医疗健康
文章平均质量分 91
mcu-ai
开源、低功耗、低成本的人工智能硬件提供者
展开
-
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%)。原创 2024-04-29 16:17:44 · 673 阅读 · 2 评论 -
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。原创 2024-04-29 15:30:49 · 519 阅读 · 0 评论 -
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。原创 2024-04-28 09:04:43 · 962 阅读 · 2 评论 -
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。原创 2024-04-28 08:51:27 · 983 阅读 · 1 评论 -
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%。原创 2024-04-27 13:28:26 · 2245 阅读 · 5 评论 -
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。原创 2024-04-27 13:23:07 · 1097 阅读 · 1 评论 -
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。原创 2024-04-26 14:25:26 · 856 阅读 · 4 评论 -
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。原创 2024-04-26 14:16:04 · 1929 阅读 · 6 评论 -
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%。原创 2024-04-26 13:56:02 · 944 阅读 · 2 评论 -
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原创 2024-04-26 13:08:07 · 622 阅读 · 3 评论 -
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.原创 2024-04-25 14:15:33 · 1378 阅读 · 5 评论 -
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原创 2024-04-25 14:10:41 · 453 阅读 · 1 评论 -
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。原创 2024-04-25 13:30:55 · 913 阅读 · 1 评论 -
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的识别率原创 2024-04-25 12:57:37 · 637 阅读 · 1 评论 -
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。原创 2024-04-25 12:46:02 · 1080 阅读 · 1 评论 -
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)。原创 2024-04-24 16:44:08 · 1000 阅读 · 0 评论 -
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。原创 2024-04-24 16:34:59 · 629 阅读 · 0 评论 -
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。原创 2024-04-24 14:01:25 · 623 阅读 · 0 评论 -
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。原创 2015-03-22 21:47:52 · 143 阅读 · 1 评论 -
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。原创 2024-04-24 13:52:12 · 973 阅读 · 2 评论