-
公开(公告)号：CN116616792A
公开(公告)日：2023-08-22
申请号：CN202310896173.5
申请日：2023-07-21
IPC: A61B5/361 , A61B5/00 , G06F18/213 , G06F18/25 , G06N3/0464 , G06N3/0495 , G06N3/084
Abstract: 本发明涉及心房颤动检测技术领域，公开了基于轻量化设计和特征融合的心房颤动检测系统，其中系统包括：获取模块，其被配置为：获取待检测的心电信号；检测模块，其被配置为：将待检测的心电信号，输入到训练后的心房颤动检测模型中，输出心房颤动检测结果；其中，训练后的心房颤动检测模型，包括：并列的主路径和辅助路径；其中，主路径和辅助路径均用于实现心电信号中的特征提取；交叉引导机制模块用于实现特征的信息交互；注意力融合机制模块用于实现特征融合；最后采用分类器对融合后的特征进行识别，输出心房颤动的检测结果。提高了心房颤动检测的准确性、降低了运算成本、提高了检测速度、提高了检测的实时性。
-
公开(公告)号：CN116616792B
公开(公告)日：2023-12-01
申请号：CN202310896173.5
申请日：2023-07-21
IPC: A61B5/361 , A61B5/00 , G06F18/213 , G06F18/25 , G06N3/0464 , G06N3/0495 , G06N3/084
Abstract: 速度、提高了检测的实时性。本发明涉及心房颤动检测技术领域，公开了基于轻量化设计和特征融合的心房颤动检测系统，其中系统包括：获取模块，其被配置为：获取待检测的心电信号；检测模块，其被配置为：将待检测的心电信号，输入到训练后的心房颤动检测模型中，输出心房颤动检测结果；其中，训练后的心房颤动检测模型，包括：并列的主路径和辅助路径；其中，主路径和辅助路径均用于实现心电信号中的特征提取；交叉引导机制模块用于实现特征的信息交互；注意力融合机制模块用于实现(56)对比文件朱宇.基于多光谱信息融合的行人检测研究.中国优秀硕士学位论文全文数据库.2022,全文.谢胜龙;张为民;鲁玉军;张文欣;朱俊江;任国营.基于一维卷积神经网络的房颤智能诊断方法研究.计量学报.2020,(第05期),全文.姚易;廖晓阳;李志超.计算机辅助诊断模型助力基层医疗机构诊断阵发性心房颤动.中国全科医学.2020,(第02期),全文.
-
公开(公告)号：CN116584902A
公开(公告)日：2023-08-15
申请号：CN202310875546.0
申请日：2023-07-18
Abstract: 本发明涉及心音信号处理技术领域，公开了基于特征选优及可视化的心音分类装置，装置包括：预处理模块，用于对待分类的心音信号进行小波散射变换，得到小波散射系数；对待分类的心音信号进行连续小波变换，得到时频图；分类模块，用于将小波散射系数和时频图，均输入到训练后的模型中，输出信号分类结果；模型对小波散射系数进行特提取得到小波散射特征；对时频图进行空间域和时间域特征提取，得到时频图的空间域和时间域特征；对提取的特征均进行特征优选，将优选后的特征进行特征融合，对融合后的特征进行特征分类，得到心音信号分类结果，对心音信号分类结果进行可视化。多路径网络提取的特征更具有特征互补的优势，有效提高分类的准确性。
-
公开(公告)号：CN116584902B
公开(公告)日：2024-05-07
申请号：CN202310875546.0
申请日：2023-07-18
Abstract: 本发明涉及心音信号处理技术领域，公开了基于特征选优及可视化的心音分类装置，装置包括：预处理模块，用于对待分类的心音信号进行小波散射变换，得到小波散射系数；对待分类的心音信号进行连续小波变换，得到时频图；分类模块，用于将小波散射系数和时频图，均输入到训练后的模型中，输出信号分类结果；模型对小波散射系数进行特提取得到小波散射特征；对时频图进行空间域和时间域特征提取，得到时频图的空间域和时间域特征；对提取的特征均进行特征优选，将优选后的特征进行特征融合，对融合后的特征进行特征分类，得到心音信号分类结果，对心音信号分类结果进行可视化。多路径网络提取的特征更具有特征互补的优势，有效提高分类的准确性。
-
公开(公告)号：CN119586991A
公开(公告)日：2025-03-11
申请号：CN202411610933.2
申请日：2024-11-12
Applicant: 山东大学
IPC: A61B5/021 , A61B5/318 , A61B5/00 , G06F18/213 , G06F18/25 , G06N3/045 , G06N3/0455 , G06N3/08
Abstract: 本公开提供了一种无袖带连续血压信号重建方法及系统，涉及血压监测技术领域，包括：获取同步的PPG信号和ECG信号；利用训练好的注意力时序网络，从PPG信号和ECG信号中分别提取PPG特征向量和ECG特征向量，并对PPG特征向量和ECG特征向量进行多模态融合，基于融合后的特征向量，重建出无袖带连续血压信号；其中，提取特征向量是在编码器和解码器之间增加信息筛选机和时序学习机，分别用于学习通道概率分布向量、时序权重向量，指导解码器进行高层次语义特征的解码、对PPG和ECG前后时序关系的解码；本发明基于多模态融合提出了注意力时序网络，通过分析光电容积脉搏波信号和心电信号实现连续血压信号的重建。
-
Patent Agency Ranking
公开(公告)号：CN119557702A
公开(公告)日：2025-03-04
