-
公开(公告)号：CN110289096A
公开(公告)日：2019-09-27
申请号：CN201910574239.2
申请日：2019-06-28
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于深度学习的ICU院内死亡率预测方法。本发明通过使用深度学习对ICU内死亡进行预测，不仅使用患者动态体征变化数据，还加入了年龄、患病类型等影响死亡率的重要人口统计学特征；在经典LSTM(多层双向与单向长短期记忆模型)网络的基础上增加了三个用于控制时间增量变化的时间门，解决临床数据常见的不规则采样及数据缺失问题；引入注意力机制对每个时刻的隐藏状态进行融合，模型收敛速度更快，且不易丢失初始阶段包含的信息。
-
公开(公告)号：CN111938660B
公开(公告)日：2022-04-12
申请号：CN202010811477.3
申请日：2020-08-13
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于阵列肌电的卒中患者手部康复训练动作识别方法，本发明应用阵列型肌电传感器采集患者训练过程前臂的肌电序列数据，保留肌肉在物理空间上的协同信息和肌肉活动随时间变化的信息；建立并行卷积神经网络自动提取不同时刻肌电数据的空间特征；建立长短期记忆网络自动学习肌电的时间依赖特征。融合肌电时空特征后进行分类识别，以避免人工特征工程导致的信息冗余或丢失，可以有效提高手部动作识别精度。
-
公开(公告)号：CN111950460A
公开(公告)日：2020-11-17
申请号：CN202010811227.X
申请日：2020-08-13
Applicant: 电子科技大学
Abstract: 本发明公开了一种自适应肌力的卒中患者手部康复训练动作识别方法，其同时采集肌电信号、加速度和角速度数据，同时得到生理学和运动学的客观测量数据，使用不同肌力水平下的样本集训练模型，使得该深度学习模型可以自适应受试者完成动作时肌力的变化，解决了不同肌力条件下因肌电信号差异较大导致的识别鲁棒性低的问题。本方法通过多路多尺寸卷积神经网络自动且自适应地提取不同数据特征，融合多种特征后使用神经网络进行分类识别，避免了人工特征工程导致的信息冗余或丢失以及特征弱化，有效提高了不同肌力水平下卒中患者手部康复训练动作的识别精度。
-
公开(公告)号：CN111184512A
公开(公告)日：2020-05-22
申请号：CN201911394850.3
申请日：2019-12-30
Applicant: 电子科技大学
IPC: A61B5/0488 , A61B5/11 , G06N3/04
Abstract: 本发明公开了一种脑卒中患者上肢及手部康复训练动作识别方法，采用非负矩阵分解模型对肌电信号数据进行盲源分离，去除非平稳的肌肉激活信息，获得稳定的时变盲源分离结果；应用分解后的时变盲源分离结果数据做进一步的模式识别，提高识别的稳定性和精度；通过CNN-RNN模型使得学习的特征同时保持时间和空间特性。CNN-RNN模型无需进行人工的数据特征提取与筛选，直接处理数据，自动提取特征且完成分类识别，可以实现端到端的康复训练动作识别分析，并结合注意力层对两层双向GRU层中第二层的隐含状态做注意力加权，赋予贡献度大的数据更大的权重，使其发挥更大作用，从而进一步提升分类识别的精度。
-
Patent Agency Ranking
公开(公告)号：CN111950460B
公开(公告)日：2022-09-20
申请号：CN202010811227.X
申请日：2020-08-13
Applicant: 电子科技大学
Abstract: 本发明公开了一种自适应肌力的卒中患者手部康复训练动作识别方法，其同时采集肌电信号、加速度和角速度数据，同时得到生理学和运动学的客观测量数据，使用不同肌力水平下的样本集训练模型，使得该深度学习模型可以自适应受试者完成动作时肌力的变化，解决了不同肌力条件下因肌电信号差异较大导致的识别鲁棒性低的问题。本方法通过多路多尺寸卷积神经网络自动且自适应地提取不同数据特征，融合多种特征后使用神经网络进行分类识别，避免了人工特征工程导致的信息冗余或丢失以及特征弱化，有效提高了不同肌力水平下卒中患者手部康复训练动作的识别精度。
-
公开(公告)号：CN110289096B
公开(公告)日：2021-12-07
申请号：CN201910574239.2
申请日：2019-06-28
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于深度学习的ICU院内死亡率预测方法。本发明通过使用深度学习对ICU内死亡进行预测，不仅使用患者动态体征变化数据，还加入了年龄、患病类型等影响死亡率的重要人口统计学特征；在经典LSTM(多层双向与单向长短期记忆模型)网络的基础上增加了三个用于控制时间增量变化的时间门，解决临床数据常见的不规则采样及数据缺失问题；引入注意力机制对每个时刻的隐藏状态进行融合，模型收敛速度更快，且不易丢失初始阶段包含的信息。
-
公开(公告)号：CN111184512B
公开(公告)日：2021-06-01
申请号：CN201911394850.3
申请日：2019-12-30
Applicant: 电子科技大学
Abstract: 本发明公开了一种脑卒中患者上肢及手部康复训练动作识别方法，采用非负矩阵分解模型对肌电信号数据进行盲源分离，去除非平稳的肌肉激活信息，获得稳定的时变盲源分离结果；应用分解后的时变盲源分离结果数据做进一步的模式识别，提高识别的稳定性和精度；通过CNN‑RNN模型使得学习的特征同时保持时间和空间特性。CNN‑RNN模型无需进行人工的数据特征提取与筛选，直接处理数据，自动提取特征且完成分类识别，可以实现端到端的康复训练动作识别分析，并结合注意力层对两层双向GRU层中第二层的隐含状态做注意力加权，赋予贡献度大的数据更大的权重，使其发挥更大作用，从而进一步提升分类识别的精度。
-
公开(公告)号：CN111938660A
公开(公告)日：2020-11-17
申请号：CN202010811477.3
申请日：2020-08-13
Applicant: 电子科技大学
IPC: A61B5/11 , A61B5/0488 , A61B5/00
Abstract: 本发明公开了一种基于阵列肌电的卒中患者手部康复训练动作识别方法，本发明应用阵列型肌电传感器采集患者训练过程前臂的肌电序列数据，保留肌肉在物理空间上的协同信息和肌肉活动随时间变化的信息；建立并行卷积神经网络自动提取不同时刻肌电数据的空间特征；建立长短期记忆网络自动学习肌电的时间依赖特征。融合肌电时空特征后进行分类识别，以避免人工特征工程导致的信息冗余或丢失，可以有效提高手部动作识别精度。
-
公开(公告)号：CN110826624A
公开(公告)日：2020-02-21
申请号：CN201911070579.8
申请日：2019-11-05
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于深度强化学习的时间序列分类方法，包括以下步骤：采集若干时间序列，获取样本数据，并对样本数据进行预处理；构建深度残差网络，根据预处理后的样本数据，并通过深度强化学习方法对深度残差网络进行更新；将待测试的时间序列输入更新完成的深度残差网络，得到时间序列的分类结果。本发明通过将样本打乱顺序输入深度强化学习网络，使其更具鲁棒性，设置奖励和惩罚的方式寻找时间序列分类的最优策略，拥有高的分类准确度。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.018 seconds)
