[go: up one dir, main page]

CN109325402B - 一种信号处理方法、系统及计算机存储介质 - Google Patents

一种信号处理方法、系统及计算机存储介质 Download PDF

Info

Publication number
CN109325402B
CN109325402B CN201810885632.9A CN201810885632A CN109325402B CN 109325402 B CN109325402 B CN 109325402B CN 201810885632 A CN201810885632 A CN 201810885632A CN 109325402 B CN109325402 B CN 109325402B
Authority
CN
China
Prior art keywords
signal
useful
sampling
slope
processing method
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810885632.9A
Other languages
English (en)
Other versions
CN109325402A (zh
Inventor
王超
谭曾
麻正宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Gaoweidu Shenzhen Biological Information Intelligent Application Co ltd
Original Assignee
Gaoweidu Shenzhen Biological Information Intelligent Application Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Gaoweidu Shenzhen Biological Information Intelligent Application Co ltd filed Critical Gaoweidu Shenzhen Biological Information Intelligent Application Co ltd
Priority to CN201810885632.9A priority Critical patent/CN109325402B/zh
Publication of CN109325402A publication Critical patent/CN109325402A/zh
Application granted granted Critical
Publication of CN109325402B publication Critical patent/CN109325402B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Signal Processing (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种信号处理方法、系统及计算机存储介质，包括以下步骤：S1、接收信号提取单元发送的原始信号，并提取任意一周期的有用信号对应的若干有用采样信号；S2、依照时间顺序依次对有用采样信号与一历史数据进行合并运算，以输出有用信号对应的可用运算结果；S3、对运算结果进行确认，以确认是否对有用信号及其对应的运算结果进行训练。实施本发明能够增加对当前用户的在线学习能力，让信号处理过程能够更加准确的适应当前用户的信号特征并输出更能满足用户需求的结果。

