具体的软硬件实现点击http://mcu-ai.com/MCU-AI技术网页_MCU-AI打鼾是一种普遍的症状，严重影响睡眠呼吸障碍患者（单纯打鼾者）、阻塞性睡眠呼吸暂停（OSA）患者及其床伴的生活质量。研究表明，打鼾可用于OSA的筛查和诊断。因此，从夜间睡眠呼吸音频中准确检测打鼾声一直是最重要的部分之一。考虑到打鼾在世界各地被忽视的危险性，需要一种自动且高精度的打鼾检测算法。在这项工作中，我们设计了一种非接触式数据采集设备来记录受试者在私人卧室中的夜间睡眠呼吸音频，并提出了一种用于自动打鼾检测的混合卷积神经网络（CNN）模型。该模型由处理原始信号的一维（1D）CNN和表示通过可见性图方法映射...

具体的软硬件实现点击http://mcu-ai.com/MCU-AI技术网页_MCU-AI据世界心脏联合会统计，截至2022年，全球有13亿人被诊断患有高血压，每年约有1000万人死于高血压。一个人有必要拥有有益于心脏健康的生活方式，以防止被诊断出患有心血管疾病（CVD）和动脉疾病等致命疾病的风险。如果一个人疏于定期监测血压，他们可能会突然被诊断出患有血压。有时很难预测高血压，因为这种情况的初期症状并不明显。高血压阶段的分类也很有用，这样一个人就可以根据他所处的阶段进行以下生活方式的改变。 光电体积描记法（PPG）是一种检测血液循环变化的光学方法。它主要是表示血容量随时间变化的波形。PPG信号...

具体的软硬件实现点击http://mcu-ai.com/MCU-AI技术网页_MCU-AI我们提出了一种利用由长短期记忆(LSTM)单元构建的深度循环神经网络来降噪心电图信号(ECG)的新方法。该网络使用动态模型ECG生成的合成数据进行预训练，并使用来自PhysionetPDB心电图信号数据库的真实数据进行微调。结果表明，10层DRNN对于幅值0.2mV白噪声的真实信号去噪均方误差低至0.179，使其成为其他常用方法的可行替代方案。我们还研究了合成数据对真实信号网络性能的影响。我们的结果表明，无论训练集大小如何，使用合成数据预训练的网络比仅使用真实数据训练的网络具有更好的结果。我们建议通过迁移...

具体的软硬件实现点击http://mcu-ai.com/MCU-AI技术网页_MCU-AI咳嗽检测是一种很有前途的检测呼吸道疾病各种病理严重程度的技术。自动咳嗽检测系统的开发将成为早期诊断的最佳跟踪工具。长期以患者为中心的远程咳嗽严重程度监测将改变医疗基础设施的游戏规则，因为在过去几十年中，远程医疗和远程护理已经开发了许多方法。在本文中，我们提出了一种使用改进的卷积神经网络（CNN）分析哮喘、支气管炎和百日咳发生时的咳嗽音频信号的方法。在此，使用巴特沃斯高通滤波器进行预处理，并使用MFCC进行特征提取。此外，使用咳嗽特征的训练数据集，使用改进的CNN完成了咳嗽声音的分类。使用ThingSpea...

具体的软硬件实现点击http://mcu-ai.com/MCU-AI技术网页_MCU-AI人工智能这个示例展示了如何使用EEGdenoiseNet基准数据集[1]和深度学习回归去除脑电图（EEG）信号中的眼电图（EOG）噪声。EEGdenoiseNet数据集包含4514个干净的EEG片段和3400个眼部伪迹片段，这些片段可以用来合成带有真实干净EEG的噪声EEG片段 这个示例使用干净和受EOG污染的EEG信号来训练一个长短期记忆（LSTM）模型以去除EOG伪迹。首先，将在原始输入信号上训练模型。然后，引入短时傅里叶变换（STFT）层，使模型在原始输入上提取时频特征进行训练。逆STFT层从去噪的...