-
公开(公告)号：CN110956192A
公开(公告)日：2020-04-03
申请号：CN201910259938.8
申请日：2019-04-02
Applicant: 南京邮电大学
IPC: G06K9/62
Abstract: 本发明公开了一种非重构压缩感知生理数据的分类方法及装置，通过设计的生理信号的行阶梯观测矩阵对生理信号进行压缩感知，并使用MFCC、GFCC、PNCC提取压缩感知后的心音信号观测序列的信号特征，对提取的信号特征进行融合，使用多类支持向量机对进行融合后的特征向量进行分类，获取生理数据的分类结果，并对无法确定的信号进行重构任何再次进行分类，最后对分类结果进行存储；本发明提供的非重构压缩感知生理数据的分类方法及装置，具有分类方法简单、分类正确率高的特点。
-
公开(公告)号：CN119446531A
公开(公告)日：2025-02-14
申请号：CN202411667193.6
申请日：2024-11-20
Applicant: 南京邮电大学
IPC: G16H50/30 , G16H50/70 , G06N20/20 , G06F18/22 , G06F17/16 , G06F18/243 , G06F18/2411 , G06F18/2415 , G06F18/214
Abstract: 本发明提供了一种基于特征组合和集成学习的心脏病预测方法，包括数据集预处理、特征组合、基础分类器训练和集成预测四个阶段。数据预处理阶段对公开心脏病数据集进行量纲统一和缺失值的处理，并将处理好的数据集利用设计的特征组合算法进行特征间的组合，生成新的特征矩阵，并采用多样性增强算法对新特征矩阵进行处理，最终生成不同的子特征矩阵作为多个基础分类器的输入进行训练，将每个基础分类器的预测结果进行集成，实现最终分类预测。
-
公开(公告)号：CN109199432B
公开(公告)日：2021-09-03
申请号：CN201810668763.1
申请日：2018-06-26
Applicant: 南京邮电大学
Abstract: 本发明公开一种多路同步采集心音信号的并行压缩感知方法，方法首先根据同步采集的多路心音信号时频域性质，选定一路主信号并分析其它各路信号与主信号的相关性，然后利用测试矩阵对主信号进行压缩，再将从观测矩阵中恢复主信号原始信号的问题，转化为最小范数的求解问题，实现主信号的重建，最后根据主信号与其它各路信号的相关性重建其它各路信号，从而实现多路心音信号的并行压缩感知。本发明通过对主信号进行处理，进而实现对多路心音信号的并行压缩感知，大大提高了多路心音信号的重建和特征提取速率以及准确度，可实现心音信号的长期监测存储，提高基于心音信号的各类预测可靠性。本发明可保障穿戴设备在节能状态下超长时间运行，进而可推广并行压缩感知处理技术应用于其它多路同步采集的生物信号。
-
公开(公告)号：CN109657649A
公开(公告)日：2019-04-19
申请号：CN201910031494.2
申请日：2019-01-14
Applicant: 南京邮电大学
Abstract: 本发明公开了一种轻型心音神经网络的设计方法。首先，对预先获取的真实心音信号进行预处理，将心音信号分割成特定时间长度；其次，根据心音信号声学和生理学特点选择声谱图作为特征表征方式，并设计声谱图的大小；然后，选用双层卷积层作为轻型心音神经网络模型的基本架构，保证每个心音信号的卷积层包含足够的特征量，最顶层的感受野不大于整个心音周期区域；最后，根据移动终端对神经网络的要求，对获得轻型心音神经网络模型进行对比，得到最终的网络架构。本发明简化了网络模型，使之能够在移动终端运行，基于本发明设计的模型体积小，识别率高，可扩展，并且本方法所运用的声谱图库，也具有对心音分类进一步研究的发展潜力。
-
公开(公告)号：CN109044331A
公开(公告)日：2018-12-21
申请号：CN201810642192.4
申请日：2018-06-21
Applicant: 南京邮电大学
IPC: A61B5/0402
CPC classification number: A61B5/0402 , A61B5/6893
Abstract: 一种用于汽车方向盘上的生物信息采集装置，固定设置于汽车方向盘上，包括边缘电极组件及中心电极组件，所述边缘电极组件与所述中心电极组件电性连接，所述边缘电极组件包括多条边缘电极片，多条所述边缘电极片分布于汽车方向盘外圈的外周侧位置，所述中心电极组件包括多片中心电极片，多片所述中心电极片分布于汽车方向盘中间件的上端面位置。在本发明的使用过程中，使用者可以根据自身的驾驶习惯自由握持方向盘，而不必担心采集信号中断，既方便了使用者的日常使用，同时也保证了采集信号的稳定性和可靠性。
-
Patent Agency Ranking
公开(公告)号：CN104158748B
