申请/专利权人：四川大学;中移(成都)信息通信科技有限公司

申请日：2023-11-22

公开（公告）日：2024-03-29

公开（公告）号：CN117789772A

主分类号：G10L25/66

分类号：G10L25/66;G10L25/03;G10L25/21;G10L25/27;G06F18/2115;G06F18/2131;G06F18/214;G06F18/2411;G06F18/2413;G06F18/2415;G06F18/243;G06F18/25;G06N20/10;G06N20/20;G06F123/02

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.16#实质审查的生效;2024.03.29#公开

摘要：本发明公开了一种基于融合时频特征的集成学习心音分类方法，包括以下步骤：步骤1、获取原始心音数据，对原始心音数据进行降噪分割的预处理，得到若干心音周期；步骤2、基于每段心音周期的时域特征和频域特征，得到候选的时域特征和频域特征；步骤3、计算候选的时域特征和频域特征的信息增益，根据信息增益选择候选的时域特征和频域特征为重要特征；步骤4、根据所选的重要特征进行模型训练，得到训练好的心音分类模型；步骤5、通过训练好的心音分类模型对心音数据进行分类，完成基于融合时频特征的集成学习心音分类。本发明相较于传统机器学习方法，进一步提高了准确度，与当今流行的深度学习相比，训练速度更快。

主权项：1.一种基于融合时频特征的集成学习心音分类方法，其特征在于，包括以下步骤：步骤1、获取原始心音数据，对原始心音数据进行降噪分割的预处理，得到若干心音周期；步骤2、基于每段心音周期的时域特征和频域特征，得到候选的时域特征和频域特征；步骤3、计算候选的时域特征和频域特征的信息增益，根据信息增益选择候选的时域特征和频域特征为重要特征；步骤4、根据所选的重要特征进行模型训练，得到训练好的心音分类模型；步骤5、通过训练好的心音分类模型对心音数据进行分类，完成基于融合时频特征的集成学习心音分类。

全文数据：

权利要求：

百度查询： 四川大学;中移(成都)信息通信科技有限公司 一种基于融合时频特征的集成学习心音分类方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD