-
公开(公告)号：CN110811556A
公开(公告)日：2020-02-21
申请号：CN201911118032.0
申请日：2019-11-15
Applicant: 西安交通大学
IPC: A61B5/00 , A61B5/0476 , A61B5/145
Abstract: 一种基于脑电微状态分析的麻醉深度监测系统及方法，系统包括脑电信号采集模块A、微状态时间序列构建模块B、微状态参数计算模块C和分类识别模块D四个模块，先用高密度脑电采集被试全脑脑电信号，然后根据微状态算法构建相应的微状态时间序列；再计算该时间序列的如时间占比、能量等微状态参数；接着通过主成分分析对微状态参数精简，得到特征值，使用支持向量机进行识别分类；本发明在把大脑作为一个有机整体的基础上，将脑电的时间信息和空间信息结合起来，反映脑电拓扑在时域上的特征，同时能够有效、准确地监测病人麻醉深度。
-
公开(公告)号：CN109833031A
公开(公告)日：2019-06-04
申请号：CN201910185683.5
申请日：2019-03-12
Applicant: 西安交通大学
IPC: A61B5/00
Abstract: 一种基于LSTM利用多生理信号的自动睡眠分期方法，步骤一信号采集，采集被测者心电信号，呼吸信号和加速度信号；步骤二信号处理，步骤三提取用于分类的特征，步骤四模型构建，将人工提取的特征输入第一层长短时间记忆模型，将其输出概率作为新的特征与人工提取的特征一并输入第二层长短时间记忆模型，构建出用于不同分类任务的分类器，步骤五将训练好的模型用于睡眠分期的分类；本发明采用了多种生理信号，包括心电信号、胸腹呼吸信号、头部加速度信号，但是没有脑电信号，克服了将脑电用于睡眠分期所带来的弊端；同时采用了长短时间记忆模型，适合于大样本大数据，而且考虑到了睡眠事件时间上的相关性，提高了睡眠分期的准确性与可靠性。
-
公开(公告)号：CN108703741B
公开(公告)日：2019-04-09
申请号：CN201810290894.0
申请日：2018-03-30
Applicant: 西安交通大学
IPC: A61B5/00
Abstract: 一种多策略的NIRS干扰检测和去除方法，包含三个步骤：步骤一，干扰检测，用NIRS信号与加速度信号对干扰进行检测，将干扰分为三种类型，即轻度干扰、中度干扰、重度干扰，并在此基础上确认信号是否发生了基线突变；步骤二，严重干扰处理阶段，将中度干扰、重度干扰和基线突变用插值的方法进行去除；步骤三，小波双阈值干扰去除，得到干净的NIRS信号。本发明采用多种策略来检测NIRS信号中的干扰，适合于短时测量和长时监测等多个应用场景，同时将干扰分为不同的类型并予以不同的处理方式，最后根据检测阈值和处理阈值的双保险策略，可以在有效去除干扰的同时尽可能多地保留有用信息，相比于传统的NIRS干扰去除算法，具有准确性和可靠性都得到了提高。
-
公开(公告)号：CN105446446B
公开(公告)日：2019-01-08
申请号：CN201510930457.7
申请日：2015-12-12
Applicant: 西安交通大学
Abstract: 一种硬件看门狗电源控制装置及方法,看门狗芯片输出连接至A单稳触发器的输入，A单稳触发器输出连接至B单稳触发器输入，B单稳触发器输出对控制器电源进行控制，波形整形器的输出分别连接A单稳触发器和B单稳触发器的复位端并且同时输入到控制器，控制器正常工作时定期向看门狗芯片发送喂狗信号，如果在看门狗芯片规定的最长喂狗间期内控制器没有产生喂狗信号，看门狗芯片将产生复位脉冲，导致B单稳触发器产生足够宽度的控制器电源控制信号，控制器电源控制信号可以管理控制器电源，保证控制器相关电路能充分放电然后能正常重新启动；本发明保证由于任何干扰因素导致的系统死机都能自动恢复到正常工作状态。
-
公开(公告)号：CN108577834A
公开(公告)日：2018-09-28
申请号：CN201810475170.3
申请日：2018-05-17
Applicant: 西安交通大学
IPC: A61B5/0476 , G06K9/00
CPC classification number: A61B5/0476 , A61B5/4094 , A61B5/725 , G06K9/00885
Abstract: 一种用于癫痫间期棘波自动检测的方法，MEMD从癫痫病人的头皮脑电上提取棘波所在的成分，经过求信号包络，求动态的阈值曲线，能定位棘波出现的位置；本发明的优势在于能够根据脑电自适应的调整其频带范围，准确的定位癫痫发作间期的棘波出现的位置；为减少临床医生人眼识别棘波的负担提供了新的思路，实现间期棘波更加准确的自动检测；通过对比发现，该方法在灵敏度和误报率两个方面的综合要优于其基于信号包络分布模型方法，能够有着更好的棘波检测结果。
-
Patent Agency Ranking
公开(公告)号：CN106037759A
