-
公开(公告)号：CN113274031B
公开(公告)日：2023-12-29
申请号：CN202110479638.8
申请日：2021-04-30
申请人： 西安理工大学
IPC分类号： A61B5/352 , A61B5/346 , A61B5/0245
摘要： 本发明公开了一种基于深度卷积残差网络的心律失常分类方法，具体按照以下步骤实施：步骤1、选取MIT‑BIH心律失常数据库的心电数据；步骤2、对步骤1选取的心电数据进行预处理；步骤3、对步骤2预处理后的心电数据进行分割；构建分类网络模型；步骤4、利用步骤3分割的心电数据对网络模型进行训练；步骤5、将待测试的心电数据片段输入所述训练好的深度卷积残差网络模型，最终输出心电信号片段的分类结果。解决了现有技术中存在的疾病分类准确度低的问题。
-
公开(公告)号：CN113274031A
公开(公告)日：2021-08-20
申请号：CN202110479638.8
申请日：2021-04-30
申请人： 西安理工大学
IPC分类号： A61B5/352 , A61B5/346 , A61B5/0245
摘要： 本发明公开了一种基于深度卷积残差网络的心律失常分类方法，具体按照以下步骤实施：步骤1、选取MIT‑BIH心律失常数据库的心电数据；步骤2、对步骤1选取的心电数据进行预处理；步骤3、对步骤2预处理后的心电数据进行分割；构建分类网络模型；步骤4、利用步骤3分割的心电数据对网络模型进行训练；步骤5、将待测试的心电数据片段输入所述训练好的深度卷积残差网络模型，最终输出心电信号片段的分类结果。解决了现有技术中存在的疾病分类准确度低的问题。
-
公开(公告)号：CN118351076A
公开(公告)日：2024-07-16
申请号：CN202410456741.4
申请日：2024-04-16
申请人： 西安理工大学
摘要： 本发明公开了基于多分枝监督的肺部x图像分割方法，具体包括如下步骤：步骤1，输入公开QaTa‑COV19数据集，将该数据集划分为测试集和训练集，分别对测试集和训练集中图像进行预处理；步骤2，构建基于多分枝监督的肺部图像分割网络模型，通过该模型对步骤1处理后的图像进行分割；步骤3，使用步骤1处理后的QaTa‑COV19训练集对步骤2构建的模型进行训练；步骤4，将步骤1预处理后的QaTa‑COV19测试集送入步骤3训练好的模型，最终输出分割的结果。本发明克服了传统图像分割方法只关注边缘信息以及网络加深梯度消失的问题，能够精确地分割病变区域。
-
公开(公告)号：CN118319249A
公开(公告)日：2024-07-12
申请号：CN202410560676.X
申请日：2024-05-08
申请人： 西安理工大学
IPC分类号： A61B5/00 , A61B5/346 , G06F18/10 , G06F18/213 , G06F18/214 , G06F18/23
摘要： 本发明公开了基于聚类对比学习的睡眠呼吸暂停检测方法，具体包括如下步骤：步骤1，输入公开数据集中原始ECG信号，将数据集中的ECG信号经过相应的预处理操作后划分为训练集；步骤2，构建基于聚类对比学习的睡眠呼吸暂停检测模型，对步骤1得到的预处理后的训练集进行对比学习预训练；步骤3，对步骤2中对比学习预训练完成后，将完成预训练的一组编码器模块训练权重保存下来，最后将与该权重对应的编码器输出的特征输入分类器进行微调阶段的学习，并继续优化该权重；步骤4，将步骤1预处理后的测试集送入步骤3微调好的编码器权重，输出测试集分类检测的结果。本发明利用聚类方法和对比学习框架，提高了睡眠呼吸暂停事件检测的准确性。
-
公开(公告)号：CN113313644B
公开(公告)日：2024-03-26
申请号：CN202110578932.4
申请日：2021-05-26
申请人： 西安理工大学
摘要： 本发明公开了一种基于残差双注意力网络的水下图像增强方法，具体按照以下步骤实施：步骤1、对输入的图像进行预处理；步骤2、将预处理的图像映射到R通道、G通道、B通道，分别对每个颜色通道进行单独的卷积操作；步骤3、使用基于残差双注意力的编解码器的深度网络架构对图像进行处理，编码器用于提取图像特征，减少空间维度，增大感受野；解码器用于逐步恢复恢复图像的细节信息和空间维度；利用预处理的图像对残差双注意力网络模型进行训练，得到训练好的残差双注意力网络模型；步骤4、将模糊的低质量的水下图像输入所述训练好的残差双注意力网络模型中，得到清晰的水下图像。解决了现有技术中存在的水下图像存在的颜色偏差的问题。
-
公开(公告)号：CN116542868A
公开(公告)日：2023-08-04
申请号：CN202310290621.7