Description

一种信号处理方法、系统及计算机存储介质
技术领域
本发明涉及信号处理技术领域，更具体地说，涉及一种信号处理方法、系统及计算机存储介质。
背景技术
现有的信号处理过程中，尤其是在利用生物学的人机交互系统中，对人机生物学信号的处理通常采用适用单片机等模块，通过采集众多的具有普遍特征的用户数据，进行训练学习，然后把训练的数据作为模板，用来产品上或者信号处理过程中。产品在信号处理过程中，该模板数据是不会更新的，产品的信号处理过程不会随着用户的使用时间，向更好、更准确的方向进行进化。
发明内容
本发明要解决的技术问题在于，针对现有技术的上述现有技术缺陷，提供一种信号处理方法、系统及计算机存储介质。
本发明解决其技术问题所采用的技术方案是：构造一种信号处理方法，包括以下步骤：
S1、接收信号提取单元发送的原始信号，并提取任意一周期的有用信号对应的若干有用采样信号；
S2、依照时间顺序依次对所述有用采样信号与一历史数据进行合并运算，以输出所述有用信号对应的可用运算结果；
S3、对所述运算结果进行确认，以确认是否对所述有用信号及其对应的运算结果进行训练。
优选地，在所述步骤S4中，所述对所述有用采样信号与一历史数据进行合并运算过程中，还进行：
通过一初始训练数据对所述有用采样信号进行运算。
优选地，当确认对所述有用信号及对应的运算结果进行训练时，所述方法还包括：
S4、对所述有用信号及对应的运算结果设置一预设标准，并根据所述预设标准对所述有用信号及对应的运算结果进行训练，输出满足所述预设标准的训练数据；
S5、将所述训练数据设置为新的初始训练数据，并返回执行步骤S1。
优选地，在所述步骤S2中，所述历史数据包括所述任一有用采样信号之前的所有有用采样信号对应的运算结果。
优选地，在所述步骤S1中，所述提取任意一周期的有用信号对应的若干有用采样信号包括：
S1-1、对所述原始信号进行预处理以获取包含所述有用信号的第一信号；
S1-2、以一预设采样速率对所述第一信号进行采样，以获取若干采样信号；
S1-3、获取所述第一信号中持续一预设时长的恒定信号，以所述恒定信号为基准信号监测所述采样信号的斜率，并通过所述斜率变化获取所述有用信号对应的有用采样信号。
优选地，在所述步骤S1-3中，所述通过所述斜率变化获取所述有用信号对应的有用采样信号包括：
S1-301、获取所述斜率从零开始变化过程中，所述斜率为零时的采样信号对应的时间点；
S1-302、获取所述时间点中，其中所述斜率从零开始变化时的第一时间点，及其后所述斜率变化过程中经过零点时的第二时间点；
S1-303、计算所述第一时间点和所述第二时间点的中间点，获取所述中间点之前第一特定时长t1内的第一采样信号，及所述中间点之后第二特定时长t2内的第二采样信号；所述第一采样信号和所述第二采样信号合并形成一个周期的有用采样信号。
优选地，在所述步骤S1-3中，在所述获取所述有用信号对应的有用采样信号之前；还执行：
S1-311、获取所述斜率从零开始变化过程中，所述斜率为最大值时对应的第三采样信号，和所述斜率为最小值时对应的第四采样信号；
S1-312、根据所述第三采样信号和所述第四采样信号与所述基准信号的差值确认所述第一信号中包含所述有用信号。
优选地，在所述步骤S1-1中，所述对所述原始信号进行预处理包括：对所述原始信号进行滤波和归一化。
本发明还构造一种信号处理系统，包括：处理器、存储器，
所述存储器，用于存储程序指令，
所述处理器，用于根据所述存储器所存储的程序指令执行上面任意一项所述的信号处理方法。
本发明还构造一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序比处理器执行时实现上面任意一项所述的信号处理方法。
实施本发明的一种信号处理方法、系统及计算机存储介质，具有以下有益效果：增加对当前用户的在线学习能力，让信号处理过程能够更加准确的适应当前用户的信号特征并输出更能满足用户需求的结果。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明一种信号处理方法第一实施例的程序流程图；
图2为一原始信号示意图；
图3为原始信号与第一信号对比示意图；
图4是本发明一种信号处理方法第二实施例的程序流程图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。
如图1所示，在本发明的一种信号处理方法的第一实施例中，包括以下步骤，S1、接收信号提取单元发送的原始信号，并提取任意一周期的有用信号对应的若干有用采样信号；具体的，如图2所示，在获取到原始信号中，包含了平时人体在非正常动作模式下产生的、不需进行解析的信号，既可以理解为不含有有用信息的无用信号，如图3所示，可以通过预处理动作将该非正常动作模式下产生的信号进行滤除，保留其中的与人体正常动作下产生的生物学信号即可以理解为带有有用信息的有用信号，在这里可以提取任意一周期的有用信号对应的若干有用采样信号。还可以理解，这里的原始信号或者生物学信号可以包括人体各个部位的肌肉电流波形、脑电波形、心电波形等等。这里信号提取单元可以是各种信号传感器。
