应用于实时心电监测设备的心肌梗死全局导联重建方法

    公开(公告)号:CN116807491A

    公开(公告)日:2023-09-29

    申请号:CN202310888672.X

    申请日:2023-07-19

    Applicant: 福州大学

    Abstract: 本发明提出应用于实时心电监测设备的心肌梗死全局导联重建方法,包括以下步骤:步骤S1:对心肌梗死心电信号数据集和健康对照心电信号数据集进行数据预处理;步骤S2:进行各导联主成分分析,绘制方差贡献率图,实现最高贡献度导联决策,确定重建导联组;步骤S3:滤除导联组原始数据的冗余信息,对数据进行非线性卷积预分类处理,提高导联重建算法效果;步骤S4:对导联重建算法拟合导联之间的转换关系;步骤S5:以卷积神经网络作为导联重建模型框架,进行网络结构优化和参数设置;步骤S6:基于优化后的网络,分别构建全局导联重建模型,验证导联重建前后状态差异;本发明能实现便携式心电监测和临床诊断导联互通,进而提升便携式心电监护仪实用性。

    重构心源性猝死风险因子的系统及方法

    公开(公告)号:CN113974647B

    公开(公告)日:2023-08-04

    申请号:CN202111251594.X

    申请日:2021-10-26

    Applicant: 福州大学

    Abstract: 本发明提出一种非线性支持向量机多特征量化及模型参数寻优重构心源性猝死风险因子的系统及方法,包括对心源性猝死心电信号数据集和正常窦性心律心电信号数据集进行数据预处理;对处理好的心电数据集进行心电波形检测;对心源性猝死风险因子进行提取;对提取的初始特征进行特征量化缩放处理;利用非线性支持向量机作为心源性猝死风险因子的验证模型,通过模型参数寻优,确定误差惩罚参数C和核参数γ;通过制定的心源性猝死风险因子和优化后的模型参数得到心源性猝死的预测模型;达到重构、验证心源性猝死风险因子的效果,对研究心源性猝死具有很好的指导意义。

    非线性支持向量机多特征量化及模型参数寻优重构心源性猝死风险因子的系统及方法

    公开(公告)号:CN113974647A

    公开(公告)日:2022-01-28

    申请号:CN202111251594.X

    申请日:2021-10-26

    Applicant: 福州大学

    Abstract: 本发明提出一种非线性支持向量机多特征量化及模型参数寻优重构心源性猝死风险因子的系统及方法,包括对心源性猝死心电信号数据集和正常窦性心律心电信号数据集进行数据预处理;对处理好的心电数据集进行心电波形检测;对心源性猝死风险因子进行提取;对提取的初始特征进行特征量化缩放处理;利用非线性支持向量机作为心源性猝死风险因子的验证模型,通过模型参数寻优,确定误差惩罚参数C和核参数γ;通过制定的心源性猝死风险因子和优化后的模型参数得到心源性猝死的预测模型;达到重构、验证心源性猝死风险因子的效果,对研究心源性猝死具有很好的指导意义。

    面向显示的单色量子点色转换层的光转换效率计算方法

    公开(公告)号:CN113451484A

    公开(公告)日:2021-09-28

    申请号:CN202110506849.6

    申请日:2021-05-10

    Abstract: 本发明涉及一种面向显示的单色量子点色转换层的光转换效率计算方法,包括以下步骤:步骤S1:获取量子点光色转换层初始参数;步骤S2:根据光线波长或频率的不同对色转换层进行逻辑通道划分;步骤S3:基于量子点色转换逻辑通道,构建经过量子点光色转换层转换后的单色光与膜片厚度和量子点浓度之间的理论关系模型;步骤S4:根据理论关系模型,获取量子点光色转换层的膜厚与浓度的最佳参量;步骤S5:建立光转换效率与膜片厚度和量子点浓度之间的理论关系。本发明准确、高效地得到包括转换光出光强度、光转换效率等量子点光色转换层的出光光学性能参量,并获得转换光转换效率最大时的量子点浓度或光色转换层的厚度参数。

    用具有多尺度注意力机制的神经网络实现房颤预测的方法

    公开(公告)号:CN116898451A

    公开(公告)日:2023-10-20

    申请号:CN202310888666.4

    申请日:2023-07-19

    Applicant: 福州大学

    Abstract: 本发明提出用具有多尺度注意力机制的神经网络实现房颤预测的方法,包括以下步骤:步骤S1:对房颤心电信号AFECG数据集和正常窦性心律心电信号NSR ECG数据集进行采集划分和数据预处理;步骤S2:设计神经网络架构对房颤数据进行初步预测,在此网络架构的基础上对预测网络结构优化;步骤S3:在房颤预测数据的不同导联之间进行导联注意力机制的构建;步骤S4:在神经网络中不同的特征图之间进行时间空间注意力机制的构建;步骤S5:在房颤预测数据不同时序片段上进行时序注意力机制的构建;步骤S6:在完成上述各注意力机制子类模块的构建后,将子类模块与基础神经网络融合,然后进行神经网络的整体优化,形成最终的房颤预测网络;本发明可提高预测房颤准确率。

Patent Agency Ranking