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。     

基于相频特性的稳态视觉诱发电位深度学习分类模型

针对现有深度学习分类方法对稳态视觉诱发电位相位与频率信息利用不充分的问题,该文提出一种用于稳态视觉诱发电位(SSVEP)分类的卷积神经网络模型。该模型以经过快速傅里叶变换后的复向量作为输入,首先对各个导联的实部向量和虚部向量进行卷积,学习相位信息;随后引入空间注意力机制,对判别频率信息进行增强;然后使用2维卷积和最大池化层进一步提取空域和频域信息;最后使用全连接层进行分类。实验结果表明利用该方法在跨受试情况下准确率可达到81.21%,通过在训练集增加标准正弦信号模板准确率可进一步提升至83.17%,相比典型相关分析方法获得了更好的分类效果。     

分布定位式光纤振动传感系统的事件识别

本文提出了一种对分布式光纤声传感器的入侵事件分类方法.该方式采用小波包去噪方式对原始信号进行去噪;将去噪后的原始信号进行小波变换,得到原始信号的小波时频图;构建双输入型的卷积神经网络,将滤波后的原始一维信号直接输入到一个三层的1-D CNN中、滤波后得到的二维小波时频图直接输入到一个两层的2-D CNN中;将两种CNN输出的特征输入到支持向量机(SVM),使用SVM对事件进行分类.本文中主要识别3种振动事件:汽车通过、挖掘机挖掘和破路机工作.实验结果表明,所提方式对实际环境中3种振动事件的识别准确率平均可以达到96％,并且识别时间仅为0.61 s.     

分布定位式光纤振动传感系统的事件识别

本文提出了一种对分布式光纤声传感器的入侵事件分类方法.该方式采用小波包去噪方式对原始信号进行去噪;将去噪后的原始信号进行小波变换,得到原始信号的小波时频图;构建双输入型的卷积神经网络,将滤波后的原始一维信号直接输入到一个三层的1-D CNN中、滤波后得到的二维小波时频图直接输入到一个两层的2-D CNN中;将两种CNN输出的特征输入到支持向量机(SVM),使用SVM对事件进行分类.本文中主要识别3种振动事件:汽车通过、挖掘机挖掘和破路机工作.实验结果表明,所提方式对实际环境中3种振动事件的识别准确率平均可以达到96％,并且识别时间仅为0.61 s.     

基于集成学习与深度神经网络的心律失常智能诊断方法

心律信号异常能普遍反映心电活动的不正常状态,通过将心电图反映的心拍信号分类并应用到心律失常的临床诊断有着很好的研究价值。考虑心电信号(electrocardiogram,ECG)含有噪声,首先利用小波分解与重构并结合小波阈值法对心电信号滤波,其次采用小波变换的方法提取QRS波峰值点,在此基础上对心拍进行分割并按疾病类型构建不同类型的心拍数据集,然后基于具有多个长度不同的卷积核的深度神经网络对心律失常进行分类,最后基于集成学习的方法进一步提升心律失常智能诊断的性能。对比人工提取心电特征的方法,深度神经网络(convolutional neural network,CNN)能够表征不同类型心拍的形态信息,具有强特征表达能力,且对于外部噪声鲁棒,集成学习能够综合利用各个深度神经网络所提取特征达到提升诊断诊断率的目的。经过MIT-BIH心律失常数据库验证：该方法对六类心律失常识别的平均准确率为98.54%,对比单独使用CNN网络和BP神经网络,方法的准确率分别提高2.71%和9.88%。     

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。