公开(公告)号：CN111166325B

公开(公告)日：2021-02-02

申请号：CN202010147303.1

申请日：2020-03-05

Applicant: 齐鲁工业大学 ,  山东省计算中心(国家超级计算济南中心)

Inventor： 李彬 ,  李伟 ,  孟海龙 ,  乔风娟 ,  李金红 ,  魏诺 ,  王玉诚

IPC: A61B5/366 ,  A61B5/00 ,  G06K9/62 ,  G06K9/00

Abstract: 本发明提出了一种基于IPCMM算法的心电信号QRS复合波检测方法，步骤包括：获取心电信号；利用IPCMM算法对带通滤波器进行改进，利用改进后的带通滤波器对心电信号进行滤波；对滤波后的心电信号进行双斜率处理；利用IPCMM算法对低通滤波器进行改进，利用改进后的低通滤波器对双斜率处理后的心电信号进行滤波；得到QRS复合波检测结果；其中，IPCMM算法对各滤波器的改进过程为：使用群延迟误差的修正包络线迭代更新相位误差上界函数，在通带内实现一致或近似一致的群延迟误差；提高了QRS复合波的检测精度和效率，有利于辅助提高心电图的检测精度和分类精度。

公开(公告)号：CN111166325A

公开(公告)日：2020-05-19

申请号：CN202010147303.1

申请日：2020-03-05

Applicant: 齐鲁工业大学 ,  山东省计算中心(国家超级计算济南中心)

Inventor： 李彬 ,  李伟 ,  孟海龙 ,  乔风娟 ,  李金红 ,  魏诺 ,  王玉诚

IPC: A61B5/0472 ,  A61B5/00 ,  G06K9/62

Abstract: 本发明提出了一种基于IPCMM算法的心电信号QRS复合波检测方法，步骤包括：获取心电信号；利用IPCMM算法对带通滤波器进行改进，利用改进后的带通滤波器对心电信号进行滤波；对滤波后的心电信号进行双斜率处理；利用IPCMM算法对低通滤波器进行改进，利用改进后的低通滤波器对双斜率处理后的心电信号进行滤波；得到QRS复合波检测结果；其中，IPCMM算法对各滤波器的改进过程为：使用群延迟误差的修正包络线迭代更新相位误差上界函数，在通带内实现一致或近似一致的群延迟误差；提高了QRS复合波的检测精度和效率，有利于辅助提高心电图的检测精度和分类精度。

公开(公告)号：CN110755065A

公开(公告)日：2020-02-07

申请号：CN201910973899.8

申请日：2019-10-14

Applicant: 齐鲁工业大学 ,  山东省计算中心(国家超级计算济南中心)

Inventor： 李彬 ,  李伟 ,  乔风娟 ,  郭红丽 ,  杨雪

IPC: A61B5/0402 ,  A61B5/00

Abstract: 本公开提供了一种基于PSO-ELM算法的心电信号分类方法及系统，对获取的心电信号数据进行预处理，对预处理后的结果进行心拍截取后再进行特征提取，得到数据集；以数据集中的特征为输入数据，利用PSO算法优化ELM的参数，对PSO算法最后一次迭代的个体进行选择，建立多个ELM分类器，集成目标神经网络，得到多组分类结果；采用最大投票原则，对相同样本的多组分类结果进行投票，票数多者作为最终的分类结果；本公开在PSO-ELM基础上，进行个体的选择，从而集成一个更优化的网络结构，能够有效的提高网络的泛化性能，提高心电信号的分类精度。

公开(公告)号：CN110558975B

公开(公告)日：2020-12-01

申请号：CN201910973897.9

申请日：2019-10-14

Applicant: 齐鲁工业大学

Inventor： 李彬 ,  乔风娟 ,  李伟 ,  郭红丽 ,  张友梅 ,  杨雪

IPC: A61B5/0402 ,  A61B5/00

Abstract: 本公开提供了一种基于LRF‑ELM和BLSTM的心电信号分类方法，获取心电信号数据并进行预处理，得到数据集，以数据集中的心电信号数据为神经网络的输入数据；以LRF‑ELM网络为特征提取器，学习心电信号数据中的空间信息，通过三个堆叠的随机卷积和池化过程，提取心电信号数据中不同维度的特征数据；将提取到的特征数据经过融合后作为序列学习阶段的输入，采用深度BLSTM网络进行序列学习，并最终输出心电信号分类结果；本公开同时考虑了心电信号的时间信息和空间信息，既能够高效快速的提取信号特征，又保证了良好的分类识别性能。

公开(公告)号：CN110558975A

公开(公告)日：2019-12-13

申请号：CN201910973897.9

申请日：2019-10-14

Applicant: 齐鲁工业大学

Inventor： 李彬 ,  乔风娟 ,  李伟 ,  郭红丽 ,  张友梅 ,  杨雪

IPC: A61B5/0402 ,  A61B5/00

Abstract: 本公开提供了一种基于LRF-ELM和BLSTM的心电信号分类方法，获取心电信号数据并进行预处理，得到数据集，以数据集中的心电信号数据为神经网络的输入数据；以LRF-ELM网络为特征提取器，学习心电信号数据中的空间信息，通过三个堆叠的随机卷积和池化过程，提取心电信号数据中不同维度的特征数据；将提取到的特征数据经过融合后作为序列学习阶段的输入，采用深度BLSTM网络进行序列学习，并最终输出心电信号分类结果；本公开同时考虑了心电信号的时间信息和空间信息，既能够高效快速的提取信号特征，又保证了良好的分类识别性能。

公开(公告)号：CN110991326A

公开(公告)日：2020-04-10

申请号：CN201911203709.0

申请日：2019-11-29

Applicant: 齐鲁工业大学

Inventor： 李彬 ,  郭红利 ,  乔风娟 ,  李伟 ,  梁启星 ,  李志 ,  杨雪 ,  方士弘 ,  刘凯

IPC: G06K9/00 ,  G06N3/00 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了基于Gabor滤波器和改进极限学习机的步态识别方法及系统，包括：获取步态视频或步态序列，进行预处理，得到尺寸大小一致步态侧影图；根据步态侧影图进行步态周期的计算，经过处理得到步态能量图；将步态能量图用Gabor滤波器进行步态特征提取；采用线性判别分析方法进行步态特征降维；将进行降维处理过后的数据作为改进极限学习机即步态识别算法的输入数据，进行识别。本公开所述的步态识别方法采用了改进极限学习机的算法，该算法在局部连接极限学习机算法(LC-ELM)的基础上，利用参数自适应可调的粒子群算法(PSO)对其参数进行优化(称为LC-PSO-ELM学习算法)，提高了算法的稳定性和识别精度，算法在运行过程中，无需进行参数的调节，只需设置隐层神经元的个数即可达到预期的识别效果，既降低了算法的复杂度，又保证了较高的步态识别精度。