【技术实现步骤摘要】
基于心电信号的改进密度卷积网络的疲劳状态检测方法
[0001]本专利技术设计涉及心电信号
(Electrocardiogram
,
ECG)
的分析检测领域,特别设计了基于
ECG
,使用深度卷积生成对抗网络
(Deep Convolutional Generative Adversarial Network
,
DCGAN)
数据增强和基于密度长短时记忆卷积神经网络
(DenseLSTMNet
,
DLNet)
的疲劳状态检测分类方法
。
技术介绍
[0002]我国的基础设施建设在不断进步中
。
这一方面使得公众的出行方式变得多样化,包括公交
、
地铁
、
共享单车和私家车等,其中私家车已经成为大多数人的首选出行方式
。
我国的道路交通安全问题在全球范围内是相当严重的
。
在交通事故的原因分析中,疲劳驾驶是一个不能被忽视的关键因素
。
据统计,疲劳驾驶导致的交通事故约占总事故的
20
%,仅次于酒驾和超速驾驶
。
疲劳驾驶可能导致意外伤害,对驾驶员
、
家人乃至国家都会带来不同程度的损失
。
统计数据显示,如果驾驶员在事故发生时能快速反应半秒,就能避免
60
%的事故
。
因此,开发一套适用于实际驾驶环境的疲 ...
【技术保护点】
【技术特征摘要】
1.
基于心电信号的改进密度卷积网络的疲劳状态检测方法,其特征在于:
(1)
利用
Pan
‑
Tompkin
算法将心电波截取出来;截取的方法是以
R
波波峰为中心,用一个尺寸为
50
的窗口进行截取,也就是取
R
波波峰左边
25
个点,右边
25
个点,这样得到的
R
波波峰段就是
50
个采样点;
(2)
使用
DCGAN
对
ECG
信号增强;
DCGAN
包含一个生成器网络和判别器网络;
1)
首先,生成了一个长度
100
的等差数列,范围从
‑
π
到
π
;这个数列会在后面的代码中用作生成噪声信号的横坐标;接下来,生成了一个形状为
128
×
100
的随机数矩阵,每个元素都是取自
[0
,
1)
区间的均匀分布;然后,将前面生成的等差数列经过正弦函数进行正弦变换,并乘以
0.9
;最后,通过将上述两个部分相加,得到噪声信号矩阵;这个噪声信号在生成器网络中可以作为输入,用于生成逼真的数据;
2)
生成器网络采用编码器和解码器结构;首先,输入层接收上一步生成的噪声信号并通过一个全连接层编码为向量,大小为
16
×
180
;然后,该向量通过三个上采样层分别将时间分辨率增加3倍,得到大小为
180
×
360、360
×
720
和
720
×
1440
的特征图;上采样是通过插值的方式实现的;在每个上采样层后,都跟随一个卷积层,用于提取时域特征;第一个卷积层包含
32
个卷积核,第二个卷积层包含
16
个卷积核,第三个卷积层包含8个卷积核,卷积核大小均为1×8,步长为1;最后一个卷积层包含1个卷积核,产生大小为
1440
×1的特征图;该特征图通过展平和一个全连接层调整为大小
180
×1,并使用
tanh
激活函数获得范围在
[
‑1,
1]
的输出,之后通过重塑层变换为与输入心电信号相同的形状
180
×1;
3)
判别器网络采用典型的卷积神经网络结构;第一层包含8个卷积核,卷积核大小为1×8,使用线性修正单元作为激活函数,并且丢弃层的丢弃率为
0.25
;然后是一个最大池化层,池化大小为1×3,步长为1,从而降低特征维度,减少计算量;第二层包含
16
个卷积核,第三层包含
32
个卷积核,卷积核大小和丢弃率与第一层相同,最大池化层的步长增加为2;同样,第四层包含
64
个卷积核,其他参数不变;最后,特征图通过展平层变换为一维向量,输入一个全连接层,输出一个值,表示输入心电信号的真实概率;该全连接层使用
sigmoid
激活函数;最后,将生成信号依次通过阻带频率阈值为
0.1
到
0.9
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。