公开(公告)号：CN111915612B

公开(公告)日：2022-10-14

申请号：CN202010727353.7

申请日：2020-07-24

Applicant: 山东大学

Inventor： 吴强 ,  庞恩帅 ,  李新钢 ,  吴琦

IPC: G06T7/10

Abstract: 本发明公开了一种基于多编码器卷积神经网络的图像分割方法和系统。基于多编码器卷积神经网络的图像分割方法其特征在于：采用若干个编码器提取特征，通过解码器恢复至原始分辨率，编码器1由若干卷积层和下采样MaxPooling层组成，在编码器1经过三次、两次和一次下采样的卷积层上分别设置一个编码器，得到编码器2、3、4，在最底层将不同编码器提取的特征在通道维度进行融合，然后构建与编码器1对称的解码器结构，通过跨层连接将编码器1和与解码器相邻编码器卷积层中的特征送到对称的解码过程中，直到图像恢复到原始分辨率，进行逐个像素点分类，得到最终的分割结果，在ATLAS Release 1.1数据集上进行了算法验证，本发明提出的方法优于传统方法，分割效果更好。

公开(公告)号：CN118303846A

公开(公告)日：2024-07-09

申请号：CN202410576908.0

申请日：2024-05-10

Applicant: 山东大学

Inventor： 吴强 ,  刘建业 ,  吴琦

IPC: A61B5/00 ,  A61B5/369

Abstract: 本发明提出了基于混合特征的图卷积时序网络麻醉深度监测方法及系统，涉及脑电信号处理技术领域，用于解决现有技术中实时性不够、准确率不高的问题，具体方案包括：获取待监测人员的脑电数据，并对其分段；基于每段脑电数据的熵特征，以每段脑电数据为节点，构建图；将图输入到训练好的图卷积时序网络中，计算麻醉深度监测指数；其中，所述图卷积时序网络，从图中提取高维时间特征，将高维时间特征与熵特征进行特征融合，利用融合后得到的混合特征，计算麻醉深度监测指数；本发明基于每段脑电数据的熵特征，通过图卷积时序网络，构建多尺度混合特征，进而准确计算麻醉深度监测指数，实现更好的麻醉深度监测效果。

公开(公告)号：CN103637798B

公开(公告)日：2016-03-09

申请号：CN201310693705.1

申请日：2013-12-17

Applicant: 山东大学齐鲁医院

Inventor： 吴琦

IPC: A61B5/0476

Abstract: 本发明公开了一种麻醉深度监测装置，包括：脑电信号采集电极；前置模块，包括依次连接的前置放大模块和模数转换模块；傅里叶变换模块；皮层活动性计算模块，接收傅里叶变换模块的输出数据，并实现皮层活动性子参数的计算；皮层下活动性计算模块，接收傅里叶变换模块的输出数据，并实现皮层下活动性子参数的计算；平衡麻醉深度计算模块，接收皮层活动性计算模块和皮层下活动性计算模块的输出的子参数，通过加权和法得到平衡麻醉深度；显示模块，对平衡麻醉深度进行显示。本发明在保留单纯吸入或静脉全麻药下麻醉深度监测准确性的前提下，具有阿片类药物复合吸入或静脉全麻药下麻醉深度监测更准确的优点。

公开(公告)号：CN103637798A

公开(公告)日：2014-03-19

申请号：CN201310693705.1

申请日：2013-12-17

Applicant: 山东大学齐鲁医院

Inventor： 吴琦

IPC: A61B5/0476

Abstract: 本发明公开了一种麻醉深度监测装置，包括：脑电信号采集电极；前置模块，包括依次连接的前置放大模块和模数转换模块；傅里叶变换模块；皮层活动性计算模块，接收傅里叶变换模块的输出数据，并实现皮层活动性子参数的计算；皮层下活动性计算模块，接收傅里叶变换模块的输出数据，并实现皮层下活动性子参数的计算；平衡麻醉深度计算模块，接收皮层活动性计算模块和皮层下活动性计算模块的输出的子参数，通过加权和法得到平衡麻醉深度；显示模块，对平衡麻醉深度进行显示。本发明在保留单纯吸入或静脉全麻药下麻醉深度监测准确性的前提下，具有阿片类药物复合吸入或静脉全麻药下麻醉深度监测更准确的优点。

公开(公告)号：CN111915612A

公开(公告)日：2020-11-10

申请号：CN202010727353.7

申请日：2020-07-24

Applicant: 山东大学

Inventor： 吴强 ,  庞恩帅 ,  李新钢 ,  吴琦

IPC: G06T7/10

Abstract: 本发明公开了一种基于多编码器卷积神经网络的图像分割方法和系统。基于多编码器卷积神经网络的图像分割方法其特征在于：采用若干个编码器提取特征，通过解码器恢复至原始分辨率，编码器1由若干卷积层和下采样MaxPooling层组成，在编码器1经过三次、两次和一次下采样的卷积层上分别设置一个编码器，得到编码器2、3、4，在最底层将不同编码器提取的特征在通道维度进行融合，然后构建与编码器1对称的解码器结构，通过跨层连接将编码器1和与解码器相邻编码器卷积层中的特征送到对称的解码过程中，直到图像恢复到原始分辨率，进行逐个像素点分类，得到最终的分割结果，在ATLAS Release 1.1数据集上进行了算法验证，本发明提出的方法优于传统方法，分割效果更好。