-
公开(公告)号:CN115358270A
公开(公告)日:2022-11-18
申请号:CN202210996094.7
申请日:2022-08-19
申请人: 山东省人工智能研究院 , 齐鲁工业大学
摘要: 一种基于多任务MTEF‑NET的心电分类方法,通过设置两个任务来构建多任务神经网络,利用多任务的联合学习方式,并行提高每一个任务的性能,进而提高整个心电信号分类的准确率。通过给不同的任务分配不同的权重比例,使模型具有平衡数据样本差异的能力,能够解决数据不平衡问题。建立的MTEF‑NET网络模型具有复杂网络的量化调整能力,通过对网络深度,宽度和输入图片分辨率的综合调整,使神经网络只需要较少的网络参数,减轻了模型性的复杂度,同时也能够提高分类的准确率。通过构建CBAM‑MBCov模块,能够解决心电信号转换成二维图像之后所丢失的通道和空间特征消失的问题。
-
公开(公告)号:CN114764575A
公开(公告)日:2022-07-19
申请号:CN202210376944.3
申请日:2022-04-11
申请人: 山东省人工智能研究院 , 齐鲁工业大学
摘要: 一种基于深度学习和时序注意力机制的多模态数据分类方法,先利用PC‑TBG‑ECG和PC‑TBG‑PCG模型分别实现了心电信号和心音信号的特征提取,然后采用XGBoost集成分类算法对提取出来的特征进行特征选择并分类。在增加运算效率的同时,加入了正则化,有效防止过拟合。本发明适合不同模态数据的分类检测,可从多种角度对信号进行分析,进而提高分类的准确率。
-
公开(公告)号:CN113095238B
公开(公告)日:2021-12-28
申请号:CN202110408665.6
申请日:2021-04-15
申请人: 山东省人工智能研究院
摘要: 一种基于联邦学习的个性化心电信号监测方法,将由云端训练的初始化模型拆分为基础特征提取网络和个性化分类网络两部分,仅采用联邦策略训练由多个终端上传的基础特征提取网络。由于每个终端仅上传部分模型参数,可以防止恶意人员通过整个模型参数恢复原始数据。通过联邦策略进行模型训练相比被动顺序参数更新具有更高的通信效率。为了更好的学习个体的个性化特征,提高分类模型的准确性,多个终端通过协同训练基础特征提取网络充分学习基础特征,个性化分类网络只保留在终端用于个性化特征的提取。当新个体加入时,基础特征提取网络可以直接用作新个体的基础特征提取部分,并且只需要少量个体数据就可以获得个性化的心电信号监测模型。
-
-
公开(公告)号:CN115358270B
公开(公告)日:2023-06-20
申请号:CN202210996094.7
申请日:2022-08-19
申请人: 山东省人工智能研究院 , 齐鲁工业大学
IPC分类号: G06F18/241 , G06F18/213 , G06F18/15 , G06N3/0464 , G06N3/048 , G06N3/08 , A61B5/318
摘要: 一种基于多任务MTEF‑NET的心电分类方法,通过设置两个任务来构建多任务神经网络,利用多任务的联合学习方式,并行提高每一个任务的性能,进而提高整个心电信号分类的准确率。通过给不同的任务分配不同的权重比例,使模型具有平衡数据样本差异的能力,能够解决数据不平衡问题。建立的MTEF‑NET网络模型具有复杂网络的量化调整能力,通过对网络深度,宽度和输入图片分辨率的综合调整,使神经网络只需要较少的网络参数,减轻了模型性的复杂度,同时也能够提高分类的准确率。通过构建CBAM‑MBCov模块,能够解决心电信号转换成二维图像之后所丢失的通道和空间特征消失的问题。
-
公开(公告)号:CN114764575B
公开(公告)日:2023-02-28
申请号:CN202210376944.3
申请日:2022-04-11
申请人: 山东省人工智能研究院 , 齐鲁工业大学
IPC分类号: G06F18/213 , G06F18/2415 , G06F18/25 , G06N3/0464 , G06N3/048 , G06N3/08
摘要: 一种基于深度学习和时序注意力机制的多模态数据分类方法,先利用PC‑TBG‑ECG和PC‑TBG‑PCG模型分别实现了心电信号和心音信号的特征提取,然后采用XGBoost集成分类算法对提取出来的特征进行特征选择并分类。在增加运算效率的同时,加入了正则化,有效防止过拟合。本发明适合不同模态数据的分类检测,可从多种角度对信号进行分析,进而提高分类的准确率。
-
公开(公告)号:CN112006679A
公开(公告)日:2020-12-01
申请号:CN202010891751.2
申请日:2020-08-28
申请人: 山东省人工智能研究院
IPC分类号: A61B5/0456 , A61B5/00
摘要: 一种基于窗口方差变换的穿戴式心电信号R波检测方法,通过窗口方差变换抑制对R波检测影响最大的幅值的噪声和波形,利用自适应更新的阈值和RR间期实现了高准确率、抗干扰性强的实时R波检测方法,以信号原始波形形态为出发点,提取了能更好的表示原始信号的特征,适用于多类心电信号的R波检测。有效抑制对R波检测有干扰的大幅值噪声的影响,可以改善传统基于阈值的方法在检测R波时因噪声幅值较大而导致的误检测率上升的问题,适用于各种包含混合叠加噪声的心电信号的R检测,尤其是穿戴式动态心电信号。
-
-
-
-
-
-