基于一维卷积特征与手工特征融合的集成超限学习机心跳分类方法

融合手工特征和深度特征,提出了一种集成超限学习机心跳分类方法。手工提取的特征明确地表征了心电信号的特定特性,如相邻心跳时间间隔反映了心跳信号的时域特性,小波系数反映了心跳信号的时频特性。同时设计了一维卷积神经网络对心跳信号特征进行自动提取。基于超限学习机（Extreme leaning machine,ELM）,将上述特征融合进行心跳分类。由于ELM初始参数的随机给定可能导致其性能不稳定,进一步提出了一种基于袋装（Bagging）策略的多个ELM集成方法,使分类结果更加稳定且模型泛化能力更强。利用麻省理工心律失常公开数据集对所提方法进行了验证,分类准确率达到了99.02%,实验结果也表明基于融合特征的分类准确率高于基于单独特征的分类准确率。      

一种适用于微动敏感床垫的呼吸努力识别的新算法

本文提出了一种适用于微动敏感床垫的检测呼吸努力的新算法.该方法首先对胸冲击图进行预处理,突出其中呼吸努力的成分,然后利用基于呼吸努力的形态特征和幅度跨度相似性的算法,初步检测出呼吸努力,并在总结呼吸努力在床垫系统上动态响应的特点的基础上,提出了基于胸冲击积分信号自相关变换功率谱分布的呼吸努力校正方法,对呼吸努力进行校正.本方法的检测结果与食道内压的检测结果对比表明,本算法可以识别出典型的呼吸努力,并与食道内压检测结果对应性良好.     

低氧环境下血氧序列的多尺度熵分析

文章运用多尺度熵的方法,对低氧环境下血氧序列进行分析。研究发现,与传统的均值分析法相比,多尺度熵分析能反映机体适应低氧的动态过程;而与只在最小尺度上估计序列长度m与m+1之间不同的样本熵相比,多尺度熵计算时间序列在多个尺度上的样本熵值,体现了时间序列在尺度上的无规则度,可以更全面的提取血氧信号的有效信息。研究结果表明,多尺度熵的血氧序列分析能对人的低氧耐力进行辨识,是一种研究机体低氧调节过程的可靠分析方法。研究还发现,多次的低氧刺激会对人体产生习服作用,机体表现出对低氧环境的记忆性。