基于频域双特征融合的脉搏波信号识别分类方法技术

本发明专利技术涉及一种基于频域双特征融合的脉搏波信号识别分类方法，采集患者的原始脉搏波数据首先进行时域脉搏数据预处理；预处理后时域脉搏数据转换为频域脉搏数据后再分别转换成一维倒谱系数与二维递归图；递归图通过Densenet模型提取特征，获得二维图像特征；倒谱系数通过CNN模型提取特征，获得一维数据特征；一维数据特征和二维图像特征送特征融合模块进行融合；融合特征送入分类模块进行识别与分类。充分考虑了脉搏信号中的高维非线性特性与非周期性的特性，能够获取脉搏特征中较为深层次的信息，解决了当前对脉搏波信号进行分类识别的方法未考虑到脉搏信号的高维非线性特性与非周期性特性而存在针对某些疾病分类准确率较低的问题。确率较低的问题。确率较低的问题。

【技术实现步骤摘要】
基于频域双特征融合的脉搏波信号识别分类方法


[0001]本专利技术涉及一种识别技术，特别涉及一种基于频域双特征融合的脉搏波信号识别分类方法。

技术介绍

[0002]中医脉诊具有两千多年的历史，中医从脉诊的角度分析，西医从ECG心电图信号分析，均可以发现心血管疾病患者的脉搏波中蕴含着丰富的生理、病理信息。可见，通过中医脉诊分析能够为心血管疾病的临床诊断提供切实的帮助。
[0003]目前脉搏信号分类方法中，单特征识别方法较多，一般采用卷积神经网络，循环神经网络等，均没有考虑过进行一维数据和二维图特征特征融合方法获取更多脉搏波的非周期性、非线性特征，无法充分挖掘脉搏波深层特征，降低了一些心血管疾病分类预测的准确率。