S2、依照时间顺序依次对有用采样信号与一历史数据进行合并运算，以输出有用信号对应的可用运算结果；具体的，预设一个历史数据库，按照时间顺序依次处理有用采样信号，例如当对一有用采样信号进行处理时，将该有用采样信号与历史数据库中的数据进行合并，生成一组输入数据，然后对该输入数据进行计算，经过计算后得到输出结果。运行结果是对输入信号与可能的输出信号的匹配程度进行打分，输出函数会给出与每一种输出信号匹配的分数，分数范围可以设置为0～1的任意小数。我们可以设置，当匹配分数达到0.6以上才认为输入的参数是目标信号，如果输出的几种产品分数都大于0.6，则选择分数最大的那一个结果来作为当前输入数据的识别结果。输出结果是：当前输入的数据，与标准的集中类型数据的匹配度。匹配度为1时，代表完全匹配相同，这个神经网络的识别系统就是一个打分系统。就是会计算出输入数据和各种标准数据之间的相似度数值。
这里还可以理解，合并运算过程中，在将任一有用采样信号对应的运算结果同历史数据合并，形成新的历史数据。在信号处理过程中，获取可用的运算结果后，会将该运算结果及其对应的有用采样信号同历史数据合并，形成新的历史数据，这样，在依照时间顺序进行下一个有用采样信号的信息处理时，可以基于新的历史数据进行合并计算，以获取更加准确地计算结果，这里可以理解，合并和计算过程是循环的，直到一个信号周期内的所有有用采样信号处理完成。
S3、对运算结果进行确认，以确认是否对有用信号及其对应的运算结果进行训练。具体的，根据上面描述，当确认该计算结果为可用结果，就将该有用信号及对应的可用结果送入训练器进行训练。通过该训练的确认过程获取较好的人机交互以便吸引用户参与，让更多的贴近该用户的数据进入训练，对信号处理过程中的处理网络进行进化训练，以获取更贴近该用户的信号特征。
进一步的，在步骤S4中，对有用采样信号与一历史数据进行合并运算过程中，还进行：通过一初始训练数据对有用采样信号进行运算。具体的，在用户信号进行处理的过程中，采用现有的初始训练数据对有用采样信号进行运算，在这里，当第一次对用户信号处理时，可以对默认样本数据进行训练，获取对应的初始训练数据也可以理解为初始的训练结果，通过该训练结果优化信号处理过程的中处理网络。
进一步的，如图4所示的实施例中，当确认对有用信号及对应的运算结果进行训练时，方法还包括：
S4、对有用信号及对应的运算结果设置一预设标准，并根据预设标准对有用信号及对应的运算结果进行训练，输出满足预设标准的训练数据；具体的，在训练过程中，训练器会把输入的数据进行神经网络学习的运算操作，该操作会反复运行，修改本神经网络里面的参数，直至训练器输出的结果满足要求，即得到满足要求的训练数据，这里通常在训练器对有用信号及对应的运算结果进行训练之前，先根据历史训练数据对当前运算结果对应的目标训练数据进行一个预判，设定一个对应的标准，这里可以理解，因为该信号输入的运算结果是用户进行确认过的，那代表用户对信号输入的运算结果的认可，那么对其设定的标准通常高于现有的训练数据即初始训练数据，当训练器收到训练的目标，会在其内部经过反复训练，直至输出的结果满足训练目标，即得到满足要求的训练数据，那么将于该训练数据对应的网络参数发送至信号处理过程中处理网络。
S5、将训练数据设置为新的初始训练数据，并返回执行步骤S1。具体的，当训练数据满足目标要求，就可以更新信号处理过程中初始训练数据，将该数据更新后，后面新的信号处理过程中，就可以通过更新后的训练数据，进行新的信号处理。
进一步的，在步骤S2中，历史数据包括任一有用采样信号之前的所有有用采样信号对应的运算结果。具体的，在对有用采样信号的运算结果进行计算时，其是基于历史数据进行合并计算，那么任意一个有用采样信号的运算都是基于其前一个有用采样信号的运算结果，这里也可以理解，任一有用采样信号计算过程中，其采用的历史数据是包含了其前面的所有有用采样信号的运算结果的。
进一步的，在步骤S1中，提取任意一周期的有用信号对应的若干有用采样信号包括：
S1-1、对原始信号进行预处理以获取包含有用信号的第一信号；具体的，如图2所示，在获取到原始信号中，包含了平时人体在非正常动作模式下产生的、不需进行解析的信号，既可以理解为不包含有用信息的无用信号，如图3所示，可以通过预处理动作将该非正常动作模式下产生的信号进行滤除，保留其中的与人体正常动作下产生的生物学信号即可以理解为带有有用信息的有用信号，形成不不包含无用信号的第一信号。
S1-2、以一预设采样速率对第一信号进行采样，以获取若干采样信号；具体的，对第一信号进行采样，获取满足预设规律的若干采样信号，这里的预设规律可以通过预设采样速率来控制，保证采用过程中不会出现有用信号的丢失，同时也尽量避免采样过程中占用过多的资源，增加信号处理过程中的处理负担。例如在具体过程中，动作类型不同，眼电信号的波峰或波谷的比值不同，这里采样速率一般根据正常的动作速度，设定一个正常动作下面的信号的频率范围为合法的频率范围，当用户的动作太慢或者太快，超过这个范围，都会被当做无效信号滤除。
S1-3、获取第一信号中持续一预设时长的恒定信号，以恒定信号为基准信号监测采样信号的斜率，并通过斜率变化获取有用信号对应的有用采样信号。具体的，对第一信号进行一段时间的平均数值计算，识别出第一信号中在没有任何有用信号，也没有任何杂波等干扰情况下，信号的幅度数值。这里可以理解该幅度数值应该是一个恒定数值，在以时间为X轴，采样点信号幅度数值为Y轴的波形图上，这里将恒定数值定义为恒定信号。这里恒定信号可以理解为持续一段时间的幅度变换在允许范围内或幅度变化很小的信号，而不是局限于绝对恒定。这里主要是考虑到每个人的电阻率不同，接触位置也可能不同，这样即使没有任何动作，从用户获取的信号不一样，这里可以取用户没有任何动作的时候的持续电平为该恒定信号，例如通用的可以取5s，对5s内的信号电平取平均。通常的由于有用信号的周期比较固定，为了最大化减少杂波的影响，可以将该恒定信号设定为基准信号，然后通过计算各个采样信号与基准信号的斜率，并计算各个斜率的变化，通过斜率的变化来判断一个完整的有用信号周期，即可以对应到一个完整周期中的有用采样信号。
