-
题名基于通道分离卷积的心电肢体电极错接检测方法
- 1
-
-
作者
张伯政
-
机构
中国人民大学
众阳健康科技集团有限公司
-
出处
《电脑知识与技术》
2025年第1期36-40,共5页
-
文摘
针对心电图采集过程中常见的肢体电极错接问题,文章提出了一种结合通道混合卷积、通道分离卷积与GRU的模型,并采用Focal Loss作为损失函数。利用PTB-XL数据集作为训练集,CSE数据集作为测试集,从电极错接原理出发,设计了数据生成方法以构建训练和测试数据。最终在CSE测试集上实现了99.91%的特异度,假阳性率首次低于肢体电极错接的实际发生率,五种错接类别的Macro-F1指标达到99.46%。通过与现有研究的比较,验证了文章方法达到了当前的最高水平。
-
关键词
通道分离卷积
肢体电极错接
心电采集质量控制
Focal
Loss
融合模型
-
分类号
TP181
[自动化与计算机技术—控制理论与控制工程]
-
-
题名面向火场助燃剂检测的电子鼻系统设计与识别方法初探
被引量：1
- 2
-
-
作者
邓轩
孟庆浩
侯惠让
邓震宇
李宏跃
-
机构
天津大学电气自动化与信息工程学院
应急管理部天津消防研究所
-
出处
《传感技术学报》
CAS
CSCD
北大核心
2023年第8期1329-1336,共8页
-
基金
国家自然科学基金项目(62203321)
中国博士后科学基金项目(2021M692390)。
-
文摘
火场残留助燃剂检测是火灾调查的重要组成部分。现有方法以大型分析仪器为主,存在成本高、速度慢等缺点。提出了一种面向火场助燃剂快速检测的便携式电子鼻系统设计及相关的识别方法。采用15个金属氧化物半导体气体传感器和Jetson Nano核心控制器构造了电子鼻系统,并利用此电子鼻对汽油、柴油、酒精和稀料四种典型助燃剂采集气味信息,分别建立了未燃烧与燃烧后助燃剂气味数据集。基于四种传统机器学习算法、一维卷积神经网络(1D CNN)、二维CNN(2D CNN)和通道分离CNN(CS⁃CNN)模型开展了助燃剂识别实验。结果表明,CS⁃CNN模型针对未燃烧与燃烧后气味数据集的识别率分别为96.57%与94.66%,优于其他六种分类算法。本研究初步验证了电子鼻用于火场助燃剂快速识别的可行性,为后续的深入研究与应用奠定了基础。
-
关键词
火灾
助燃剂
电子鼻
通道分离卷积网络
模式识别
-
Keywords
fire
ignitable liquids
electronic nose
channel⁃separation convolution network
pattern recognition
-
分类号
TP211
[自动化与计算机技术—检测技术与自动化装置]
-