技术实现思路

[0004]为了进一步提高通过脉搏波判读疾病分类准确率，提出了一种基于频域双特征融合的脉搏波信号识别分类方法。
[0005]本专利技术的技术方案为：一种基于频域双特征融合的脉搏波信号识别分类方法，脉搏信号采集模块采集患者的原始脉搏波数据；原始脉搏波数据送入原始脉搏预处理模块进行时域脉搏数据预处理；预处理后时域脉搏数据送入频域特征转换模块，转换为频域脉搏数据，频域脉搏数据分别转换成一维倒谱系数与二维递归图；递归图通过Densenet模型提取特征，获得二维图像特征；倒谱系数通过CNN模型提取特征，获得一维数据特征；频域特征转换模块输出一维数据特征和二维图像特征送特征融合模块，进行特征融合；融合特征送入分类模块进行识别与分类。
[0006]进一步，所述预处理具体包括：
[0007]对原始脉搏信号使用移动平均滤波器进行平滑处理；
[0008]设置分解尺度，使用Sym8小波基对平滑处理后脉搏波信号进行小波分解，得到各细节分量与近似分量，设置阈值，对细节分量进行阈值处理，用处理后的各分量进行小波重构，得到去除噪声后的信号；
[0009]对进行去噪处理后的脉搏波信号进行降采样处理，将采样频率降到200Hz；对降采样后的脉搏波信号使用小波变换进行去除基线漂移处理。
[0010]进一步，所述递归图获得具体步骤：对预处理后的脉搏波信号进行分帧与加窗；将加窗后的数据进行快速傅里叶变换得到频谱；将得到的频谱转换成递归图。
[0011]进一步，所述倒谱系数获得具体步骤：设计Mel滤波器组对转换后频谱脉搏信号进行平滑与消除谐波，将处理后的数据计算每个滤波器组输出的对数能量；将得到的对数能量数据经过离散余弦变换得到倒谱系数。
[0012]进一步，所述特征融合为将CNN输出的数据特征X与Densenet输出的数据特征Y进
行并列拼接，具体如下：所述CNN网络输出的数据格式为X＝[x1,x2,x3,...,x
n
]的一维时间特征序列，其中，n为序列的固定长度，所述Densenet网络输出的数据格式为的二维特征矩阵，其中n为矩阵的长，m为矩阵的宽，采用基于卷积的特种融合方法：
[0013]将二维矩阵Y转换成一维矩阵Y
_
'＝[x
11
,x
12
,...,x
1n
,x
21
,...,x
2k
,...,x
mn
]；输出数据Z＝[X,Y
_
']，融合矩阵同时包含了原脉诊信号的频域信息的非周期性特征与MFCC频域特征；
[0014]对矩阵Z进行一维卷积操作，提取细节特征，得到一维矩阵矩阵长度与原特征矩阵X,Y保持一致；
[0015]将特征矩阵与X,Y矩阵在同一维度进行合并，得到最终分类网络的输入特征
[0016]进一步，所述分类模块为卷积神经网络，所述卷积神经网络包括卷积层、池化层、全连接层与输出层，所述卷积层用于提取合并后数据的细节特征，降低通道数量，卷积层包含多个卷积核，经过卷积层得到的数据只包含单通道特征；所述池化层用于压缩特征的长度，减小过拟合，保留主要特征并减少参数；所述全连接层包含两个线性层，第一线性层与第二线性层的神经元数量逐步递减，输入数据的形状为[samples,features]其中samples为一次输入神经网络的样本数量，features为融合特征的长度；第一线性层的形状为[features,linear1]，其中第二线性层的形状为[linear1,linear2],其中所述输出层的形状为[linear2,ouputs]，其中outputs为分类任务的任务数量，输出层神经元使用softmax激活函数，每个神经元的输出值作为该类别的预测概率，概率值最大的类别作为预测类别输出。
[0017]本专利技术的有益效果在于：本专利技术基于频域双特征融合的脉搏波信号识别分类方法，通过对脉搏波频域信号进行Mel倒谱系数转换，充分利用脉搏波频率信号的高维非线性、非周期性特征，为各种心血管疾病的脉诊提供参考。本专利技术提出的频域特征递归图变换是分析时间序列周期性、混沌性以及非平稳性的一个重要方法，可以揭示时间序列脉搏波波形内部结构，给出有关相似性、规律性、预测性的先验知识。递归图特征适合短时间序列数据分类，可以检验时间序列的平稳性、内在相似性。在此基础上，本专利技术还设计了一种基于图像分类和一维信号分类融合的脉搏波频域特征融合识别分类系统。采用基于卷积的多通道特征融合方法实现脉搏波多模态频域特征融合自主分类。
附图说明
[0018]图1为本专利技术脉搏波频域信号识别分类方法流程图；
[0019]图2为本专利技术方法预处理后的脉搏波时域
‑
频域信息转换流程示意图；
[0020]图3为本专利技术方法中特征融合示意图。
具体实施方式
[0021]下面结合附图和具体实施例对本专利技术进行详细说明。本实施例以本专利技术技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本专利技术的保护范围不限于下述的实施例。
[0022]本专利技术一实例中的基于频域双特征融合的脉搏波频域信号识别分类系统，包括脉搏信号采集模块、原始脉搏预处理模块、频域特征转换模块、特征融合模块、分类模块。
[0023]如图1所示流程图，所述脉搏信号采集模块用于采集患者的原始脉搏波数据；原始脉搏波数据送入原始脉搏预处理模块进行时域脉搏数据预处理，去噪；预处理后时域脉搏数据送入频域特征转换模块，转换为频域脉搏数据，频域脉搏数据分别转换成一维倒谱系数与二维递归图，递归图通过Densenet模型提取特征，获得二维图像特征；倒谱系数通过CNN模型提取特征，获得一维数据特征；频域特征转换模块输出一维数据特征和二维图像特征送特征融合模块，进行特征融合；融合特征送入分类模块进行识别与分类。
[0024]预处理后的所述脉搏信号包括多个周期的脉搏波曲线。域特征转换模块获取对多周期脉搏波曲线分帧后的信息，并将其转换成对应频谱。频域转换模块获得每一帧地频谱后将其分别转换成递归图与倒谱系数。所述递归图以灰度图像方式存储。
[0025]本专利技术通过对脉搏波频域信号进行Mel倒谱系数转换，充分本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于频域双特征融合的脉搏波信号识别分类方法，其特征在于，脉搏信号采集模块采集患者的原始脉搏波数据；原始脉搏波数据送入原始脉搏预处理模块进行时域脉搏数据预处理去噪；预处理后时域脉搏数据送入频域特征转换模块，转换为频域脉搏数据，频域脉搏数据分别转换成一维倒谱系数与二维递归图；递归图通过Densenet模型提取特征，获得二维图像特征；倒谱系数通过CNN模型提取特征，获得一维数据特征；频域特征转换模块输出一维数据特征和二维图像特征送特征融合模块，进行特征融合；融合特征送入分类模块进行识别与分类。2.根据权利要求1所述基于频域双特征融合的脉搏波信号识别分类方法，其特征在于，所述预处理具体包括：对原始脉搏信号使用移动平均滤波器进行平滑处理；设置分解尺度，使用Sym8小波基对平滑处理后脉搏波信号进行小波分解，得到各细节分量与近似分量，设置阈值，对细节分量进行阈值处理，用处理后的各分量进行小波重构，得到去除噪声后的信号；对进行去噪处理后的脉搏波信号进行降采样处理，将采样频率降到200Hz；对降采样后的脉搏波信号使用小波变换进行去除基线漂移处理。3.根据权利要求2所述基于频域双特征融合的脉搏波信号识别分类方法，其特征在于，所述递归图获得具体步骤：对预处理后的脉搏波信号进行分帧与加窗；将加窗后的数据进行快速傅里叶变换得到频谱；将得到的频谱转换成递归图。4.根据权利要求2所述基于频域双特征融合的脉搏波信号识别分类方法，其特征在于，所述倒谱系数获得具体步骤：设计Mel滤波器组对转换后频谱脉搏信号进行平滑与消除谐波，将处理后的数据计算每个滤波器组输出的对数能量；将得到的对数能量数据经过离散余弦变换得到倒谱系数。5.根据权利要求1至4中任意一项所述基于频域双特征融合的脉搏波信号识别分类方法，其特征在于，所述特征融合为将CNN输出的数据特征X与Densenet输出的数据特征Y进行并列拼接，具体如下：所述CNN网络输出的数据格式为X＝[x1,x2,x3,...,x
...

【专利技术属性】
技术研发人员：杨晶东，蔡书琛，燕海霞，解天骁，
申请(专利权)人：上海理工大学，
类型：发明
国别省市：