【技术实现步骤摘要】
本专利技术涉及一种脉搏波的分类识别方法，特别涉及一种基于pnn-lvq的特征权重自适应脉搏波分类方法，属于脉冲信号处理和健康信息数据处理。
技术介绍
1、中医通过诊断寸、关、尺等位置，诊断患者的身体状况，随着现代科学技术的发展，针对脉搏检查客观性的研究取得了很大的进展。脉搏诊断仪器基于中医理论，收集桡动脉的脉动信息，用于患者整体生理和病理信息分析。这些设备在脉冲采集中，将脉压和节拍转换为数字信号，记录了大量的脉搏波数据，这为利用机器学习技术进行特征信息分类识别提供了数据基础。而脉搏波的标注费力耗时，现有公开有标注脉搏波数据库的样本量不足以训练出一个高准确率、泛化性高的分类模型。脉搏波数据集的小样本特性导致监督学习训练出的分类模型特征表达能力不足，过拟合风险高。
2、由于脉搏波数据信号是心脏的搏动（振动）沿动脉血管和血流向外周传播而形成的，较为微弱，容易受运动、情绪以及其他信号干扰，因此需要对脉搏波数据进行预处理，而对脉搏波数据信号的采集与噪声滤波是较为困难的问题。另外脉搏波数据采集还存在定位困难的问题，若采用单个压力传感器采...
【技术保护点】
1.基于PNN-LVQ的特征权重自适应脉搏波分类方法，其特征是，包括步骤如下：
2.根据权利要求1所述的基于PNN-LVQ的特征权重自适应脉搏波分类方法，其特征是，步骤S2所述的预处理为采用零相位滤波器去除背景噪声，以及采用小波级联自适应滤波器去除基线漂移。
3.根据权利要求1所述的基于PNN-LVQ的特征权重自适应脉搏波分类方法，其特征是，步骤S3中降维处理过程是先计算样本的协方差矩阵的特征向量和特征值，取协方差矩阵的前n个特征值计算贡献度，取贡献度≥0.9的前p个特征值，然后根据特征值从上到下排列特征向量，形成一个矩阵P，特征提取后的p维向...
【技术特征摘要】
1.基于pnn-lvq的特征权重自适应脉搏波分类方法，其特征是，包括步骤如下：
2.根据权利要求1所述的基于pnn-lvq的特征权重自适应脉搏波分类方法，其特征是，步骤s2所述的预处理为采用零相位滤波器去除背景噪声，以及采用小波级联自适应滤波器去除基线漂移。
3.根据权利要求1所述的基于pnn-lvq的特征权重自适应脉搏波分类方法，其特征是，步骤s3中降维处理过程是先计算样本的协方差矩阵的特征向量和特征值，取协方差矩阵的前n个特征值计算贡献度，取贡献度≥0.9的前p个特征值，然后根据特征值从上到下排列特征向量，形成一个矩阵p，特征提取后的p维向量表示为u=px变换，x表示输入信号，输出信号u。
4.根据权利要求1所述的基于pnn-lvq的特征权重自适应脉搏波分类方法，其特征是，步骤s4所述的pnn概率神经网络结构包括输入层、隐含层、输出层，网络中间的两层为隐含层，模式层为第一隐含层，通过连接权重与输入层连接，求和层为第二隐含层，对第一隐含层的输出进行有选择地求和，最后一层为输出层；将输入向量传递给输入层，根据连接权重设置模式层神经元分配数，求和层有选择地的对模式层的输出进行求和，输出层通过竞争完成输入数据的分类。
5.根据权利要求1所述的基于pnn-lvq的特征权重自适应脉搏波分类方法，其特征是，步骤s5采用lvq网络包括输入层、竞争层、...
【专利技术属性】
技术研发人员：孙启玉，王停停，高亚欣，刘肖，刘晓芳，崔苗苗，
申请(专利权)人：山东锋士信息技术有限公司，
类型：发明
国别省市：
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。