-
Patent Agency Ranking
公开(公告)号：CN115105085A
公开(公告)日：2022-09-27
申请号：CN202210661407.3
申请日：2022-06-13
Applicant: 南京信息工程大学
Abstract: 本发明提供一种基于自动深度卷积学习模型的十二导联心电图的分类方法，具体为：步骤1：对样本心电信号进行去噪处理；并将去噪处理后的心电信号划分成训练集和测试集；步骤2：构建基于Resnet34的深度卷积学习模型；步骤3：对心电信号中每类心拍类型标签进行One‑Hot编码；步骤4：采用训练集对步骤3的深度卷积学习模型进行训练；训练完成后，保存准确率最高的模型参数和准确率；并采用测试集测试训练后的深度卷积学习模型的准确度。步骤5：将实际的心电信号输入至训练后得到的基于Resnet34的深度卷积学习模型中，得到实际的心电信号的类别。本发明提高了分类的精度，并且增加了模型的可解释性。
-
公开(公告)号：CN115105085B
公开(公告)日：2024-12-03
申请号：CN202210661407.3
申请日：2022-06-13
Applicant: 南京信息工程大学
IPC: A61B5/318 , A61B5/346 , A61B5/00 , G06F18/241 , G06F18/2415 , G06N3/0464 , G06N3/084 , G06N3/0985
Abstract: 本发明提供一种基于自动深度卷积学习模型的十二导联心电图的分类方法，具体为：步骤1：对样本心电信号进行去噪处理；并将去噪处理后的心电信号划分成训练集和测试集；步骤2：构建基于Resnet34的深度卷积学习模型；步骤3：对心电信号中每类心拍类型标签进行One‑Hot编码；步骤4：采用训练集对步骤3的深度卷积学习模型进行训练；训练完成后，保存准确率最高的模型参数和准确率；并采用测试集测试训练后的深度卷积学习模型的准确度。步骤5：将实际的心电信号输入至训练后得到的基于Resnet34的深度卷积学习模型中，得到实际的心电信号的类别。本发明提高了分类的精度，并且增加了模型的可解释性。
-
公开(公告)号：CN114595731A
公开(公告)日：2022-06-07
申请号：CN202210495956.8
申请日：2022-05-09
Applicant: 南京信息工程大学
Abstract: 本发明提出一种基于持续学习的非线性医疗传感器数据的语义分割方法，包括：基于CNN构建语义分割模型；将心电信号样本数据集导入语义分割模型进行迭代训练；选取对于当前训练任务难度较低的实例定义为第一重要实例存放至缓冲区；将脑电信号样本数据集中导入语义分割模型再次进行训练；选取对于当前训练任务难度较低的实例定义为第二重要实例存放至缓冲区；采用缓冲区存储的重要实例对模型再次训练，保存准确率最高的模型作为最终应用的语义分割模型。本发明能够使计算机进行自动、高效、准确地对非线性的医疗传感器数据中的各个类别的数据进行精确定位和分类；并且使得模型具有一定的持续学习能力和迁移能力。
-
公开(公告)号：CN116327211A
公开(公告)日：2023-06-27
申请号：CN202310159027.4
申请日：2023-02-23
Applicant: 南京信息工程大学
IPC: A61B5/346
Abstract: 本发明公开了基于可持续学习浅层循环神经网络的心电信号分类装置，包括预处理模块、信号初始化模块、神经网络分类模块；其中，预处理模块，用于接收心电图机输出的心电信号，对心电信号分别进行数据弱增强和数据强增强；信号初始化模块，用于对经过弱增强的心电信号和强增强心电信号进行重要性评估，然后对分别进行编码；神经网络分类模块，用于对信号初始化模块输出的心电信号进行训练，获得心电信号分类模型，实现对心电信号正常或异常的分类结果。本发明能够实现对于多维时间序列数据的自动、高效、准确的处理，同时解决RNN模型对于时序的依赖以及对于多维时间序列数据在硬件上的处理对于物理成本消耗很大的问题。
-
公开(公告)号：CN114595731B
公开(公告)日：2022-08-19
申请号：CN202210495956.8
申请日：2022-05-09
Applicant: 南京信息工程大学
Abstract: 本发明提出一种基于持续学习的非线性医疗传感器数据的语义分割方法，包括：基于CNN构建语义分割模型；将心电信号样本数据集导入语义分割模型进行迭代训练；选取对于当前训练任务难度较低的实例定义为第一重要实例存放至缓冲区；将脑电信号样本数据集中导入语义分割模型再次进行训练；选取对于当前训练任务难度较低的实例定义为第二重要实例存放至缓冲区；采用缓冲区存储的重要实例对模型再次训练，保存准确率最高的模型作为最终应用的语义分割模型。本发明能够使计算机进行自动、高效、准确地对非线性的医疗传感器数据中的各个类别的数据进行精确定位和分类；并且使得模型具有一定的持续学习能力和迁移能力。
-
-
-
-
Search Results
5
records
(took 0.029 seconds)
