用于非接触式呼吸模式分类的一维卷积神经网络进化优化
信号处理
2024-04-17 v2 机器学习
摘要
在本研究中，我们提出了一种基于深度学习的时间序列呼吸数据分类方法。该数据集包含正常呼吸模式以及多种异常呼吸模式，通过非接触式非相干光波传感（LWS）技术获取。鉴于数据的一维特性，我们采用一维卷积神经网络（1D-CNN）进行分类。我们采用遗传算法优化 1D-CNN 架构，以最大化分类准确率。针对在多代训练 1D-CNN 所带来的计算复杂度问题，我们实施了从预训练模型进行迁移学习。该方法显著减少了训练所需的计算时间，从而提升了优化过程的效率。本研究为深度学习方法在通过精确高效的呼吸分类增强呼吸异常检测方面的潜在应用提供了有价值的见解。
引用
@article{arxiv.2312.13035,
title = {Evolutionary Optimization of 1D-CNN for Non-contact Respiration Pattern Classification},
author = {Md Zobaer Islam and Sabit Ekin and John F. O'Hara and Gary Yen},
journal= {arXiv preprint arXiv:2312.13035},
year = {2024}
}
备注
7 pages, 8 figures, accepted in International Conference on Fuzzy Systems, Soft Computing, and Explainable AI (NAFIPS2024)