mcu-ai-CSDN博客

原创基于压电陶瓷传感器的智能枕头非侵入式生命体征监测

在本研究中，基于低成本的压电陶瓷传感器开发了一种新型智能枕头。它是通过将智能系统（由传感单元即压电陶瓷传感器、数据处理单元和GPRS通信模块组成）放置在形状记忆泡沫制成的枕头的空腔中来制造的。智能枕头的采样频率设置为1000 Hz，以更准确地捕捉信号，通过一系列成熟的算法推导出包括心率、呼吸频率和身体运动在内的生命体征，并将其发送到用户的应用程序中。验证实验结果表明，使用该智能枕头可获得较高的心率检测准确率（即99.18%）。

2024-04-29 16:17:44 699 2

原创 “MCU+AI”市场前景光明

对此，MCU资深产品经理王斌认为，在MCU中加入AI加速器后，可以从两方面着手，去平衡产品的低功耗与高效的AI计算能力之间的关系。芯片厂商需要在设计过程中进行权衡，确保在满足用户需求的同时，将MCU的制造复杂度和成本控制在可接受的范围内，并平衡功耗带来的负面影响。因此，在MCU有限的计算资源和存储空间基础上，实现高算力的AI功能具有一定挑战性。尽管MCU+AI的市场前景光明，现阶段在MCU中引入AI加速器仍存在一定的挑战性，需要芯片厂商在技术上做出平衡和优化，同时还要充分考虑用户需求和数据安全。

2024-04-29 15:37:17 304 1

原创基于助听器开发的一种高效的语音增强神经网络

虽然模型压缩技术是一个活跃的研究领域，但我们是第一个证明其有效性的RNN语音增强，使用剪裁和权重/激活的整型量化。我们还演示了状态更新跳跃，它可以减少计算负载。最后，我们对压缩模型进行感知评估，人类评分员对语音进行打分。结果显示，与基线相比，压缩模型的模型size和operation(操作)分别减少了11.9和2.9，在听力偏好上没有统计差异，只损失了0.55dB SDR。我们的模型实现了2.39ms的计算延迟，在10 ms的目标范围内，比之前的工作好351倍。

2024-04-29 15:30:49 532

原创基于毫米波雷达的手势识别算法

在本文中，我们利用一种新的数据处理方法和定制的人工卷积神经网络（CNN）设计了一个远程手势识别模型。首先，我们将手势分解为多个反射点，并提取它们的时空特征来描述手势的细节。其次，我们设计了一个CNN来分别学习提取特征的变化模式并输出识别结果。我们通过在商品毫米波雷达上实施，对我们提出的系统进行了全面评估。此外，我们还提供了更广泛的评估，以证明所提出的系统在几个现实世界场景中是实用的。

2024-04-29 15:25:10 1086 3

原创实时的语音降噪神经网络算法

我们提出了微小递归U-Net（TRU-Net），这是一种轻量级的在线推理模型，与当前最先进的模型的性能相匹配。TRU-Net的量化版本的大小为362千字节，足够小，可以部署在边缘设备上。此外，我们将小型模型与一种称为相位感知β-sigmoid掩模的新掩模方法相结合，该方法能够同时去噪和去混响。客观和主观评估的结果都表明，我们的模型可以在基准数据集上使用更少数量级的参数，实现与当前最先进模型的竞争性能。

2024-04-28 09:11:45 1342 5

原创基于神经网络的呼吸音分类算法

在这项工作中，我们提出了一种称为NMRNN的递归神经网络架构，该架构以端到端的方式进行训练，以同时检测呼吸周期中的噪声，并将肺部声音分为几个类别，如：正常、喘息、爆裂或喘息和爆裂。换句话说，我们的模型它本身决定了它应该使用什么信息以及从什么时间点进行呼吸声音的有效预测。该模型的关键特征是，它在不应用任何手部预处理阶段（如单个呼吸周期的切片）的情况下进行训练。通过广泛的测试，所提出的模型在最近发表的大型开放式肺部声音记录数据库上达到了最先进的性能。

2024-04-28 09:04:43 973 2

原创基于深度学习的鸟类声音识别系统

本文构建了一个包含264种鸟类的大数据集，以增强模型的泛化能力，然后提出了一个轻量级的鸟类声音识别模型，以MobileNetV3为骨干构建了一种轻量级的特征提取和识别网络。通过调整模型中的深度可分离卷积，提高了模型的识别能力。设计了一种多尺度特征融合结构，并在该结构中加入了金字塔分割注意力（PSA）模块，以提高网络对空间信息和通道信息的尺度提取的适应性。为了提高模型对全局信息的细化能力，在Bneck模块中引入了通道注意机制和普通卷积，使Bneck模型成为Bneck模。

2024-04-28 08:58:31 1305 1

原创基于神经网络的柯氏音血压计

本研究开发了一种新的基于端到端深度学习的算法，该算法直接从Korotkoff声音（KSs）序列而不是示波波形（OWs）来估计NIBP。首先，使用不同的信号分割技术形成KSs的片段序列，即，使用具有或不具有重叠的滑动窗口进行分割，以及使用心搏周期估计进行分割。然后将每个序列中的每个片段标记为1）收缩后和舒张前（AB）或2）收缩前或舒张后（BA），从而实现二元序列到序列的分类问题。

2024-04-28 08:51:27 989 1

原创基于毫米波雷达的手势识别神经网络

本文介绍了一种基于毫米波雷达的高精度、鲁棒的手势识别方法。该方法包括用毫米波雷达模块捕获手部运动的原始信号，并对接收到的雷达信号进行预处理，包括傅立叶变换、距离压缩、多普勒处理和通过运动目标指示（MTI）降噪。然后，将预处理后的信号输入卷积神经网络时域卷积网络（CNNTCN）模型，提取时空特征，并通过分类评估识别性能。实验结果表明，该方法在特定领域的识别中实现了98.2%的准确率，并在不同的神经网络中保持了一致的高识别率，表现出了卓越的识别性能和鲁棒性。

2024-04-28 08:43:45 2393 5

原创关键词识别神经网络

KWS的目标是在低误报(FA)率下最大化检测精度，同时最小化占用空间大小、延迟和复杂性。为了实现这些目标，我们研究了卷积循环神经网络(CRNN)。受到大规模最先进语音识别系统的启发，我们结合了卷积层和循环层的优势来利用局部结构和远程上下文。我们分析了架构参数的影响，并提出了提高性能的训练策略。我们的CRNN模型仅使用约230k参数，即可产生可接受的低延迟，并在0.5 FA/小时、5 dB信噪比下实现97.71%的准确度。

2024-04-27 16:11:55 772 1

原创环境声音分类的深度 CNN 模型

声音事件的分类精度与特征提取有很强的关系。本文将深度特征用于环境声音分类（ESC）问题。深层特征是通过使用新开发的卷积神经网络（CNN）模型的全连接层来提取的，该模型通过频谱图图像以端到端的方式进行训练。特征向量由所提出的CNN模型的全连接层串联而成。为了测试所提出方法的性能，将特征集作为输入传送到随机子空间K最近邻(KNN)集成分类器。在DCASE-2017 ASC和UrbanSound8K数据集上进行的实验研究表明，所提出的CNN模型的分类准确率分别为96.23%和86.70%。

2024-04-27 15:07:09 1343 5

原创轻便高效的音频分类神经网络

在本文中，我们提出了一种基于设备上深度学习的轻量级音频分类模型LEAN。LEAN由称为Wave Encoder的基于原始波形的时间特征提取器和基于logmel的预训练YAMNet组成。我们证明，结合使用可训练的波编码器、预训练的YAMNet以及基于交叉注意力的时间重新调整，可以在下游音频分类任务上获得具有竞争力的性能，同时占用更少的内存，从而使其适用于资源受限的设备，例如移动设备、边缘设备等。

