針對脈搏波信號識別準確率低和實現(xiàn)復雜等問題,提出了一種基于脈搏波時頻域特征混疊的低復雜度分類算法。該算法首先基于卷積神經網絡（CNN）自動提取脈搏波信號時域特征,包括表征周期內信號片段特征的單周期特征和本文提出的表征周期間關系的多周期特征;然后,補充基于小波變換的梅爾倒譜系數(shù)作為頻域特征;最后,使用神經網絡全連接層將時頻域特征混疊、去冗余后,通過softmax分類器實現(xiàn)脈搏波分類。由于CNN權值共享和降維等特點,本文算法可通過低計算成本實現(xiàn)特征提取�；趐ython平臺的仿真驗證表明:本文算法對脈搏波的識別準確率可達93%,遠高于傳統(tǒng)的基于時域或頻域特征的識別準確率。 

【文章來源】：吉林大學學報(工學版). 2020,50(05)北大核心

【文章頁數(shù)】：8 頁

【文章目錄】：
0 引言
1 脈搏波信號的特征提取算法
    1.1 時域單周期特征提取
    1.2 時域多周期特征提取
    1.3 基于小波分析的MFCC提取
2 基于時頻域特征混疊的脈搏波分類
3 分類網絡的仿真驗證
    3.1 數(shù)據(jù)獲取及預處理
    3.2 仿真結果與分析
    3.3 討論
4 結束語


【參考文獻】：
期刊論文
[1]基于極限學習機的中醫(yī)脈象識別方法[J]. 陳星池,黃淑春,趙海,王曉漫.  東北大學學報(自然科學版). 2017(09)
[2]基于層次支持向量機的脈搏信號情感識別[J]. 杜昭慧,司玉娟.  吉林大學學報(信息科學版). 2017(01)
[3]基于小波分析的梅爾頻率倒譜參數(shù)[J]. 董麗娜,何怡,葉衛(wèi)平.  北京師范大學學報(自然科學版). 2015(05)
[4]基于動態(tài)差分閾值的脈搏信號峰值檢測算法[J]. 張愛華,王平,丑永新.  吉林大學學報(工學版). 2014(03)
[5]基于多特征參數(shù)綜合分析脈搏波信號失真度算法的實現(xiàn)[J]. 郭維,劉光達,張曉楓,王春民,楊宇.  吉林大學學報(工學版). 2012(04)
[6]脈搏波信號時域特征提取與算法的研究[J]. 唐銘一,李凱,馬小鐵.  計算機與現(xiàn)代化. 2010(04)
[7]脈搏波時域特征與血壓相關性的研究[J]. 徐可欣,王繼寸,余輝,杜非.  中國醫(yī)療設備. 2009(08)
[8]基于小波分析的聽覺濾波器組模型[J]. 高印寒,謝軍,梁杰,李強.  吉林大學學報(工學版). 2008(S1)
[9]關于脈圖的分析[J]. 柳兆榮,李惜惜.  中國科學（B輯 化學 生物學 農學 醫(yī)學 地學）. 1983(02)

碩士論文
[1]基于卷積神經網絡的脈搏分析方法研究[D]. 胡陽生.北京郵電大學 2018
[2]基于脈搏信號的人體脈搏特征參數(shù)的研究[D]. 馬佳輝.北京郵電大學 2018



本文編號：3023450