-
公开(公告)号：CN111685754B
公开(公告)日：2022-05-10
申请号：CN202010566310.5
申请日：2020-06-19
Applicant: 苏州大学
Abstract: 本发明涉及一种针对可穿戴ECG采集设备的心率计算方法及系统,包括构建网络训练模型，由所述网络训练模型得到一段心电信号检测出的R波位置，并计算出所有RR间期的值；对所述RR间期的值进行升序排序，筛选出合适的RR间期；计算剩余RR间期均值，根据所述剩余RR间期均值计算心率。本发明在运动状态下心率检测值稳定，检测准确。
-
公开(公告)号：CN110840428B
公开(公告)日：2022-02-01
申请号：CN201911201877.6
申请日：2019-11-29
Applicant: 苏州大学
Abstract: 本发明公开了一种基于一维U‑Net网络的无创血压估计方法，包括以下步骤：从血压测试数据库中获取样本数据；所述样本数据包括脉搏波的一阶差分数据、脉搏波的二阶差分数据和同时含有脉冲波和动脉血压波形的数据；搭建基于一维U‑Net网络的血压估计网络；所述基于一维U‑Net网络的血压估计网络包括一维U‑Net网络和设置在所述一维U‑Net网络之后的全连接层；将所述样本数据带入所述血压估计网络进行训练，更新血压估计网络的权重参数，获得训练后的血压估计网络；将实时采集的脉搏波信号输入训练后的血压估计网络，获得实时测试数据的信号输出。其能够实现连续的血压测量，无须人工设计特征，血压结果稳定，准确度高。
-
公开(公告)号：CN113576486A
公开(公告)日：2021-11-02
申请号：CN202110852745.0
申请日：2021-07-27
Applicant: 苏州大学
Abstract: 本发明涉及一种实时生理监测装置及监测电路。所述实时生理监测装置应用于可穿戴载体上，包括：主控制器、心电采集单元、姿态识别单元和蓝牙单元；心电采集单元的采集端与人体连接，所述心电采集单元的输出端与主控制器的输入端连接；姿态识别单元的采集端与人体连接，所述姿态识别单元的输出端与主控制器的输入端连接；所述主控制器的输出端与所述蓝牙单元的输入端连接，所述蓝牙单元的输出端与移动端通讯连接；所述主控制器、心电采集单元、姿态识别单元和蓝牙单元相互配合形成一集成模块。其能将心电信号的监测应用于在可穿戴设备中，以此来监测并及时发现运动员的突发性疾病，加强对运动员的生命安全保障；同时本装置采用模块化设计，简单轻便。
-
-
公开(公告)号：CN110353665A
公开(公告)日：2019-10-22
申请号：CN201910749358.7
申请日：2019-08-14
Applicant: 苏州大学
IPC: A61B5/0452 , A61B5/0472 , A61B5/00
Abstract: 本发明公开了一种基于改进的一维U-net的单导心电图信号特征波形检测方法。本发明基于改进的一维U-net的单导心电图信号特征波形检测方法，包括：S1.数据准备：准备的心电信号数据采样率为500HZ，心电信号的输入长度固定为统一长度，并给心电信号增加不同程度的高斯白噪声与脉冲噪声，对心电信号进行不同程度的缩放。本发明的有益效果：1.本方法无需人工设计特征，本方法使用的U-net中使用的参数皆为自动学习得到；2.本方法在定位P波或是T波边界点时无需预先定位R波或是QRS波群，P波、T波的边界点定位与QRS波群的边界点定位是同时进行的。
-
Patent Agency Ranking
公开(公告)号：CN115590524B
公开(公告)日：2024-09-24
申请号：CN202211116660.7
申请日：2022-09-14
Applicant: 苏州大学
IPC: A61B5/318 , A61B5/36 , A61B5/00 , A61B5/352 , A61B5/366 , A61B5/353 , A61B5/355 , G06F18/24 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及一种基于卷积神经网络的QT间期延长识别方法，包括采集受试者的心电图，对心电信号进行预处理；对预处理后的心电信号进行波形检测，得到波形检测结果；根据波形检测结果计算QTc值；利用卷积神经网络和注意力机制构建QT间期延长识别模型，并使用数据训练QT间期延长识别模型；使用训练好的QT间期延长识别模型对未知QT间期状态的信号进行预测，实现QT间期延长的识别。本发明利用残差网络结构结合注意力机制的算法实现QT间期延长的识别，有效降低了模型的复杂度，避免由于波形定位的准确性影响QT间期延长识别精度的问题，同时实现了端到端的识别，省去了中间环节的人为参与，提升了辅助诊断的便捷性。
