扰数据进行试验分析,结果表明,相对于直接利用干扰信号原始时域IQ数据进行卷积神经网络(Convolutional Neural Network, CNN)识别,所提方法能够有效提高网络输入数据维度和特征提取深度,识别准确率和训练效率有明显提升。     

结合三维卷积神经网络和Haar小波滤波器的高光谱猕猴桃品质分类

针对猕猴桃硬度品质无损检测分类困难的问题，提出了结合高光谱成像技术和卷积神经网络的分类模型。该模型融合Haar小波核提取的空间特征信息和三维卷积核提取的空谱联合信息，采用分解数据通道连接的方式确保所有特征能够流到模型末尾，提升了网络特征提取的能力。通过自制的猕猴桃硬度品质Kiwi＿seed数据集上的实验表明，Haar小波变换模块可以显著提升网络的特征提取能力；通过消融实验表明，在增加Haar小波变换模块后模型的分类准确率提升了7.4%，最优可达97.3%，优于经典的图像分类网络，可以很好地解决猕猴桃硬度品质的无损检测分类问题。     

基于CNN-WF的高灵敏紫外成像仪中的图像配准与融合

针对现有紫外成像仪中紫外光与可见光图像配准实时性差,精度不高等问题,提出一种基于卷积神经网络(Convolutional Neural Networks,CNN)与小波融合(Wavelet Fusion,WF)的紫外光与可见光图像配准融合方法,并将其应用于高灵敏紫外成像仪中.首先,结合刚体变换和卷积神经网络对采集到的图像数据进行参数模型预训练,通过自主挖掘图像特征寻找到最优空间变换参数,实现紫外光图像与可见光图像的精确配准;其次,利用二维小波分解与重构算法实现紫外光与可见光图像的融合.实验结果表明,所提方法的紫外光图像与可见光图像配准速度快,叠加精度高,且具有良好的稳定性.     

基于改进熵特征的心律失常分类研究

心律失常类型的判断对心血管疾病的防治十分重要,针对波动散布熵(multiscale f luctuation dispersion entropy,FDE)在进行心律失常分类识别时尺度单一、不能全面反映心律失常 信息等不足,通 过改进FDE特征,提出一种基于自适应多尺度波动散布熵(adaptive multiscale fluctuati on dispersion entropy,AMFDE)的心律失常分类方法。首先在计算FDE特征前利用优化K值的变分模态分 解(variational mode decomposition,VMD)对信号进行分解,以获取预设数量的固有模态 分量(IMF),然后 提取各尺度子序列的FDE作为分类特征,并采用遗传算法(genetic algorithm, GA)对支持向量机(SVM)的惩罚 因子c和 核函数参数g进行寻优,最后通过GA-SVM模型进行模式识别。计算结 果表明, 所提方法对4类心律识 别的平均准确率达到95.3%,灵敏度达到95.4% ,特 异性达到 98.4%,相比自适应多尺度散布熵(adaptive multiscale dispersion entropy, AMDE)等其他方法优势明显,可以实现对心 电(electrocardiogram, ECG)信号的准确分类。     

Research on ECG classification based on transfer learning

Concerning current deep learning-based electrocardiograph ( ECG) classification methods, there exists domain discrepancy between the data distributions of the training set and the test set in the inter-patient paradigm. To reduce the negative effect of domain discrepancy on the classification accuracy of ECG signals, this paper incorporates transfer learning into the ECG classification, which aims at applying the knowledge learned from the raining set to the test set. Specifically, this paper first develops a deep domain adaptation network ( DAN) for ECG classification based on the convolutional neural network ( CNN). Then, the network is pre-trained with training set data obtained from the famous Massachusetts Institute of Technology-Beth Israel Hospital (MIT-BIH) ECG arrhythmia database. On this basis, by minimizing the multi-kernel maximum mean discrepancy (MK-MMD) between the data distributions of the training set and the test set, the pre-trained network is adjusted to learn transferable feature representations. Finally, with the low-density separation of unlabeled target data, the feature representations are more transferable. The extensive experimental results show that the proposed domain adaptation method has reached a 7. 58% improvement in overall classification accuracy on the test set, and achieves competitive performance with other state-of-the-arts.     

Wavelet compression of ECG signals by the set partitioning in hierarchical trees algorithm

A wavelet electrocardiogram (ECG) data codec based on the set partitioning in hierarchical trees (SPIHT) compression algorithm is proposed in this paper. The SPIHT algorithm [1] has achieved notable success in still image coding. We modified the algorithm for the one-dimensional case and applied it to compression of ECG data. Experiments on selected records from the MIT-BIH arrhythmia database revealed that the proposed codec is significantly more efficient in compression and in computation than previously proposed ECG compression schemes. The coder also attains exact bit rate control and generates a bit stream progressive in quality or rate.     