2024-04-27 14:38:36 506 1

原创基于深度神经网络的婴儿哭声识别算法

在本文中，我们描述了RBN和CNN之间的混合系统，用于利用梅尔频率倒谱系数的特征来学习婴儿哭声识别的特定类别特征。通过验证所提出的婴儿哭声识别模型，我们对5种类型的婴儿哭声的准确率为78.6%。

2024-04-27 13:28:26 2431 6

原创咳嗽检测深度神经网络算法

在本文中，我们提出了一种使用改进的卷积神经网络（CNN）分析哮喘、支气管炎和百日咳发生时的咳嗽音频信号的方法。在此，使用巴特沃斯高通滤波器进行预处理，并使用MFCC进行特征提取。此外，使用咳嗽特征的训练数据集，使用改进的CNN完成了咳嗽声音的分类。使用Thing Speak物联网云网站，通过Wi-Fi通信技术将相应的标签发送给临床医生和护理人员。

2024-04-27 13:23:07 1102 1

原创利用深度循环神经网络对心电图降噪

我们提出了一种利用由长短期记忆(LSTM) 单元构建的深度循环神经网络来降噪心电图信号 (ECG) 的新方法。该网络使用动态模型 ECG 生成的合成数据进行预训练，并使用来自 Physionet PDB 心电图信号数据库的真实数据进行微调。结果表明，10层DRNN对于幅值0.2mV白噪声的真实信号去噪均方误差低至0.179，使其成为其他常用方法的可行替代方案。

2024-04-26 14:25:26 861 4

原创鼾声监测神经网络

我们设计了一种非接触式数据采集设备来记录受试者在私人卧室中的夜间睡眠呼吸音频，并提出了一种用于自动打鼾检测的混合卷积神经网络（CNN）模型。该模型由处理原始信号的一维（1D）CNN和表示通过可见性图方法映射的图像的二维（2D）CNN组成。在我们的实验中，我们的算法实现了89.3%的平均分类准确率、89.7%的平均灵敏度、88.5%的平均特异性和0.947的平均AUC，这超过了根据我们的数据训练的一些最先进的模型。

2024-04-26 14:16:04 2508 6

原创基于胎心仪的胎儿心脏诊断神经网络

我们共获取了4473条记录，其中正常记录 3012条，可疑记录1024条，异常记录437条。为了提高胎儿状态评估的准确性，将一维FHR记录分为10 个d窗段，然后使用卷积神经网络（CNN）并行处理数据。最后，我们采用投票的方式来确定胎心率记录的类别。我们还做了对比实验，采用基于基础统计的特征提取方法来提取胎心率的特征。然后将这些特征作为输入支持向量机（SVM）和多层感知器（MLP）进行分类。实验结果显示，SVM、MLP和CNN的分类准确率分别为79.66%、85.98%和93.24%。

2024-04-26 13:56:02 951 2

原创基于毫米波的人体跟踪和识别算法

在本文中，我们提出了RadHAR，这是一种使用稀疏和非均匀点云执行精确HAR的框架。RadHAR利用滑动时间窗口来累积毫米波雷达的点云，并生成体素化表示，作为分类器的输入。

2024-04-26 13:17:31 972 3

原创一种利用光电容积描记（PPG）信号和深度学习模型对高血压分类的新方法

提出了几种机器学习方法来对高血压的四个阶段进行分类。这里采用的分类方法是：Alexnet、Resnet -50、VGG-16和新的模型：AvgPool_VGG-16。使用这些算法时要考虑到数据集的数量和多样性。所使用的方法将在以下部分中详细阐述

2024-04-26 13:08:07 648 5

原创助听器降噪神经网络模型

本文介绍了一种用于实时语音增强的双信号变换LSTM 网络 (DTLN)，作为深度噪声抑制挑战 (DNS-Challenge) 的一部分。该方法将短时傅立叶变换 (STFT) 和学习分析和综合基础结合在堆栈网络方法中，参数少于一百万个。该模型使用挑战组织者提供的 500 小时的嘈杂语音进行训练。该网络能够进行实时处理（一帧输入，一帧输出）并达到有竞争力的结果。将这两种类型的信号变换结合起来，使 DTLN 能够从幅度谱中稳健地提取信息，并从学习的特征基础中合并相位信息。该方法显示了最先进的性能.

