摘要
为了快速获取人体脉搏信号完整特征信息,并快速准确识别脉搏特征信息与人体疾病关联表征.研究采用多周期脉搏时域特征和基于集合模态经验分解(EEMD)的希伯尔特黄变换(HHT)获取瞬时频率及幅值作为频域特征,把时域及频域特征进行融合作为卷积神经网络的输入进行人体脉搏特征的识别及分类.从MIT-BIH标准数据库中获取到3种临床症状的脉搏信号进行了实验分析,最后经过实验得到脉搏特征识别及分类准确率为91.88％.采用基于EEMD的HHT作为时域特征的补充,时频特征混合能够使得PPG脉搏信号完整的表征,并在卷积神经网络上进行分类实验,得到较好的分类效果.研究方法愿为临床诊断智能化发展、提高临床诊断的准确率及效率提供良好的促进作用.
NETL
NSTL
维普
万方数据