-
公开(公告)号：CN110575177B
公开(公告)日：2020-12-15
申请号：CN201910853832.0
申请日：2019-09-10
Applicant: 电子科技大学
IPC: A61B5/11
Abstract: 本发明属于三维步态分析技术领域，公开了一种基于马氏距离的步态分类与量化方法，包括：以正常关节角度为参考模板，计算样本j第i个关节角度异常指标disti，j；计算样本各关节角度异常指标，将样本j各关节角度的异常指标dist1，j，...，distN，j组合成向量，作为样本j的异常指标向量distj＝(dist1，j，...，distN，j)；学习各关节角度之间的相关性，得到马氏矩阵∑，计算样本异常指标向量distj与正常人参考步态向量之间的马氏距离，得到样本整体步态异常指标；以样本j的异常指标向量distj作为样本的特征向量，结合马氏矩阵∑，使用SVM分类器对样本步态进行分类。
-
公开(公告)号：CN110575177A
公开(公告)日：2019-12-17
申请号：CN201910853832.0
申请日：2019-09-10
Applicant: 电子科技大学
IPC: A61B5/11
Abstract: 本发明属于三维步态分析技术领域，公开了一种基于马氏距离的步态分类与量化方法，包括：以正常关节角度为参考模板，计算样本j第i个关节角度异常指标disti，j；计算样本各关节角度异常指标，将样本j各关节角度的异常指标dist1，j，...，distN，j组合成向量，作为样本j的异常指标向量distj＝(dist1，j，...，distN，j)；学习各关节角度之间的相关性，得到马氏矩阵∑，计算样本异常指标向量distj与正常人参考步态向量之间的马氏距离，得到样本整体步态异常指标；以样本j的异常指标向量distj作为样本的特征向量，结合马氏矩阵∑，使用SVM分类器对样本步态进行分类。
-
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：CN111419237A
公开(公告)日：2020-07-17
申请号：CN202010280124.5
申请日：2020-04-10
Applicant: 电子科技大学
Abstract: 本发明公开了脑卒中手部运动功能Carroll评分预测方法，针对传统量表评定方式与基于机器学习的自动评定方法的弊端解决问题。本发明包括数据采集、数据预处理和对手部运动数据使用具有分组约束的卷积-循环神经网络进行时空特征提取，并自动产生Carroll评分。本发明实现脑卒中患者手部运动功能基于Carroll评分量表的自动评分预测。设计手部运动数据采集系统实现手部运动功能客观测量，消除传统人工观察评分方式带来的主观偏差；使用深度学习方法对多通道的传感器序列数据进行时空特征提取并进行Carroll评分预测，减少人工特征提取步骤过程中人为因素干预，提高自动评定精度。
-
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：CN109346180A
公开(公告)日：2019-02-15
申请号：CN201810877230.4
申请日：2018-08-03
Applicant: 电子科技大学
Abstract: 本发明提供一种中医方剂君臣佐使训练识别方法及系统，能够解决方剂中君臣佐使训练判断的问题。所述方法包括：获取方剂，方剂的功效，以及方剂中各药物的实际剂量和其在方剂中书写的绝对位置；对方剂的功效进行拆分；将方剂中各药物的实际剂量标准化为相对剂量；将药物在方剂中的绝对位置转换为相对位置；在方剂数据库上构建基于方剂功效，药物相对剂量和药物相对位置的朴素贝叶斯分类器，确定每个药物分别在君臣佐使上的概率值，得到该药物的君臣佐使的偏性。本发明适用于中医方剂学技术领域。
-
公开(公告)号：CN109875565A
公开(公告)日：2019-06-14
申请号：CN201910074666.4
申请日：2019-01-25
Applicant: 电子科技大学
IPC: A61B5/11 , A61B5/0488
Abstract: 本发明公开了一种基于深度学习的脑卒中上肢运动功能自动评定方法，包括以下步骤：基于穿戴式传感器系统采集患者上肢运动过程的惯性传感数据和肌电数据；对采集的数据进行长度归一化和数值归一化预处理；将惯性传感数据和肌电数据分别输入到两个卷积神经网络进行特征提取，对所有特征进行融合，生成基于Brunnstrom量表的运动功能等级，然后基于反向传播算法对模型参数进行迭代，训练深度学习网络模型；对需要进行上肢运动功能评定的患者，对其进行数据采集、预处理，并输入到训练好的深度学习模型，自动生成患者上肢运动功能Brunnstrom分期评定结果。本发明可应用于医院环境、社区和家庭环境中，可提高自动评定的精准度。
-
公开(公告)号：CN109346180B
公开(公告)日：2022-04-01
申请号：CN201810877230.4
申请日：2018-08-03
Applicant: 电子科技大学
Abstract: 本发明提供一种中医方剂君臣佐使训练识别方法及系统，能够解决方剂中君臣佐使训练判断的问题。所述方法包括：获取方剂，方剂的功效，以及方剂中各药物的实际剂量和其在方剂中书写的绝对位置；对方剂的功效进行拆分；将方剂中各药物的实际剂量标准化为相对剂量；将药物在方剂中的绝对位置转换为相对位置；在方剂数据库上构建基于方剂功效，药物相对剂量和药物相对位置的朴素贝叶斯分类器，确定每个药物分别在君臣佐使上的概率值，得到该药物的君臣佐使的偏性。本发明适用于中医方剂学技术领域。
-
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。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.023 seconds)