申请号：CN202411684628.8
申请日：2024-11-22
Applicant: 山东大学
IPC: G06F18/24 , A61B5/00 , G06F18/213 , G06N3/0464 , G06N3/0499 , G06N3/048 , G06F17/16 , G06F17/18
Abstract: 本发明属于生理信号分析技术领域，公开了一种基于多尺度交叉指导神经网络的生理信号分析方法及系统，包括获取并将生理信号切分为多个数据分区；采用多个不同尺度的并行的卷积神经网络子模块分别对多个数据分区的生理信号进行高维度映射，获得非线性向量，学习不同卷积神经网络子模块之间的相关性并将其量化为权重向量，基于权重向量对非线性向量进行并行运算，对并行运算结果进行点卷积操作，获得信息向量；对信息向量进行解码，获得特征向量；利用特征向量进行生理信号分析。本发明同时具备分类和回归的能力，泛化到不同的任务时不需要重新优化超参数，轻量化设计，能够部署于边缘设备，在不同的临床场景中具有良好的准确性和实效性。
-
公开(公告)号：CN117224147A
公开(公告)日：2023-12-15
申请号：CN202311144417.0
申请日：2023-09-06
Applicant: 山东大学
IPC: A61B5/361 , A61B5/00 , G06F18/25 , G06F18/211 , G06N3/0464 , G06N3/096
Abstract: 本发明公开了一种具有特征筛选和特征融合功能的T‑Net心房颤动检测系统，包括：(1)利用一维卷积神经网络构建用于AF信息初步提取的横向路径；(2)使用注意力机制和投票机制设计了用于过滤信息的特征筛选器；特征筛选器对横向路径中的每一层输出均进行加权投票；(3)基于二维卷积神经网络搭建了用于特征再学习和特征融合的纵向路径。在特征提取过程中避免了信息冗余的影响，在单中心数据库和多中心数据库上均表现出较好的准确性与泛化性。通过可视化技术分析发现，T‑Net精准地提取了AF的深层次信息，其重点关注区域与临床诊断依据一致，具有良好的可解释性，同时在AF的临床诊断中具有广阔的应用前景。
-
公开(公告)号：CN115363599A
公开(公告)日：2022-11-22
申请号：CN202211170595.6
申请日：2022-09-22
Applicant: 山东大学
IPC: A61B5/361
Abstract: 本发明提出了一种用于心房颤动识别的心电信号处理方法及系统，涉及心房颤动识别技术领域,该方法包括：对采样到的心电信号进行预处理，将一维心电信号转换为二维心电矩阵；基于二维心电矩阵中提取的浅层次特征，利用自补充注意力网络进行深层次的通道特征和空间特征提取和融合，得到融合后的特征图；本发明得到的融合后的特征图，可以更加精准地识别心房颤动，并且具有良好的泛化，而且适用于多种生理信号的分析(例如脑电信号、心音信号以及脉搏信号等)，在图像识别、语义分割等领域也具有一定的指导意义。
-
公开(公告)号：CN119581000A
公开(公告)日：2025-03-07
申请号：CN202411665729.0
申请日：2024-11-20
Applicant: 山东大学
IPC: G16H50/20 , A61B5/021 , G16H50/70 , G06F18/213 , G06N3/0455 , G06N3/0464 , G06N3/048 , G06N3/082
Abstract: 本发明属于血压测量技术领域，公开了一种以多尺度神经网络为二叉树节点的血压估算方法及系统，包括将获取的光电容积脉搏信号和心电信号分别投影至高分辨率空间，获得第一输出，对第一输出进行多级分解，获得血压特征矩阵；对血压特征向量进行全局降维压缩和局部高维映射，并将其结果加权于血压特征向量，获得多模态血压特征集合；对多模态血压特征进行解码操作，学习多模态血压特征的非线性耦合关系，获得血压估算值；定义目标函数，优化血压估算模型参数。本发明将树型算法的低计算成本推理的方式与多尺度和多分辨率神经网络的多模态特征提取的能力相结合，在高精度的连续血压估算的前提下实现了算法的轻量化，计算成本符合穿戴式设备的要求。
-
公开(公告)号：CN115500807B
公开(公告)日：2024-10-15
申请号：CN202211144005.2
申请日：2022-09-20
Applicant: 山东大学
IPC: A61B5/024 , A61B5/0245 , A61B5/0255 , A61B5/256 , A61B5/28 , A61B5/318 , A61B5/346 , A61B5/00 , G06N3/0464
Abstract: 本发明提出了一种基于小型卷积神经网络的心律失常分类检测方法及系统，涉及心电信号处理技术领域,采用单路径多层网络对穿戴式心电监测设备采集的心跳序列进行实时的心律失常分类检测，具体包括：对待检测的心跳序列进行多层卷积计算，得到一组高度集成的特征序列；采用双层池化对得到的特征序列进行特征降维，得到压缩后的一组特征值；将特征值输入到全连接层，得到心律失常分类的预测结果；本发明基于对不同网络结构应用效果的研究，采用单路径多层网络对穿戴式心电监测设备采集的心跳序列进行检测，并对模型结构进行改进，简化模型的参数量以及计算量，满足穿戴式心电设备的硬件要求，实现高精度的心律失常自动检测。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.043 seconds)