公开(公告)日：2016-10-26
申请号：CN201610505040.0
申请日：2016-06-30
Applicant: 西安交通大学
IPC: A61B5/1455 , A61B5/00
CPC classification number: A61B5/14551 , A61B5/0075 , A61B5/14553 , A61B5/4818 , A61B5/7203 , A61B5/7235 , A61B5/7275
Abstract: 一种面向睡眠呼吸暂停的大脑自调节指数检测方法，包括五个步骤，步骤一、对采用近红外光谱记录器采集得到的组织血氧与脉搏血氧进行去噪、降采样等预处理；步骤二、计算组织血氧与脉搏血氧的移动相关系数r；步骤三、对得到的移动相关系数分段加权得到加权移动相关系数wr；步骤四、对加权移动相关系数求加权平均得到大脑自调节指数CARindex；步骤五、通过大脑自调节指数评估睡眠呼吸暂停综合症对大脑自调节功能影响；本发明可有效避免现有方法数据采集复杂、操作困难等缺陷。
-
公开(公告)号：CN103750845B
公开(公告)日：2016-05-04
申请号：CN201410007195.2
申请日：2014-01-06
Applicant: 西安交通大学
Abstract: 一种自动去除近红外光谱信号运动伪迹的方法，包括以下四个步骤：步骤一计算近红外光谱信号的移动标准差，自动选取阈值并标记原始信号运动伪迹区域；步骤二对近红外光谱信号进行经验模式分解，得到具有明确生理意义的固有模式分量；步骤三计算每个固有模式分量的疑似运动伪迹区域，结合步骤一得到的原始信号运动伪迹区域，对不同固有模式分量进行处理，进行运动伪迹消除；步骤四信号重构，本发明根据近红外光谱信号的概率分布特点，自动选取阈值和检测含运动伪迹的区间；对近红外光谱信号进行经验模式分解可得到具有明确生理意义的固有模式分量，通过对明显异常的固有模式分量进行处理，可以在去除运动伪迹的同时有效保留NIRS信号中的生理信息。
-
公开(公告)号：CN104688220A
公开(公告)日：2015-06-10
申请号：CN201510043959.8
申请日：2015-01-28
Applicant: 西安交通大学
IPC: A61B5/0476
CPC classification number: A61B5/0476 , A61B5/04017 , A61B5/7203
Abstract: 一种去除脑电信号中眼电伪迹的方法，结合ICA和MEMD这两种方法，MEMD从脑电信号中完全提取出眼电伪迹，并且保留了部分脑电信息，这样去除眼电的时候，避免了部分脑电信息的损失；ICA从脑电信号中分离出来眼电伪迹，通过计算独立分量的四阶累积量判定伪迹，然后去除眼电；本发明的优势用于眼电伪迹的去除，不仅能够自动识别眼电伪迹并将其去除，同时保留了大量脑电信息，为脑电去噪提供了一种新思路；该方法不仅能够有效地去除眼电伪迹，而且保留了大量有用的脑电信息，通过与单独的ICA方法进行对比，结果表明IMEMD方法去噪效果更好，能够进一步提高信号信噪比和减少信号均方误差。
-
公开(公告)号：CN117322834A
公开(公告)日：2024-01-02
申请号：CN202310634664.2
申请日：2023-05-31
Applicant: 西安交通大学
Abstract: 一种基于变分模态分解决策树的睡眠与觉醒分割方法，使用带有加速度计的腕表装置采集使用者的加速度计信号并提取相应的特征，利用粒子群优化算法寻优决策树的最大树深度和分割一个内部节点所需的最小样本数两个超参数，并依据所得的超参数对采集的数据进行决策树分类，依据决策树分类结果，依次进行均值滤波、状态转移条件分割、回退分割位置等操作后，利用变分模态分解方法进行分割位置的后调整，本发明能很好地对带有加速度计的腕表装置采集的加速度计信号进行睡眠与觉醒时期的分割，为后续进行睡眠时期分类提供依据。
-
公开(公告)号：CN117183819A
公开(公告)日：2023-12-08
申请号：CN202311151328.9
申请日：2023-09-07
Applicant: 中检西部检测有限公司 , 西安交通大学
IPC: B60L58/12 , G01R31/367 , G01R31/3842 , G01R31/392 , B60L3/12
Abstract: 基于单位电量行程和电池老化修正的续驶里程估计方法，主要包括电池SOC在线估计、电池SOH定期更新、单位SOC行程估计、续驶里程估计4个步骤；本发明利用定期的电池SOH估计校正电池的SOC估计，结合单位SOC行程估计实现准确的续驶里程估计，具有模型结构简单，计算量小，估计精度高，易于车载BMS实现；在日常行驶工况下，本发明的续驶里程最大估计误差在3km以内，满足电动车辆的运行需求。
-
-
-
-
-
-
-
-
-
Search Results
95
records
(took 0.037 seconds)
