【技术实现步骤摘要】
本专利技术涉及一种信号处理方法及系统，尤其涉及一种基于压力传感器的心冲击信号识别方法及系统。
技术介绍
1、心冲击信号(bcg)是一种能反映人体心脏活动的生理信号，近些年在生物医学工程学获得了很大的关注。
2、心冲击信号作为反应心脏，呼吸，体动机械活动的生理信号，信号频率为0.05到20hz。心冲击信号可以采用压电传感器进行检测。一般是应用一条压电传感器，放在胸部或头部位置。
3、利用集成在床上的压电薄膜传感器可在人体无感的情况下采集bcg信号，但由于压力传感器的特性，无论是否有人压在传感器上，都会一直有振动信号输出。在复杂的应用环境中判断复合信号中是否包含bcg信号成为判断人是否在床的关键，而传统的判断方式都是基于简单的信号幅值或者基于傅里叶变换的检测，这两种方案在复杂环境中检测错误率高。
技术实现思路
1、为了解决现有技术中检测错误率高的问题，本专利技术提出一个基于有偏深度残差网络的粗检测与有偏传统机器学习分类器精检测相结合的识别方案，本专利技术的方法不仅可有效...
【技术保护点】
1.一种基于压力传感器的心冲击信号识别方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于压力传感器的心冲击信号识别方法，其特征在于，所述第一有偏学习模型是指训练时，模型主要关注查准率，次要关注查全率；并用约束系数来对模型的损失函数进行约束。
3.根据权利要求2所述的一种基于压力传感器的心冲击信号识别方法，其特征在于，所述查准率的表达式为：P＝TP/(TP+FP)，所述查全率的表达式为R＝TP/(TP+FN)；所述第一损失函数的表达式loss1＝(1-α·P+β·R)·H；
4.根据权利要求1所述的一种基于压力传感器的...
【技术特征摘要】
1.一种基于压力传感器的心冲击信号识别方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于压力传感器的心冲击信号识别方法，其特征在于，所述第一有偏学习模型是指训练时，模型主要关注查准率，次要关注查全率；并用约束系数来对模型的损失函数进行约束。
3.根据权利要求2所述的一种基于压力传感器的心冲击信号识别方法，其特征在于，所述查准率的表达式为：p＝tp/(tp+fp)，所述查全率的表达式为r＝tp/(tp+fn)；所述第一损失函数的表达式loss1＝(1-α·p+β·r)·h；
4.根据权利要求1所述的一种基于压力传感器的心冲击信号识别方法，所述原始波形特征包含原始片段相似度、原始片段绝对值之和与个体历史最小值之比、原始片段频谱包络线高峰与次高峰之比；所述低频滤波片段特征包含片段低频滤波后的自相关系数、片段低频滤波后的波形过零率特征。
5.根据权利要求4所述的一种基于压力传感器的心冲击信号识别方法，其特征在于，所述原始片段相似度的提取步骤包括：
6.根据权利要求4所述的一种基于压力传感器的心冲击信号识别方法，其特征在于，提取所述原始片段绝对值之和与个体历史最小值之比：其中x代表当前片段序列，w代表个体历史最小值片段序列。
7.根据权利要求1所述的一种基于压力传感器的心冲击信号识别方法，其特征在于，所述第二有偏学习模型是指在训练时，模型主要关注查全率，次要关注查准率；并通过约束系数和所述第一损失函数对所述第二有偏学习模型的第二损失函数进行重新构造。
8.根据权利要求7所述的一种基于压力传感器的心冲击信号识别方法，其特征在于，所述查全率的表达式为：r＝tp/(tp+fn)；所述查准率的表达式为：p＝tp/(tp+fp)，所述第二损失函数的表达式为：loss2＝(1-α·r+β·p)·l；r为查全率；p为查准率；tp为预测结果为在床，实际标记也为在床；fp为预测结果为在床，实际标记为离床；fn为预测结果为离床，实际标签为在床；loss2代表分类器损失函数，α，β为约束系数，l代表选定分类器原有损失函数。
9.根据权利要求8所述的一种基于压力传感器的心冲击信号识别方法，其特征在于，所述第一有偏学习模型和所述第二有偏学习模型在标准的resnet-18的输出层增加一层卷积网络。
10.一种基于压力传感器...
【专利技术属性】
技术研发人员：李红文，朱震宇，陈鑫，王家冬，
申请(专利权)人：浙江麒盛数据服务有限公司，
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。