[发明专利]基于频域双特征融合的脉搏波信号识别分类方法

权利要求书

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；

所述特征融合为将CNN模型输出的数据特征X与Densenet模型输出的数据特征Y进行并列拼接，具体如下：所述CNN模型输出的数据格式为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模型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：将二维矩阵Y转换成一维矩阵Y′_-＝[x₁₁,x₁₂,...,x_1n,x₂₁,...,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；

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；

将特征矩阵与X,Y矩阵在同一维度进行合并，得到最终分类模块的输入特征

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。

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。