![](https://img-blog.csdnimg.cn/20190918140012416.png?x-oss-process=image/resize,m_fixed,h_224,w_224)
基于雷达的疾病分类
文章平均质量分 89
1
zzqwtc
blog dot zzqwtc dot com
展开
-
Non-contact_Atrial_Fibrillation_Detection_using_a_24-GHz_Microwave_Doppler_Radar
Shintaro Izumi, Sho Murase, Itsumi Fukuda, Kenta Taki, Kazunori Toyama, Tadashi Inuzuka, Hideki Mochizuki, and Hiroshi Kawaguchi口老龄化导致的医疗费用增加已经成为一个社会问题。心血管疾病是护理的主要驱动力,因此迫切需要预防和对策。房颤(AFib)的估计患病率为总人群的2%,全球有1.4亿患者。由于AFib是认知能力下降和脑血管疾病事件的原因之一,因此需要早期发现和适当治疗。可穿戴设原创 2023-10-16 20:32:34 · 71 阅读 · 0 评论 -
Heartbeat monitoring with an mm-wave radar based on deep learning a novel approach for training ...
然后对重建的ECG波形进行平方,以获得更清晰和成形的R-R间期,如图4(a,c)所示。接下来,雷达信号必须被整形为与重构的ECG信号相似的特征,使得CNN可以适应整形的雷达信号并正确地检测AF。最终,4,000个正常和4,000个AF用于培训,500个正常和500个AF用于验证,500个正常和500个AF用于测试。具体而言,被称为公共特征提取方法(CFEM)的信号处理算法被设计为将ECG和雷达信号特征两者进行传递和结合,使得ECG数据集可以直接用于训练CNN以用于对雷达信号进行分类。原创 2023-10-13 23:04:45 · 81 阅读 · 0 评论 -
Segmentation_of_Radar-Recorded_Heart_Sound_Signals_Using_Bidirectional_LSTM_Networks
心脏活动引起的声音反映了心脏的健康和缺陷。然而,评估的有效性在很大程度上取决于医生的经验。最近,有研究表明,雷达系统可以记录心音,而不需要永久的接触。如下表所示,具有200个隐藏单元和如第III节所述配置的学习超参数的biLSTM网络确实是性能最好的网络。对于这种配置,实现了心音的总体F1评分为87.7%,F1 S1评分为95.8%。所有受试者的平均年龄为30.7岁,标准差为9.9岁。在该步骤期间,心音被分割成四个基本的时间相位 “S1” — “收缩期” — “S2” — “舒张期”(四分类问题)原创 2023-10-09 17:41:18 · 64 阅读 · 0 评论 -
Catch_Your_Breath_Simultaneous_RF_Tracking_and_Respiration_Monitoring_with_Radar_Pairs
恢复的富含特征的波形可以进一步帮助识别每个人的主体,从而改善跟踪的功能。使用Kmeans对编码器产生的潜在表示进行聚类,计算新实例与聚类中心的距离,如果大于阈值,则相应的轨迹被分类为异常,并被删除。映射到高斯分布,这样会具有连续的潜在空间。作者还设计了一种新的IQ变分编解码器 IQ-VED,以从识别出的非线性混合信号中恢复呼吸信号。需要注意的是,编码器的输入是多通道的,但是解码器的输出是单通道的(呼吸波形显然是一维的),选择使他们的绝对相关性最大的信号找到其对应的来自第二个雷达的第l个信号。原创 2023-01-10 17:15:50 · 334 阅读 · 1 评论