-
公开(公告)号：CN114041800A
公开(公告)日：2022-02-15
申请号：CN202111225086.4
申请日：2021-10-21
Abstract: 本发明涉及一种心电信号实时分类方法、装置及可读介质的技术方案，包括：获取ECG数据集，并对ECG数据集进行重采样；将经过重采样的ECG数据集分割成短时心拍片段，对短时心拍片段进行标准化处理得到标准化心拍片段；创建最优特征提取分类模型，对最优特征提取分类模型进行训练和验证，得到最优特征提取分类模型；实时采集心电信号，对心电信号进行预处理并输入至最优特征提取分类模型，得到分类识别结果。本发明解决了端到端心律失常检测算法中使用的卷积神经网络计算量大、待调节参数多、抗数据不平衡能力弱的问题，用轻量级网络实现了实时检测和多尺度特征自动选择，并在不平衡数据上达到较高分类性能,适用于临床看护设备和便携式设备。
-
公开(公告)号：CN113647954A
公开(公告)日：2021-11-16
申请号：CN202110769287.4
申请日：2021-07-07
Abstract: 本发明涉及一种双通道混合网络模型的心血管疾病识别方法、装置及介质的技术方案，包括：对双导联心电图的心电信号进行波段对齐分割处理，得到双导联心拍；通过第一混合卷积网络提取双导联心拍的融合特征；通过第二混合卷积网络提取双导联心拍的两个单导联特异性特征；通过线性支持向量机处理融合特征及单导联特异性特征以得到对应的三组决策值；将三组决策值映射为三组决策概率；使用D‑S模型融合三组决策概率得到双导联心电图的分类结果。本发明的有益效果为：解决现有技术中在患者间数据集、不平衡数据集和含噪数据集中分类效果较差的问题，具有较好的分类结果。
-
公开(公告)号：CN108960339A
公开(公告)日：2018-12-07
申请号：CN201810803150.4
申请日：2018-07-20
CPC classification number: G06K9/6267 , G01R31/34 , G06K9/6232 , G06K9/6256
Abstract: 本发明公开一种基于宽度学习的电动汽车感应电动机故障诊断方法。该方法采用增量式宽度学习方法（IBL）来诊断感应电动机故障，增量式宽度学习（IBL）的结构简洁，可以有效地训练和重新训练网络。本发明结合了特征提取(经验模态分解和样本熵)、增量式宽度学习和奇异值分解来构成一个电动汽车感应电动机智能诊断方法。实验结果表明该方法在诊断电动汽车感应电动机故障时优于其他算法。此外，通过奇异值分解(SVD)简化的IBL比之前的IBL误差小、系统更稳定。
-
公开(公告)号：CN106106031A
公开(公告)日：2016-11-16
申请号：CN201610702829.5
申请日：2016-08-22
Applicant: 吉林大学
IPC: A01G23/089
Abstract: 本发明公开了一种双轴双刀液压伐竹机，所述固定杆的下端固定有液压传动机构，所述液压传动机构包括一液压缸，所述液压缸内部设置有一圆形的液压室，所述液压缸的上表面设置有第一通孔，所述第一通孔内设置有一旋转轴组，所述旋转轴组包括内轴和套设在内轴上的外轴，所述内轴和外轴的一端分别设置有第一转动片和第二转动片，所述第一转动片与第二转动片均设置在液压室内，且将液压室隔绝为互不联通的上室与下室，所述内轴与外轴的另一端分别设置有第一刀片与第二刀片；采用液压传动进行砍伐，利用液压驱动转动件转动，带动刀片转动进行竹子采伐，液压操纵控制方便，方便采伐人员工作，提高了采伐的效率。
-
公开(公告)号：CN105212922A
公开(公告)日：2016-01-06
申请号：CN201410260276.3
申请日：2014-06-11
Applicant: 吉林大学
IPC: A61B5/0472
Abstract: 本发明公开了一种面向FPGA实现心电信号R波自动检测的方法及系统，面向FPGA实现基于小波变换特征波检测原理的QRS波检测，利用小波变换的特征波检测原理，在指定的小波分解层次中采用自适应阈值的方法检测模极值对，定位模极值对的过零点即为R波，进而检测Q波和S波，提高了QRS波检测精度，加快了检测算法的识别速度。所述系统在硬件实现上包括小波分解模块和检测模块，小波分解模块完成包括补码、乘法、累加等运算，且整个模块采用基本运算单元级联的方式完成4级流水线操作，使得4层小波分解操作能同时运行。检测模块在小波分解的3、4尺度下寻找模极大值对，并定位其过零点为R波，完成心电信号特征波的检测。
-
Patent Agency Ranking
公开(公告)号：CN102983972B
公开(公告)日：2015-06-10
申请号：CN201210396927.2
申请日：2012-10-18
Applicant: 吉林大学珠海学院
