-
公开(公告)号：CN118398234A
公开(公告)日：2024-07-26
申请号：CN202410822917.3
申请日：2024-06-25
Applicant: 长春理工大学
IPC: G16H50/70 , G16H20/70 , G06N3/0442 , G06N3/045 , G06N3/0464 , G06N3/084 , G06F18/213 , G06F18/25 , A61B5/372 , A61B5/369 , A61B5/00
Abstract: 本发明公开一种基于跨层连接的U型网络结构和Bi‑LSTM的睡眠分期方法，涉及睡眠处理技术领域，获取睡眠脑电信号数据；构建包括特征提取模块、跨层连接模块及特征融合模块的网络模型；在特征融合模块之后连接一个全连接层，将特征融合模块输出的抽象特征信息映射到睡眠阶段的5个类别；并通过Softmax函数得出分期结果。本发明的技术方案提供一种改进后U‑net和Bi‑LSTM的睡眠分期算法，利用信号采集设备采集到的患者脑电信号作为输入信号，设计的跨层连接模块深度刻画不同睡眠过渡阶段的连续特征，同时融入全局特征，更进一步的提升睡眠分期算法的效能及鲁棒性，以满足轻量化设备的应用需求。
-
公开(公告)号：CN116236162A
公开(公告)日：2023-06-09
申请号：CN202310246438.7
申请日：2023-03-15
Applicant: 长春理工大学
IPC: A61B5/00 , A61B5/0205 , G06F18/10 , G06F18/2131 , G06F18/24 , G06F18/20
Abstract: 本发明公开了一种睡眠分期方法、装置、设备及存储介质，应用于睡眠分期领域，该方法包括：从获取的BCG信号中提取心率变异性序列与呼吸序列；对心率变异性序列进行频域分析，提取第一频域特征信息；对呼吸序列进行频域分析，提取第二频域特征信息；根据第一频域特征信息与第二频域特征信息构建隐马尔可夫模型；将目标频域特征信息输入隐马尔可夫模型，输出分期结果。本发明方法通过从BCG信号中获取心率异变性数据与呼吸数据，通过频域分析，提取频域特征构建隐性马尔可夫模型进行睡眠分析，避免了现有技术中通过使用与睡眠状态关联性较弱的心跳数据进行睡眠分期而导致的分期结果并不精确的问题。
-
公开(公告)号：CN114971354A
公开(公告)日：2022-08-30
申请号：CN202210653644.5
申请日：2022-06-10
Applicant: 长春理工大学
Abstract: 本申请公开了一种水质等级评价方法、装置及介质，涉及水质等级评价领域。获取水质的样本集合；根据样本集合确定各水质评价因子的平均权重，并根据平均权重筛选出目标水质评价因子以确定目标水质评价因子组合；根据目标水质评价因子组合筛选每个样本中的目标水质评价因子对应的目标水质参数以得到目标样本集合；确定目标样本集合中每个目标样本的目标水质参数与水质等级之间的映射关系，在映射关系的基础上配置相关向量机以构建水质等级评价模型，以便根据水质等级评价模型确定水质的水质等级。通过筛选出对水质等级评价贡献大的水质评价因子构建水质等级评价模型，降低水质评价模型的复杂度，提高水质等级评价的效率。
-
公开(公告)号：CN108039878B
公开(公告)日：2021-08-31
申请号：CN201710895656.8
申请日：2017-09-28
Applicant: 长春理工大学
IPC: H03K17/567
Abstract: 基于IGBT低频噪声检测的低噪声偏置电路，涉及电子电路设计领域，解决现有用于低频噪声检测的偏置器存在噪声大，容易淹没器件的噪声信号，无法用于低频噪声表征方法的问题，包括低噪声精密电源电路、二级抑噪偏置电路、稳压电路和屏蔽盒。本发明的低噪声精密电源电路由外部可变电阻编程，可输出高达36V的具有极低噪声的输出电压；二级抑噪电路由输入端电容和输出端并联的串联接地二极管组成，通过滑动变阻器调节IGBT栅极电压；稳压电路由背靠背的两个稳压二极管并在IGBT栅极，可提供稳定的栅极电压并保护IGBT器件。
-
公开(公告)号：CN108038300B
公开(公告)日：2021-08-03
申请号：CN201711286552.3
申请日：2017-12-07
Applicant: 长春理工大学
Abstract: 基于改进的隶属度函数结合神经网络的光纤状态评估方法，涉及光纤线路状态评估分析技术领域，解决现有技术无法实现对线路状态中的潜在故障进行分析与评估，进而无法规避即将发生的故障等问题，采用本发明所述的评估分析方法采用改进的欧式距离公式对隶光纤状态隶属度综合评价方法的隶属度权值进行优化组合，准确评估分析线路状态健康程度，分析线路是否存在潜在故障，提前制定维护策略，满足光纤通信不间断传输的要求。采用RBF神经网络评估分析模型，使得评估性能具有良好的拟合精度和收敛速度，更好的实现对光线状态的评估。
-
Patent Agency Ranking
公开(公告)号：CN119889578A
公开(公告)日：2025-04-25