进一步的，在步骤S1-3中，通过斜率变化获取有用信号对应的有用采样信号包括：
S1-301、获取斜率从零开始变化过程中，斜率为零时的采样信号对应的时间点；具体的，当以基准信号为参考，计算采样信号的斜率时，当没有有用采样信号时，可以计算得到的斜率几乎不变，当开始为有用采样信号时，其斜率开始变化，当在有用采样信号的周期内，会出现多次斜率为零的状态。记录斜率变化过程中，斜率为零时的时间点。
S1-302、获取时间点中，其中斜率从零开始变化时的第一时间点，及其后斜率变化过程中经过零点时的第二时间点；具体的，斜率为零时的时间点，当这个时间点出现在斜率刚开始变化的过程中，这个时间点即为有用采样信号的近似起始点，这里的斜率变化可以是从零开始增加，也可以是从零开始减小到负值，例如，当有用信号是波峰时，其斜率变化是增加，当有用信号是波谷时，其斜率变化是减小。当经过了有用采样信号的近似起始点，其斜率变化中由于波峰或者波谷的存在，会接着出现经过斜率为零的时间点即第二时间点，也可以理解为一个波峰或者波谷的结束点。
S1-303、计算第一时间点和第二时间点的中间点，获取中间点之前第一特定时长t1内的第一采样信号，及中间点之后第二特定时长t2内的第二采样信号；第一采样信号和第二采样信号合并形成一个周期的有用采样信号。具体的，在获取了时间点，求两个时间点的中间点，则可以理解为获取了该波峰或者波谷的中间点或者为近似的中间点，对该中间点向前扩展一个特定时长t1，并向后扩展另一个特定时长t2，获取两个特定时长之间的采样信号，那么可以将两个特定时长之间的所有采样信号定义为有用采样信号，两个特定时长的和即为一个有用信号的周期。
这里，第二特定时长t2或等于第一特定时长t1的三倍。为了使整个有用信号包含在上面获得一个有用信号周期内，可以按照通用的信号波形规律，将第二特定时长t2设置为大于或等于第一特定时长t1的三倍。
还可以理解，第一特定时长t1为中间点与第一时间点的差值。在理想的情况下，通常可以将中间点与第一时间点的差值定义为一个波峰或波谷的半周期，那么在通过中间点往前扩展一特定时长t1时，可以理解为只需要扩展该波峰或波谷的半周期，扩展到波峰或波谷的起始点即可。那么其向后扩展三个特定时长t1即可构成一个完整的有用信号周期。
进一步的，在步骤S1-3中，在获取有用信号对应的有用采样信号之前；还执行：
S1-311、获取斜率从零开始变化过程中，斜率为最大值时对应的第三采样信号，和斜率为最小值时对应的第四采样信号；S1-312、根据第三采样信号和第四采样信号与基准信号的差值确认第一信号中包含有用信号。具体的，由于有用信号的周期比较固定。为了最大化减少杂波的影响，可以通过斜率的变化来判断信号是否达到波峰或者波谷。例如，当斜率最大时，则可以判定为信号的波峰，当斜率最小时，可以判定为信号的波谷，在获取到信号的波峰或者波谷后，通过该波峰或波谷幅度数值与基准信号的差值这是否是一个有用信号的波峰或者一个有用信号的波谷。此外这里，当判断出多个波峰或者波谷时，还可以通过波峰或者波谷与基准信号的差值来判断这多个波峰或者波谷的信号是同一类别有用信号还是不同类别的有用信号。如图2所示有用信号A和有用信号B分别为两种眼睛动作生成的有用信号，可以看出其由于产生的原因不同，信号存在差异，在信号处理过程中，需要把获取到的可能是有用信号A和有用信号B的数据周期内的有用采样信号，进行网络识别，以此来获取该有用采样信号与两种标准信号的相似程度。然后通过网络识别分别将比较标准的两类信号的正样本即能够被识别为对应关系的采样信号进行识别训练。同时也可以将完全不是两类信号即不能被是被为对应关系的采用信号进行约束训练的。
进一步的，在步骤S1-1中，对原始信号进行预处理包括：对原始信号进行滤波和归一化。具体的，对获取的原始信号的处理包括滤波和归一化，通过滤波和归一化之后，可以滤除其中的明显属于非正常动作模式下的信号。
另，本发明的一种信号处理系统，包括：处理器、存储器，存储器用于存储程序指令，处理器用于根据存储器所存储的程序指令执行上面任一所述方法的步骤。这里信号处理系统包括但不局限于计算机等。
另，本发明的一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上面任意所述方法的步骤。这里计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。
可以理解的，以上实施例仅表达了本发明的优选实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制；应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，可以对上述技术特点进行自由组合，还可以做出若干变形和改进，这些都属于本发明的保护范围；因此，凡跟本发明权利要求范围所做的等同变换与修饰，均应属于本发明权利要求的涵盖范围。