公开(公告)日：2017-06-16
申请号：CN201410348943.3
申请日：2014-07-21
Applicant: 南京邮电大学
IPC: H04L12/751 , H04L29/08
Abstract: 本发明提供了一种基于云计算网络的拓扑探测方法，适用于云计算网络环境下对于网络拓扑进行探测，本发明将拓扑探测分为两层进行分别探测，在第一层中由路由器与计算节点构成，通过发送socket“三明治”包的方法探测出时延；第二层由云计算环境环境中计算节点下的虚拟机的分布构成，本发明采用MPI探测虚拟机间的通信时延，并通过相应的计算后采用并查集算法进行归并聚类，从而得到虚拟机的分布。通过本发明可以比较完整的探测出整个云计算网络环境下的完整拓扑结构。
-
公开(公告)号：CN118942670A
公开(公告)日：2024-11-12
申请号：CN202410936645.X
申请日：2024-07-12
Applicant: 南京邮电大学
Abstract: 本专利公开了一种面向阿尔茨海默病的多模态融合系统及方法，属于人工智能和医学领域，系统由多模态数据预处理层，多模态数据特征提取层，基于注意力机制的多模态数据融合层组成；多模态数据预处理层分别对临床、遗传、图像数据进行预处理；多模态数据特征提取层对预处理后的三个单一模态数据进行特征提取；基于注意力机制的多模态数据融合层将所述三个模态的数据作为输入，利用注意力机制提取模态的单一及融合特征进行融合。本发明对于阿尔兹海默病的检测更贴合实际的临床断诊需求，有助于提高对阿尔兹海默病预测的准确性，更全面地了解患者病情，从而给患者提供更个性化的治疗措施，同时也可以对阿尔兹海默病的预防检测筛查起到相应的作用。
-
公开(公告)号：CN109199432A
公开(公告)日：2019-01-15
申请号：CN201810668763.1
申请日：2018-06-26
Applicant: 南京邮电大学
Abstract: 本发明公开一种多路同步采集心音信号的并行压缩感知方法，方法首先根据同步采集的多路心音信号时频域性质，选定一路主信号并分析其它各路信号与主信号的相关性，然后利用测试矩阵对主信号进行压缩，再将从观测矩阵中恢复主信号原始信号的问题，转化为最小范数的求解问题，实现主信号的重建，最后根据主信号与其它各路信号的相关性重建其它各路信号，从而实现多路心音信号的并行压缩感知。本发明通过对主信号进行处理，进而实现对多路心音信号的并行压缩感知，大大提高了多路心音信号的重建和特征提取速率以及准确度，可实现心音信号的长期监测存储，提高基于心音信号的各类预测可靠性。本发明可保障穿戴设备在节能状态下超长时间运行，进而可推广并行压缩感知处理技术应用于其它多路同步采集的生物信号。
-
公开(公告)号：CN109657649B
公开(公告)日：2022-08-26
申请号：CN201910031494.2
申请日：2019-01-14
Applicant: 南京邮电大学
Abstract: 本发明公开了一种轻型心音神经网络的设计方法。首先，对预先获取的真实心音信号进行预处理，将心音信号分割成特定时间长度；其次，根据心音信号声学和生理学特点选择声谱图作为特征表征方式，并设计声谱图的大小；然后，选用双层卷积层作为轻型心音神经网络模型的基本架构，保证每个心音信号的卷积层包含足够的特征量，最顶层的感受野不大于整个心音周期区域；最后，根据移动终端对神经网络的要求，对获得轻型心音神经网络模型进行对比，得到最终的网络架构。本发明简化了网络模型，使之能够在移动终端运行，基于本发明设计的模型体积小，识别率高，可扩展，并且本方法所运用的声谱图库，也具有对心音分类进一步研究的发展潜力。
-
公开(公告)号：CN111938614A
公开(公告)日：2020-11-17
申请号：CN201910404390.1
申请日：2019-05-15
Applicant: 南京邮电大学
IPC: A61B5/021 , A61B5/0402 , A47K13/24
Abstract: 本发明公开了一种智能马桶，包括马桶圈、坐体、水箱、内置电极片的把手、心电处理模块、嵌入式处理模块、网络传输模块、后台云端处理器、显示驱动模块、提示及控制模块；马桶圈与坐体铰接，水箱设于坐体上，并设有冲水通道；内置电极片的把手采集心电信号经过心电处理模块处理后，传输至嵌入式处理模块进行处理，并通过网络传输模块将数据发送到后台云端处理器进行分析，再通过网络传输模块将数据传输至显示驱动模块，显示驱动模块驱动提示及控制模块进行提示。本发明使用方便，测量精度准确，在使用马桶时便可以完成健康评估，对于有心脑血管疾病的用户更有意义，为用户健康提供保障。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.033 seconds)