-
公开(公告)号：CN115590524A
公开(公告)日：2023-01-13
申请号：CN202211116660.7
申请日：2022-09-14
Applicant: 苏州大学(CN)
IPC: A61B5/318 , A61B5/36 , A61B5/00 , A61B5/352 , A61B5/366 , A61B5/353 , A61B5/355 , G06F18/24 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及一种基于卷积神经网络的QT间期延长识别方法，包括采集受试者的心电图，对心电信号进行预处理；对预处理后的心电信号进行波形检测，得到波形检测结果；根据波形检测结果计算QTc值；利用卷积神经网络和注意力机制构建QT间期延长识别模型，并使用数据训练QT间期延长识别模型；使用训练好的QT间期延长识别模型对未知QT间期状态的信号进行预测，实现QT间期延长的识别。本发明利用残差网络结构结合注意力机制的算法实现QT间期延长的识别，有效降低了模型的复杂度，避免由于波形定位的准确性影响QT间期延长识别精度的问题，同时实现了端到端的识别，省去了中间环节的人为参与，提升了辅助诊断的便捷性。
-
公开(公告)号：CN115153581A
公开(公告)日：2022-10-11
申请号：CN202210859962.7
申请日：2022-07-21
Applicant: 苏州大学
IPC: A61B5/346
Abstract: 本发明提出了一种基于卷积神经网络和Transformer的心电信号特征波形检测方法，利用卷积神经网络提取信号的空间信息，并利用Transformer基于自注意力机制捕获时序特征，Transformer中采用多头注意力机制，不同的自注意力模块之间互不干扰，没有依赖关系。可以分别对各个模块计算之后将计算结果整合得到最终输出，这种方式称为并行计算，在实际运算过程中，并行计算的速度比串行计算的速度快，使得心电信号特征波形检测更为高效；为了更加精确的定位，选用跳层连接结构，将卷积神经网络特征提取器的中间结果与相应的解码器特征图在通道维度上拼接，将浅层位置信息和深层语义信息相结合,使得心电信号特征波形检测更为精确。
-
公开(公告)号：CN112704503A
公开(公告)日：2021-04-27
申请号：CN202110056325.1
申请日：2021-01-15
Applicant: 苏州大学
Abstract: 本发明公开了一种心电信号噪声处理方法，包括以下步骤：使用人工合成的数据集训练轻量深度学习网络得到训练完成的轻量深度学习网络，测试后端应用算法得到对应的预设熵阈值；将采集到的心电信号数据分段并输入训练完成的训练轻量深度学习网络，分类得到含噪声部分的信号段数据；计算含噪声部分的信号段数据的样本熵，与预设熵阈值比较并将大于预设熵阈值的信号段数据去除，得到去噪后的心电信号数据。本发明通过轻量深度学习网络直接对段信号进行分类，避免了人工提取特征的弊端；通过样本熵对分段信号去噪，有效降低肌电干扰、电极运动干扰噪声对诊断系统造成的误警，提高后端应用算法在心电信号中含有噪声时的准确性。
-
公开(公告)号：CN112617850A
公开(公告)日：2021-04-09
申请号：CN202110004807.2
申请日：2021-01-04
Applicant: 苏州大学
Abstract: 本发明公开了一种心电信号的早搏心拍检测方法，包括：步骤一：将预设采样率的心电信号的输入长度固定为统一长度，并给心电信号增加不同程度的噪声，给心电信号每一组数据准备了其对应的标签，标签有两个通道，每个通道分别划分好对应的室性早搏QRS波段和室上性早搏QRS波段；步骤二：将步骤一中的心电信号进行低通滤波，并结合对应的标签输入到神经网络中进行训练，所述神经网络的损失函数为Dice损失函数，所述神经网络采用一维U‑net网络结构。本发明的有益效果：无需复杂的前期去噪或者域变换、无需人工设计特征；鲁棒性强、能够在高噪信号中准确检测出早搏心拍，即早搏心拍中的QRS波位置；端到端的检测、再通过后处理直接输出早搏类型与位置。
-
-
-
-
-
-
-
-
-
Search Results
28
records
(took 0.019 seconds)