申请日：2023-03-23
申请人： 西安理工大学
摘要： 本发明公开了一种基于注意力的生成对抗网络的X胸片肋骨影像的抑制方法，具体包括如下步骤：步骤1，对数据集中的训练集和测试集图像进行预处理；步骤2，构建基于注意力的生成对抗网络的X胸片肋骨影像抑制网络模型；步骤3，采用步骤1预处理好的训练集数据对步骤2构建的模型进行训练，得到训练后的基于注意力的生成对抗网络的X胸片肋骨影像抑制网络模型；步骤4，将步骤1预处理后的测试集图像放入步骤3训练好的模型中，最终得到骨抑制后的软组织图像。本发明克服了现有方法直接生成骨抑制图像造成的纹理细节丢失、生成图像模糊或肋骨抑制不彻底的问题，进而得到清晰不改变非肋骨区细节信息的骨抑制图像。
-
公开(公告)号：CN116612026A
公开(公告)日：2023-08-18
申请号：CN202310522487.9
申请日：2023-05-10
申请人： 西安理工大学
IPC分类号： G06T5/00 , G06T5/50 , G06V10/771 , G06V10/82 , G06N3/0464 , G06N3/0455 , G06N3/0475 , G06N3/084
摘要： 本发明公开了一种基于联合预测滤波的生成网络的X胸片肋骨影像的抑制方法，具体包括如下步骤：步骤1，对数据集中的训练集和测试集图像进行预处理；步骤2，构建基于联合预测滤波的生成网络的X胸片肋骨影像抑制网络模型；步骤3，采用步骤1预处理好的训练集数据对步骤2构建的模型进行训练，得到训练后的基于联合预测滤波的生成网络的X胸片肋骨影像抑制网络模型；步骤4，将步骤1预处理后的测试集图像放入步骤3训练好的模型中，最终得到骨抑制后的软组织图像。采用该方法对X线胸片肋骨影像进行处理，可以减小肋骨重叠的结构遮挡对阅读X线胸片的负面影响。
-
公开(公告)号：CN113768514A
公开(公告)日：2021-12-10
申请号：CN202110909940.2
申请日：2021-08-09
申请人： 西安理工大学
摘要： 本发明公开了一种基于卷积神经网络与门控循环单元的心律失常分类方法，具体按照以下步骤实施：步骤1、选取MIT‑BIH心律失常数据库的心电数据作为本发明数据集；步骤2、对步骤1选取的心电数据集进行预处理；步骤3、对步骤2预处理后的心电数据进行分割；构建分类网络模型；步骤4、利用步骤3分割心电数据的部分节拍数据片段作为训练集对网络模型进行训练；步骤5、将步骤3分割心电数据的剩余心电数据片段作为测试集输入所述训练好的基于卷积神经网络与门控循环单元的网络模型中，最终输出心电信号片段的分类结果。解决了现有技术中存在的网络梯度消失和部分心律失常疾病分类准确度低的问题。
-
公开(公告)号：CN118447226A
公开(公告)日：2024-08-06
申请号：CN202410544535.9
申请日：2024-05-06
申请人： 西安理工大学
IPC分类号： G06V10/25 , G06V10/80 , G06V10/82 , G06V20/10 , G06N3/0464 , G06N3/0455
摘要： 本发明公开了基于双向特征融合网络的旋转目标检测方法，具体包括如下步骤：步骤1，获取预处理后的图像Input；步骤2，对步骤1所得图像X进行特征提取、自适应特征融合以及双分支特征信息解耦，构建基于双向特征融合网络的旋转目标检测网络模型；步骤3，采用步骤1预处理好的数据集对步骤3构建的模型进行训练，得到训练好的基于双向特征融合网络的旋转目标检测模型。步骤4，将经步骤1处理的测试集图像放入步骤3训练好的模型，即得。本发明克服了航空遥感图像中的旋转目标的尺度差距大以及小目标检测的问题，进而精确地检测地面旋转目标。
-
公开(公告)号：CN113768514B
公开(公告)日：2024-03-22
申请号：CN202110909940.2
申请日：2021-08-09
申请人： 西安理工大学
摘要： 本发明公开了一种基于卷积神经网络与门控循环单元的心律失常分类方法，具体按照以下步骤实施：步骤1、选取MIT‑BIH心律失常数据库的心电数据作为本发明数据集；步骤2、对步骤1选取的心电数据集进行预处理；步骤3、对步骤2预处理后的心电数据进行分割；构建分类网络模型；步骤4、利用步骤3分割心电数据的部分节拍数据片段作为训练集对网络模型进行训练；步骤5、将步骤3分割心电数据的剩余心电数据片段作为测试集输入所述训练好的基于卷积神经网络与门控循环单元的网络模型中，最终输出心电信号片段的分类结果。解决了现有技术中存在的网络梯度消失和部分心律失常疾病分类准确度低的问题。
-
-
-
-
-
-
-
-
-
搜索结果
12 条记录 (耗时 0.023 秒)