Claims (8)

1.一种信号处理方法，其特征在于，包括以下步骤：
S1、接收信号提取单元发送的原始信号，并提取任意一周期的有用信号对应的若干有用采样信号；
S2、依照时间顺序依次对所述有用采样信号与一历史数据进行合并运算，以输出所述有用信号对应的可用运算结果；其在合并运算过程中，将有用采样信号与历史数据库中的数据进行合生成输入数据，并通过一初始训练数据和神经网络对所述输入数据进行运算，基于该神经网络对所述输入数据计算打分，获取匹配度达到设定值的输入数据为可用运算结果；
S3、获取所述可用运算结果，对所述有用采样信号及其对应的可用运算结果进行训练；
其中，在所述步骤S1中，所述提取任意一周期的有用信号对应的若干有用采样信号包括：
S1-1、对所述原始信号进行预处理以获取包含所述有用信号的第一信号；
S1-2、以一预设采样速率对所述第一信号进行采样，以获取若干采样信号；
S1-3、获取所述第一信号中持续一预设时长的恒定信号，以所述恒定信号为基准信号监测所述采样信号的斜率，并通过所述斜率变化获取所述有用信号对应的有用采样信号。
2.根据权利要求1所述的信号处理方法，其特征在于，当确认对所述有用信号及对应的运算结果进行训练时，所述方法还包括：
S4、对所述有用信号及对应的运算结果设置一预设标准，并根据所述预设标准对所述有用信号及对应的运算结果进行训练，输出满足所述预设标准的训练数据；
S5、将所述训练数据设置为新的初始训练数据，并返回执行步骤S1。
3.根据权利要求1所述的信号处理方法，其特征在于，在所述步骤S2中，所述历史数据包括任一所述有用采样信号之前的所有有用采样信号对应的运算结果。
4.根据权利要求1所述的信号处理方法，其特征在于，在所述步骤S1-3中，所述通过所述斜率变化获取所述有用信号对应的有用采样信号包括：
S1-301、获取所述斜率从零开始变化过程中，所述斜率为零时的采样信号对应的时间点；
S1-302、获取所述时间点中，其中所述斜率从零开始变化时的第一时间点，及其后所述斜率变化过程中经过零点时的第二时间点；
S1-303、计算所述第一时间点和所述第二时间点的中间点，获取所述中间点之前第一特定时长t1内的第一采样信号，及所述中间点之后第二特定时长t2内的第二采样信号；所述第一采样信号和所述第二采样信号合并形成一个周期的有用采样信号。
5.据权利要求1所述的信号处理方法，其特征在于，在所述步骤S1-3中，在所述获取所述有用信号对应的有用采样信号之前；还执行：
S1-311、获取所述斜率从零开始变化过程中，所述斜率为最大值时对应的第三采样信号，和所述斜率为最小值时对应的第四采样信号；
S1-312、根据所述第三采样信号和所述第四采样信号与所述基准信号的差值确认所述第一信号中包含所述有用信号。
6.根据权利要求1所述的信号处理方法，其特征在于，在所述步骤S1-1中，所述对所述原始信号进行预处理包括：对所述原始信号进行滤波和归一化。
7.一种信号处理系统，其特征在于，包括：处理器、存储器，
所述存储器，用于存储程序指令，
所述处理器，用于根据所述存储器所存储的程序指令执行权利要求1-6中任意一项所述的信号处理方法。
8.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序比处理器执行时实现如权利要求1-6任意一项所述的信号处理方法。
CN201810885632.9A 2018-08-06 2018-08-06 一种信号处理方法、系统及计算机存储介质 Active CN109325402B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810885632.9A CN109325402B (zh) 2018-08-06 2018-08-06 一种信号处理方法、系统及计算机存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810885632.9A CN109325402B (zh) 2018-08-06 2018-08-06 一种信号处理方法、系统及计算机存储介质

