非接触式呼吸模式分类的 1D-CNN 优化
原文中文,约300字,阅读约需1分钟。发表于: 。本研究提出了一种基于深度学习的时间序列呼吸数据分类方法,采用了一维卷积神经网络 (1D-CNN) 对呼吸数据进行分类,通过遗传算法优化了 1D-CNN 的架构,同时对预训练模型进行了迁移学习以提高算法的训练效率。这项研究为运用深度学习方法提升呼吸异常检测的准确性和效率提供了有价值的见解。
本研究提出了一种利用光波信号检测非接触式呼吸异常的方法,使用低成本的光源和传感器,能够识别机器人胸部反射光强的变化中的不同呼吸异常。呼吸异常检测模型使用机器学习方法,在分类7种不同呼吸数据时达到了96.6%的准确率。该系统可以作为智能、非接触和隐蔽的呼吸监测方法在家庭或医疗设施中使用。