申请号：CN202411965673.0
申请日：2024-12-30
Applicant: 长春理工大学
Abstract: 本发明公开一种脑卒患者手部功能评价方法，涉及生物电信号处理技术领域，具体包括以下步骤：信号采集与预处理；脑、肌电信号分解；使用希尔伯特变化提取相位信息；采用相位幅度耦合估计调制指数；上肢康复等级评定。本发明的技术方案通过经验模态分解与基于张量的相幅耦合‑多尺度条件互信息提出一种基于脑肌电信号的脑卒中患者手部康复评定方法，实现对于康复程度的量化，结合卒中临床评定量表，定量分析患者的康复状况。
-
公开(公告)号：CN118398234B
公开(公告)日：2024-09-24
申请号：CN202410822917.3
申请日：2024-06-25
Applicant: 长春理工大学
IPC: G16H50/70 , G16H20/70 , G06N3/0442 , G06N3/045 , G06N3/0464 , G06N3/084 , G06F18/213 , G06F18/25 , A61B5/372 , A61B5/369 , A61B5/00
Abstract: 本发明公开一种基于跨层连接的U型网络结构和Bi‑LSTM的睡眠分期方法，涉及睡眠处理技术领域，获取睡眠脑电信号数据；构建包括特征提取模块、跨层连接模块及特征融合模块的网络模型；在特征融合模块之后连接一个全连接层，将特征融合模块输出的抽象特征信息映射到睡眠阶段的5个类别；并通过Softmax函数得出分期结果。本发明的技术方案提供一种改进后U‑net和Bi‑LSTM的睡眠分期算法，利用信号采集设备采集到的患者脑电信号作为输入信号，设计的跨层连接模块深度刻画不同睡眠过渡阶段的连续特征，同时融入全局特征，更进一步的提升睡眠分期算法的效能及鲁棒性，以满足轻量化设备的应用需求。
-
公开(公告)号：CN115969329B
公开(公告)日：2024-08-30
申请号：CN202310094153.6
申请日：2023-02-08
Applicant: 长春理工大学
Abstract: 本申请公开了一种睡眠分期方法、系统、装置及介质，应用于睡眠分期领域，该方法包括：获取与睡眠有关的生理信号；获取所述生理信号经过图卷积神经网络进行特征提取后的第一输出特征；获取所述生理信号经过注意力机制卷积神经网络进行特征提取后的第二输出特征；获取所述第一输出特征和所述第二输出特征进行特征融合后的特征融合结果；根据所述特征融合结果获取睡眠分期结果。通过增加图卷积神经网络进行特征提取，解决了目前只能在欧几里得空间上进行特征提取的问题，同时增加了注意力机制卷积神经网络，利用注意力机制提取全局特征，最大限度的淡化了因为个体差异带来的局部最优的影响。不仅实现了对睡眠的分期，同时对睡眠分期的准确率也较高。
-
公开(公告)号：CN117653147B
公开(公告)日：2024-04-26
申请号：CN202410133251.0
申请日：2024-01-31
Applicant: 长春理工大学
IPC: A61B5/372 , A61B5/374 , A61B5/00 , G06F18/10 , G06F18/213 , G06F18/23213 , G06F18/24
Abstract: 本发明公开一种基于脑电信号特征的分类方法，通过引入近似熵，并与GRU所捕捉的时序关系相结合，模型能够更好地理解信号的复杂结构，使K‑Means与GRU相互补充，形成一个更为综合和精确的意识状态分类模型。这种融合方法有效地利用了传统机器学习和深度学习的优势，提高了对意识状态的全面分类性能，特别是在捕捉脑电信号动态变化方面的准确性得到显著提升；本发明不仅提供了高效的K‑Means与GRU相结合的特征提取方法，还实现了对意识状态的自动分类。通过深度学习模型与机器学习方法的协同学习和训练，使得模型能够实时对新的脑电信号进行智能分类，为医疗领域提供了一种更加智能、高效的意识状态监测手段。
-
公开(公告)号：CN117617911A
公开(公告)日：2024-03-01
申请号：CN202410105597.X
申请日：2024-01-25
Applicant: 长春理工大学
Abstract: 本申请公开了一种睡眠阶段分期方法、装置、设备及存储介质，涉及睡眠处理技术领域，包括：将睡眠脑电波信号切分为若干个数据片段并标记相应的睡眠阶段标签；对标记后的所述若干个数据片段进行数据特征提取以得到若干个序列数据帧；通过预设神经网络模型确定所述若干个序列数据帧对应的空间注意力权重，并确定空间学习图和时间学习图；基于所述空间注意力权重和所述空间学习图对所述若干个序列数据帧进行空间卷积处理以得到睡眠空间图后进行时间平坦化处理，然后输入至所述BiGRU层以得到时间节点特征向量；然后进行睡眠阶段分类以得到数据阶段分期结果并基于所述数据阶段分期结果确定睡眠阶段分期结果。这样一来，提高了睡眠分期的可解释性。
-
-
-
-
-
-
-
-
-
Search Results
65
records
(took 0.027 seconds)