Publications (2)

Publication Number Publication Date
CN109325402A CN109325402A (zh) 2019-02-12
CN109325402B true CN109325402B (zh) 2022-04-15

Family

ID=65263352

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810885632.9A Active CN109325402B (zh) 2018-08-06 2018-08-06 一种信号处理方法、系统及计算机存储介质

Country Status (1)

Country Link
CN (1) CN109325402B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110488278B (zh) * 2019-08-20 2021-07-27 深圳锐越微技术有限公司 多普勒雷达信号类型识别方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103531207A (zh) * 2013-10-15 2014-01-22 中国科学院自动化研究所 一种融合长跨度情感历史的语音情感识别方法
CN105845127A (zh) * 2015-01-13 2016-08-10 阿里巴巴集团控股有限公司 语音识别方法及其系统
CN106197646A (zh) * 2016-06-24 2016-12-07 深圳艾瑞斯通技术有限公司 一种光纤振动检测减小误差的方法及纤振动检测装置
CN107361765A (zh) * 2017-05-04 2017-11-21 晶神医创股份有限公司 脑波分析方法及其装置
CN107468260A (zh) * 2017-10-12 2017-12-15 公安部南昌警犬基地 一种判断动物心理状态的脑电分析装置及分析方法
CN108039203A (zh) * 2017-12-04 2018-05-15 北京医拍智能科技有限公司 基于深度神经网络的心律失常的检测系统
CN108154398A (zh) * 2017-12-27 2018-06-12 广东欧珀移动通信有限公司 信息显示方法、装置、终端及存储介质
CN108186011A (zh) * 2017-12-13 2018-06-22 深圳竹信科技有限公司 房颤检测方法、装置及可读存储介质
CN108269587A (zh) * 2017-12-29 2018-07-10 诺仪器（中国）有限公司 光缆敲击信号显示方法及系统
CN108320063A (zh) * 2018-03-26 2018-07-24 上海积成能源科技有限公司 一种电力负荷预测中对异常数据剔除和去噪处理的方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
SG10201501889WA (en) * 2010-03-15 2015-05-28 Singapore Health Serv Pte Ltd Method of predicting the survivability of a patient
TWI609671B (zh) * 2016-09-20 2018-01-01 訊號偵測方法
CN107944473A (zh) * 2017-11-06 2018-04-20 南京邮电大学 一种基于多分类器主客观融合的生理信号情感识别方法
CN107943583B (zh) * 2017-11-14 2022-02-22 Oppo广东移动通信有限公司 应用程序的处理方法、装置、存储介质及电子设备

