久热精品在线视频,思思96精品国产,午夜国产人人精品一区,亚洲成在线a

  • <sub id="y9mkp"></sub>
    <sub id="y9mkp"><ol id="y9mkp"><abbr id="y9mkp"></abbr></ol></sub>

    1. <style id="y9mkp"><abbr id="y9mkp"><center id="y9mkp"></center></abbr></style>
      <legend id="y9mkp"><u id="y9mkp"></u></legend>
      <s id="y9mkp"></s>

      基于DHMM的低心率變異性心音的分割方法

      許春冬; 周靜; 應冬文; 侯雷靜; 龍清華 江西理工大學信息工程學院; 贛州341000; 中國科學院聲學研究所語言聲學與內(nèi)容理解重點實驗室; 北京100190

      關鍵詞:心音分割 集合經(jīng)驗模態(tài)分解 高斯建模 時域特征 基于時間相關性的隱馬爾可夫模型 

      摘要:針對現(xiàn)有心音定位分割方法精度有限的難題,提出了一種對心率變異性較低的信號建模分割方法。首先,通過集合經(jīng)驗模態(tài)分解(Ensemble empirical mode decomposition,EEMD)使用有效的本征模態(tài)函數(shù)(Intrinsic mode function,IMF)分量來表征心音信號,提高心音信號的可分析性;然后,通過基礎心音與非基礎心音間的高斯約束關系建立高斯混合模型(Gaussian mixture model,GMM);接著,優(yōu)化隱馬爾可夫模型(Hidden Markov model,HMM)并建立基于時間相關性的隱馬爾可夫模型(Duration-dependent hidden Markov model,DHMM),更簡潔地描述分割模型,降低算法復雜度;最后,通過時域特征區(qū)分出s1,收縮期,s2和舒張期。將本文算法與經(jīng)典Hilbert算法和邏輯回歸的隱半馬爾科夫模型(Logistic regression hidden semi-Markov model,LRHSMM)算法進行了對比,實驗結(jié)果表明,本文算法的檢出正確率和運算耗時等評價指標更優(yōu)。

      數(shù)據(jù)采集與處理雜志要求:

      {1}基金項目:如果論文是項目成果,請按“項目名稱(項目號)”的形式寫出。項目名稱與項目號兩者都要有。

      {2}稿件應具有科學性、創(chuàng)新性和實用性,論點明確、論據(jù)可靠、數(shù)據(jù)準確、邏輯嚴謹、文字通順。

      {3}文中圖表或插圖請附清晰的原圖文件(tif. 或eps.格式,不低于600 像素)。

      {4}注釋是對論文中某一特定內(nèi)容的解釋或補充說明,用帶圈數(shù)字注于當頁頁腳。

      {5}稿件文字、標點、年代、數(shù)字等書寫方式均以國家有關規(guī)定為準。

      注:因版權方要求,不能公開全文,如需全文,請咨詢雜志社

      數(shù)據(jù)采集與處理

      北大期刊
      預計1-3個月審稿

      期刊主頁
      相關期刊
      我們的服務