ECG信号压缩算法的LabVIEW系统实现

本文以ECG信号压缩算法的系统实现为例,介绍了利用LabVIEW和Matlab进行混合程序开发的思路及方法.设计的ECG压缩算法评价系统采用MIT-BIH标准数据库的心律失常ECG信号作为实验数据,实现了基于经验模态分解或小波分解的ECG信号压缩算法的评价系统.该系统实现对ECG信号的显示、存储、压缩、解压缩及压缩算法的评估.     

Multiscale Wiener filter for the restoration of fractal signals:wavelet filter bank approach

A filter bank design based on orthonormal wavelets and equipped with a multiscale Wiener filter is proposed in this paper for signal restoration of 1/f family of fractal signals which are distorted by the transmission channel and corrupted by external noise. First, the fractal signal transmission process is transformed via the analysis filter bank into multiscale convolution subsystems in time-scale domain based on orthonormal wavelets. Some nonstationary properties, e.g., self-similarity, long-term dependency of fractal signals are attenuated in each subband by wavelet multiresolution decomposition so that the Wiener filter bank can be applied to estimate the multiscale input signals. Then the estimated multiscale input signals are synthesized to obtain the estimated input signal. Some simulation examples are given for testing the performance of the proposed algorithm. With this multiscale analysis/synthesis design via the technique of the wavelet filter bank, the multiscale Wiener filter can be applied to treat the signal restoration problem for nonstationary 1/f fractal signals     

基于多维神经网络深度特征融合的鸟鸣识别算法

为了进一步提高夜间迁徙鸟鸣监测的准确率,提出一种基于多维神经网络深度特征融合的鸟鸣识别算法。首先,提取鸟鸣对数尺度的梅尔谱图作为VGG Style模型的训练特征,增强时频谱图的能量分布,通过Mix up数据混合生成虚拟数据以减少模型的过拟合。之后,将预训练的VGG Style作为特征提取器对每一段鸟鸣提取深度特征。鉴于不同维度模型的互补性,该文提出分别使用1维CNN-LSTM、2维VGG Style与3维DenseNet121模型作为特征提取器生成高级特征。对于1维CNN-LSTM,使用小波分解作为池化方法,分别对鸟鸣时、频域进行9层小波分解,生成多层LBP特征以获取更丰富的时频信息。最后,对CNN-LSTM与DenseNet121的全连接层进行优化,减少模型参数,提高实时性。实验结果表明,通过融合多维神经网络的深度特征,使用浅层分类器在含有43种鸟类的CLO-43SD数据集中,获得了93.89%的平衡准确率,相较于最新的Mel-VGG与Subnet-CNN融合模型,平衡准确率提高了7.58%。      

基于改进差分阈值算法的心电检测技术研究

针对差分阈值算法中固定阈值的局限性,文中提出了一种基于自适应波峰阈值和R波间隔阈值的算法。该算法结合心电信号特点自动选择波峰阈值,并选择R波间隔阈值,提高了算法的自适应性和准确率。文中以MIT-BIH心律失常数据库中的心电信号作为实验样本,采用带通滤波与小波阈值滤波相结合的方法完成心电信号去噪,采用改进差分自适应阈值算法对心电信号进行波形检测。实验结果表明,该算法能够将心电信号R波的检测准确率提升到99.57%,有效减少了误检、漏检问题的发生,并可准确完成心率、心率变异性、身体疲劳度、精神疲劳度计算和常见心律失常分类。     

ECG beat classification using GreyART network

The grey relational grade is a similarity measure. On the basis of the grey relational grade, an adaptive resonant theory (ART) type network, GreyART, has been developed. When the GreyART is used to classify a dataset with varying amount of data, the measurement between two specific data in the dataset may vary since the measurement is affected by new added data. In this case, the grey relational grade is not a global measure. As the measurement varies, in the GreyART, it is hard to use a fixed vigilance threshold value for determining whether the current input data belong to one of the existing clusters or become the template of a new online-created cluster. A method to solve this problem has been proposed and then applied to develop an electrocardiogram (ECG) beat classifier. The proposed ECG beat classification involves two phases. One is the off-line learning phase. With the proposed performance index, the product of the classification accuracy and the partition quality, an optimal value for the vigilance threshold and the corresponding cluster centres from the learning results can be determined. The other is the online examining phase, which classifies the input ECG beats. In this phase, the vigilance threshold value and the initial cluster centres are the optimal ones obtained in the learning phase. Under these conditions, the GreyART network enables real-time classification of ECG beats. Simulation results show that the proposed network achieves a good accuracy with a good computational efficiency for ECG beat classification problems