-
公开(公告)号：CN115953628A
公开(公告)日：2023-04-11
申请号：CN202211704252.3
申请日：2022-12-29
申请人： 西安理工大学 , 西安交通大学第二附属医院
IPC分类号： G06V10/764 , G06T3/40 , G06T3/60 , G06V10/774 , G06V10/82 , G06N3/084
摘要： 本发明公开了一种小样本白光图像下声带白斑类型的分类方法，首先建立数据库，将数据库中的声带白斑图像随机分成训练集和测试集；对建立的训练集进行数据扩增，得到扩增后的训练集；对扩增后的训练集和建立的测试集分别进行预处理，得到归一化的训练集图像和测试集图像；然后构建孪生深度网络，最后预测声带白光图像类别，输出结果即为预测的测试集中声带白光图像所属类别。本发明解决了现有技术中存在的小样本下声带白斑图像分类精度较低的问题。
-
公开(公告)号：CN115578335B
公开(公告)日：2023-05-05
申请号：CN202211200746.8
申请日：2022-09-29
申请人： 西安理工大学 , 西安交通大学第二附属医院
IPC分类号： G06T7/00 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08
摘要： 本发明的目的是提供一种基于多尺度特征提取的声带白斑图像分类方法，首先建立数据库，将该数据库中的图像随机分成训练集和测试集；然后进行预处理，得到归一化的训练集图像和测试集图像；再构建基于多尺度特征提取的卷积神经网络：采用训练集图像作为基于多尺度特征提取的卷积神经网络的输入，训练、更新网络参数，从而得到基于多尺度特征提取的卷积神经网络的模型；最后预测喉镜白光图像类别，网络得到的输出结果即为预测的测试集中喉镜白光图像所属类别。本发明解决了现有技术中存在的声带白斑图像分类精度有限的问题。
-
公开(公告)号：CN115578335A
公开(公告)日：2023-01-06
申请号：CN202211200746.8
申请日：2022-09-29
申请人： 西安理工大学 , 西安交通大学第二附属医院
IPC分类号： G06T7/00 , G06V10/764 , G06V10/82 , G06N3/04 , G06N3/08
摘要： 本发明的目的是提供一种基于多尺度特征提取的声带白斑图像分类方法，首先建立数据库，将该数据库中的图像随机分成训练集和测试集；然后进行预处理，得到归一化的训练集图像和测试集图像；再构建基于多尺度特征提取的卷积神经网络：采用训练集图像作为基于多尺度特征提取的卷积神经网络的输入，训练、更新网络参数，从而得到基于多尺度特征提取的卷积神经网络的模型；最后预测喉镜白光图像类别，网络得到的输出结果即为预测的测试集中喉镜白光图像所属类别。本发明解决了现有技术中存在的声带白斑图像分类精度有限的问题。
-
公开(公告)号：CN118152925A
公开(公告)日：2024-06-07
申请号：CN202410293390.X
申请日：2024-03-14
申请人： 西安理工大学
IPC分类号： G06F18/2415 , A61B5/00 , A61B5/318 , A61B5/346 , A61B5/352 , G06F18/213 , G06F18/25 , G06N3/0455 , G06N3/0442 , G06N3/0464 , G06N3/084 , G06N3/0985 , G06F123/02
摘要： 本发明公开了基于多尺度时通特征融合的生理信号片段分类方法，利用由时间注意力和改进GCT模块(IGCT)组成的时间‑通道注意力模块TIGCT与Transformer组成的基于多尺度时通特征融合Transformer的生理信号片段分析模型进行生理信号分析，改善ECG信号特征差异不显著的情况，以提高分析生理信号片段是否发生睡眠呼吸暂停事件的准确率。
-
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：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：CN116509421A
公开(公告)日：2023-08-01
申请号：CN202310509949.3
申请日：2023-05-08
申请人： 西安理工大学
IPC分类号： A61B5/372
摘要： 本发明公开了一种基于窗口注意力机制的自动睡眠分期方法，网络包括特征提取模块、特征提炼模块、时序捕获模块和分类器。首先，通过不同的卷积核大小所构成的双路卷积神经网络，实现了对于原始脑电信号高低频的浅层特征提取，并通过堆叠多层卷积层实现深层特征提取；然后，通过由降维和通道注意力机制组成的特征提炼模块，降低了输出特征通道的个数，并尽可能保留了关键的特征通道；最后，通过基于窗口注意力机制实现的时序捕获模块，实现了对于序列信息的有效处理，模型更加聚焦于窗口内的特征通道；同时，在窗口注意力的权重分配中引入了医生判读的经验知识，从而最终实现了更加准确的分类结果。
-
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：CN116458884A
公开(公告)日：2023-07-21
申请号：CN202310439774.3
申请日：2023-04-23
申请人： 西安理工大学
摘要： 本发明公开了一种基于多模态多尺度共注意力的生理信号片段分析方法，具体包括如下步骤：步骤1，输入公开数据集中原始ECG和SpO2信号，对相应信号进行预处理操作后划分为训练集和测试集；步骤2，构建基于多模态多尺度共注意力的生理信号片段分析模型；步骤3，使用步骤1处理后的训练集对步骤2构建的模型进行训练；步骤4，将步骤1预处理后的测试集ECG和SpO2信号送入步骤3训练好的模型，最终输出分类检测的结果。该方法利用多头注意力的结构进行多尺度多模态融合的生理信号片段分析，以提高分析生理信号片段是否发生睡眠呼吸暂停事件的准确率。
-
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。
-
-
-
-
-
-
-
-
-
搜索结果
17 条记录 (耗时 0.043 秒)