【技术实现步骤摘要】
本专利技术属于机器学习领域，具体涉及一种基于融合时频特征的集成学习心音分类方法。
技术介绍
1、现在的心音分类技术大致可分为两类，基于深度学习的分类方法和基于传统机器学习的分类方法。在过去几年中，深度学习已成为大多数ai类型问题的首选技术，掩盖了传统的机器学习。其中明显的原因是深度学习已经在包括图像处理、自然语言、模式识别等在内的各种各样的场景中多次优异的表现。但传统机器学习仍具有一定优势。为了实现较高的准确度，深度学习往往需要非常巨大的数据集。但对于许多应用来说，庞大的数据集是难以获得的。而在较小的数据集上，传统的机器学习算法通常比深度学习更加优秀。同时，为了在合理时间内训练完大量数据集，深度学习需要使用高端gpu，这些gpu是一笔不小的开支，但是如果没有它们，就很难实现高性能的深度网络。经典的机器学习算法只需要一个不错cpu就能够完成模型的训练，并不像深度学习一样对硬件有较高的要求。而且由于机器学习的计算成本不高，使得其可以在较短的时间里更快地迭代，并尝试多种不同的技术。另一方面，深度学习就像是一个“黑盒子”，即使是现在，大部分研究...
【技术保护点】
1.一种基于融合时频特征的集成学习心音分类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于融合时频特征的集成学习心音分类方法，其特征在于，所述步骤1中，对原始心音数据进行降噪分割的预处理方法包括以下分步骤：
3.根据权利要求1所述的基于融合时频特征的集成学习心音分类方法，其特征在于，所述步骤2中，计算候选的时域特征的方法具体为：
4.根据权利要求1所述的基于融合时频特征的集成学习心音分类方法，其特征在于，所述步骤2中，计算候选的频域特征的方法具体为：
5.根据权利要求1所述的基于融合时频特征的集成学习心音分...
【技术特征摘要】
1.一种基于融合时频特征的集成学习心音分类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于融合时频特征的集成学习心音分类方法，其特征在于，所述步骤1中，对原始心音数据进行降噪分割的预处理方法包括以下分步骤：
3.根据权利要求1所述的基于融合时频特征的集成学习心音分类方法，其特征在于，所述步骤2中，计算候选的时域特征的方法具体为：
4.根据权利要求1所述的基于融合时频特征的集成学习心音分类方法，其特征在于，所述步骤2中，计算候选的频域特征的方法具体为：
5.根据权利要求1所述的基于融合时频特征的集成学习心音分类方法，其特征在于，所述步骤3中，计算候选的时域特征和...
【专利技术属性】
技术研发人员：桑永胜，刘珂岐，袁磊，吕建成，吴刚，廖宇翔，
申请(专利权)人：四川大学，
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。