[发明专利]基于稀疏表示和卷积神经网络的呼吸模式分类方法及系统

权利要求书

1.一种基于稀疏表示和卷积神经网络的呼吸模式分类方法，其特征在于，所述方法包括以下步骤：

步骤1，利用生命体征雷达采集受试者的回波信号，对回波信号进行反正切解调和带通滤波，得到呼吸信号；

步骤2，将不同呼吸模式的呼吸信号截取为固定长T的样本片段，之后对呼吸信号的幅度进行归一化处理；

步骤3，构造小波字典；

步骤4，根据所述小波字典，采用正交匹配追踪算法求解不同呼吸模式对应的呼吸信号样本的稀疏解，并确定稀疏解的稀疏度，所述稀疏度为稀疏解中非零元素的个数；

步骤5，将步骤4得到的稀疏解作为呼吸信号样本的特征，构建并训练卷积神经网络模型；

步骤6，利用步骤5得到的卷积神经网络模型对未知的呼吸信号片段进行分类，获得其呼吸模式。

2.根据权利要求1所述的基于稀疏表示和卷积神经网络的呼吸模式分类方法，其特征在于，步骤3所述构造小波字典具体基于symlets小波基函数构造。

3.根据权利要求2所述的基于稀疏表示和卷积神经网络的呼吸模式分类方法，其特征在于，步骤4中所述采用正交匹配追踪算法求解呼吸信号样本的稀疏解，具体包括：

正交匹配追踪算法的输入信号为一维的呼吸信号样本y∈R^n×1，n为呼吸信号的长度即采样点数，记小波字典为n×m维矩阵Φ＝(φ₁,φ₂,...,φ_m)，φ_q为字典原子，且满足||φ_q||²＝1，q＝1,…,m；

步骤4-1，将呼吸信号_y在小波字典中的每一个原子上进行正交投影，即求呼吸信号与原子的内积，并选出内积最大的原子作为第一次分解的最佳匹配原子，记为φ'₁，原子φ'₁满足下式：

y,φ'₁＞y,φ_iφ_i∈Φ

其中，φ_i为Φ中除φ'₁的任意一个原子；

步骤4-2，求残差信号r₁，计算公式为：

r₁＝y-φ'₁y,φ'₁；

步骤4-3，对残差信号r₁重复步骤4-1、4-2，在呼吸信号经过k次分解后，选择出k个最佳匹配原子，由此将呼吸信号y表示为：

式中，φ'_i为第i次分解的最佳匹配原子，r_i为第i次分解后得到的残差信号，r_k为第k次分解后得到的残差信号；

步骤4-4，对上述过程选择出的原子进行正交化处理：

首先对残差信号r_k进行第k+1次分解，从Φ中剩余的原子中选择与r_k内积最大的原子，记为φ'_k+1；

将φ'_k+1与上述过程选择出的k个原子进行正交化处理：

式中，为φ'_i正交化后的原子；

步骤4-5，基于正交化后的原子求残差信号r_k+1，计算公式为：

步骤4-6，对残差信号r_k+1重复步骤4-4、4-5，直到满足预设的稀疏度要求，将每次分解时的最大内积进行组合得到呼吸信号样本的稀疏解x。