Abstract: 本发明公开了一种基于流密码的动态加密解密方法，包括：对密钥文件的不同的二进制位，设定其对应的加密规则及相应的解密规则；加密步骤：读取明文文件后，选取参考文件，并读取密钥文件，选择密钥文件的一个二进制位，根据该二进制位对应的加密规则，结合选取的参考文件，将明文文件的二进制位进行读写处理，进而生成密文文件；解密步骤：读取密钥文件，根据加密过程中所选择的二进制位对应的解密规则，结合参考文件，将密文文件的二进制位进行读写处理，进而得到还原的明文文件。本发明的基于流密码的动态加密解密方法加密方法实现方式简单，安全性高，灵活性强，可广泛应用于计算机通信领域中。
-
公开(公告)号：CN102247143A
公开(公告)日：2011-11-23
申请号：CN201110149217.5
申请日：2011-06-03
Applicant: 吉林大学珠海学院
IPC: A61B5/0452 , G06F19/00
Abstract: 本发明将小波提升法和差分法结合，提出了一种可集成的心电信号去噪和QRS波识别的快速算法。发明中提出了一种加权阈值去噪的方法，解决了使用全局阈值去噪后信号畸变的问题；提出了在DB4小波提升变换过程中结合差分法，达到了使用DB4小波一阶导数对心电信号提升变换的效果，避免了对去噪后信号进行小波提升再次分解的过程，提高了对QRS波进行识别的速度；同时采用一种改进的自适应阈值更新方法，提高了QRS波的检测精度。本发明选用的小波提升法和差分法都具有运算速度快，占用内存低，能够实现整数运算的特点，因此对于本发明算法的集成应用，不但易于在现有硬件平台上实现，也易于在计算机、大型处理器的应用软件中实现。
-
公开(公告)号：CN119454048A
公开(公告)日：2025-02-18
申请号：CN202411472631.3
申请日：2024-10-22
IPC: A61B5/346 , A61B5/00 , G06F18/25 , G06F18/2431 , G06F18/21 , G06F18/15 , G06N3/0464 , G06N3/048 , G06F123/02
Abstract: 本申请公开了一种基于多分支加权注意力的心电信号分类方法、设备、介质，方法包括：获取多组心电数据，每组心电数据包括多个第一多导联心电信号,不同组心电数据的第一心电信号对应的分类标签互不相同；对全部的第一心电信号进行去噪处理，得到第二多导联心电信号；划分第二多导联心电信号，得到训练集和测试集；利用训练集对预设的多分支加权注意力网络进行训练，得到心电信号分类模型；将测试集输入至心电信号分类模型，得到对应的目标心电信号分类结果。本申请通过多分支加权注意力网络对多导联心电信号进行充分的特征提取，相较于现有的人工分析或深度学习分析方案，保障心电信号分类结果的准确性。
-
公开(公告)号：CN117481661A
公开(公告)日：2024-02-02
申请号：CN202311182123.7
申请日：2023-09-13
IPC: A61B5/318 , A61B5/346 , A61B5/363 , A61B5/00 , A61B5/352 , G06F18/241 , G06F18/214 , G06N3/094
Abstract: 本申请公开了一种基于CASLCNet网络的心律失常分类方法、电子设备、介质，方法包括：接收待检测的心电信号，对心电图进行预处理划分为训练集和测试集；将测试集原始样本送入初始CASLCNet网络后生成对抗样本，将原始样本和对抗样本再次送入初始CASLCNet网络进行错误分类感知对抗训练；最后使用测试集原始样本送入训练好的CASLCNet网络后生成对抗样本并一同送入训练好的CASLCNet网络，展示网络针对原始样本和对抗样本分类结果。本申请基于改进的CASLCNet网络，在保证原始样本识别准确率的前提下，能够较好抵抗对抗样本的攻击，具有较强的鲁棒性，进而有效提升心律失常分类的准确率。
-
公开(公告)号：CN114224354B
公开(公告)日：2024-01-30
申请号：CN202111347820.4
申请日：2021-11-15
IPC: A61B5/346 , A61B5/352 , A61B5/0245 , A61B5/00
Abstract: 本发明涉及一种心律失常分类方法、装置及可读介质的技术方案，包括：获取心电数据；对心电数据进行分割，得到心拍序列及其标签；将心拍序列及标签划分为训练集及测试集；对训练集及测试集的心拍序列执行马尔可夫转换场变换，得到心拍图像；将训练集中的心拍图像输入双侧分支网络模型进行训练，得到心拍分类网络模型；将测试集中的心拍图像输入心拍分类网络模型，得到心拍分类结果。本发明的有益效果为：本发明能结合马尔可夫转换场和双侧分支网络的优势，实现了高精度的心律失常心拍序列分类；能较好地对心拍序列建立二维可视化表示；能实现不平衡的心律失常心拍类别的准确分类。
-
-
-
-
-
-
-
-
-
Search Results
90
records
(took 0.018 seconds)