2024-04-25 14:15:33 1413 5

原创一种基于光电容积波的血压测量神经网络算法

我们提出了PPG2ABP，这是一种基于深度学习的方法，它能够根据输入PPG信号预测连续的ABP波形，平均绝对误差为4.604mmHg，同时保持形状、幅度和相位。然而，PPG2ABP更令人震惊的成功是，根据预测的ABP波形计算的DBP、MAP和SBP的值在几个指标下优于现有的工作，尽管PPG2ABP没有被明确训练为这样做

2024-04-25 14:10:41 460 1

原创一种新的基于机器学习的示波法血压估计方法

在这项研究中，数据集首先被重新标记。收缩期搏动标记为1，收缩期到舒张期的搏动标记为2，舒张期到结束标记为3。重新标记后，350个测量值，300个测量值分为训练数据子集，50个测量值分为测试数据子集。用300个子集训练分类器，生成分类器模型。利用生成的模型对测试数据子集中的脉冲序列进行分类。

2024-04-25 13:30:55 917 1

原创基于深度卷积神经网络的时间序列图像分类

卷积神经网络（CNN）通过从原始数据中自动学习层次特征表示，在图像识别任务中取得了巨大成功。虽然大多数时间序列分类（TSC）文献都集中在1D信号上，但本文使用递归图（RP）将时间序列转换为2D纹理图像，然后利用深度CNN分类器。时间序列的图像表示引入了1D信号不可用的不同特征类型，因此TSC可以被视为纹理图像识别任务。CNN模型还允许与分类器一起联合自动地学习不同级别的表示。因此，在统一的框架中使用RP和CNN有望提高TSC的识别率

2024-04-25 12:57:37 663 1

原创基于改进MFCC特征和卷积递归神经网络的心音分类

在本文中，我们提出了一种基于改进的梅尔频率倒谱系数（MFCC）特征和卷积递归神经网络的新心音分类方法。

2024-04-25 12:46:02 1116 1

原创基于光电容积波PPG和心电图ECG的连续血压估计深度学习模型

在本文中，我们提出了使用心电图（ECG）和光电体积描记图（PPG）的深度学习回归模型，用于实时估计收缩压（SBP）和舒张压（DBP）。

2024-04-24 16:44:08 1053

原创一种光电容积波PPG 转换到心电图ECG进行房颤检测的神经网络模型

在这里，我们提出了一种独立于主体的基于注意力的深度状态空间模型（ADSSM），将光电容积波PPG信号转换为相应的心电图波形进行房颤检测。

2024-04-24 16:34:59 638

原创利用神经网络对脑电图(EEG)降噪

这个示例展示了如何使用EEGdenoiseNet基准数据集和深度学习回归去除脑电图（EEG）信号中的眼电图（EOG）噪声。

2024-04-24 14:01:25 629

原创使用小波分析和深度学习对心电图 (ECG) 进行分类

此示例说明如何使用连续小波变换(CWT) 和深度卷积神经网络 (CNN) 对人体心电图 (ECG) 信号进行分类。

2024-04-24 13:52:12 1082 2

原创使用深度神经网络对心电图ECG 信号进行分类

此示例说明如何使用深度学习和信号处理对来自PhysioNet 2017 Challenge 的心电图 (ECG) 数据进行分类。具体而言，该示例使用长短期记忆网络和时频分析。

2015-03-22 21:47:52 146 1

laojinlaojinlaojin的专栏