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103531207A (zh) * 2013-10-15 2014-01-22 中国科学院自动化研究所 一种融合长跨度情感历史的语音情感识别方法
CN105845127A (zh) * 2015-01-13 2016-08-10 阿里巴巴集团控股有限公司 语音识别方法及其系统
CN106197646A (zh) * 2016-06-24 2016-12-07 深圳艾瑞斯通技术有限公司 一种光纤振动检测减小误差的方法及纤振动检测装置
CN107361765A (zh) * 2017-05-04 2017-11-21 晶神医创股份有限公司 脑波分析方法及其装置
CN107468260A (zh) * 2017-10-12 2017-12-15 公安部南昌警犬基地 一种判断动物心理状态的脑电分析装置及分析方法
CN108039203A (zh) * 2017-12-04 2018-05-15 北京医拍智能科技有限公司 基于深度神经网络的心律失常的检测系统
CN108186011A (zh) * 2017-12-13 2018-06-22 深圳竹信科技有限公司 房颤检测方法、装置及可读存储介质
CN108154398A (zh) * 2017-12-27 2018-06-12 广东欧珀移动通信有限公司 信息显示方法、装置、终端及存储介质
CN108269587A (zh) * 2017-12-29 2018-07-10 诺仪器（中国）有限公司 光缆敲击信号显示方法及系统
CN108320063A (zh) * 2018-03-26 2018-07-24 上海积成能源科技有限公司 一种电力负荷预测中对异常数据剔除和去噪处理的方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Temporal Analysis and Remote Monitoring of ECG Signal;Amruta Mhatre 等;《2015 International Conference on Nascent Technologies in the Engineering Field (ICNTE-2015)》;20151231;1-5 *
Towards End-to-End ECG Classification with Raw Signal Extraction and Deep Neural Networks;Sean Shensheng Xu 等;《JOURNAL OF LATEX class files》;20150831;第14卷(第8期);1-11 *
基于一维卷积神经网络的患者特异性心拍分类方法研究;黄佼 等;《中国医疗设备》;20180331;第33卷(第3期);11-14 *
脑机交互中 ISVM 分类方法研究及反馈和应用系统设计;刘丽;《中国优秀硕士学位论文全文数据库信息科技辑》;20130515;第2013年卷(第5期);I136-53 *

Also Published As

Publication number Publication date
CN109325402A (zh) 2019-02-12

Similar Documents

Publication Publication Date Title
CN109199414B (zh) 一种基于脑电信号的视听诱发情绪识别方法及系统
Coyle et al. A time-series prediction approach for feature extraction in a brain-computer interface
CN114781439B (zh) 模型获取系统、手势识别方法、装置、设备及存储介质
CN111700718B (zh) 一种识别握姿的方法、装置、假肢及可读存储介质
CN114707562B (zh) 一种肌电信号采样频率控制方法、装置及存储介质
Guendil et al. Emotion recognition from physiological signals using fusion of wavelet based features
CN112426160A (zh) 一种心电信号类型识别方法及装置
CN109063652B (zh) 一种信号处理方法、系统及计算机存储介质
CN117457229A (zh) 基于人工智能的麻醉深度监测系统及方法
CN113208593A (zh) 基于相关性动态融合的多模态生理信号情绪分类方法
CN116671919B (zh) 一种基于可穿戴设备的情绪检测提醒方法
Young et al. Pattern recognition for prosthetic hand user’s intentions using EMG data and machine learning techniques
Song et al. Adaptive common spatial pattern for single-trial EEG classification in multisubject BCI
Xie et al. WT feature based emotion recognition from multi-channel physiological signals with decision fusion
CN114190953A (zh) 针对脑电采集设备的脑电信号降噪模型的训练方法和系统
CN109325402B (zh) 一种信号处理方法、系统及计算机存储介质
KR20140073294A (ko) 심장 박동수 변화를 이용한 실시간 감성 인식장치 및 그 방법
CN114129163B (zh) 基于脑电信号的多视图深度学习的情绪分析方法和系统
CN104783786B (zh) 心电图特征识别系统及方法
CN111657860B (zh) 一种基于对抗学习的睡眠阶段识别方法及系统
CN113749656A (zh) 基于多维生理信号的情感识别方法和装置
Lee et al. Source-free subject adaptation for EEG-based visual recognition
Park et al. A POMDP approach to P300-based brain-computer interfaces
Sikder et al. Heterogeneous hand guise classification based on surface electromyographic signals using multichannel convolutional neural network
WO2020029031A1 (zh) 一种信号处理方法、系统及计算机存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant