-
公开(公告)号：CN111772626A
公开(公告)日：2020-10-16
申请号：CN202010641466.5
申请日：2020-07-06
Applicant: 华中科技大学
IPC: A61B5/0432 , A61B5/0472 , A61B5/0456 , A61B5/00
Abstract: 本发明属于医学心电图自动化记录和解读技术领域，具体公开了一种基于大数据算法的心电图记录模块，包括12个支路，每一个支路均包括依次设置的前置放大电路、高通滤波器、主放大电路、低通滤波器和模数转换器；模数转换器输出端均与微控制器相连，用于将全部导联的数字信号与预先设定的正常心电图标准进行比对，从而分析12导联是否正常。本发明通过对心电图记录模块的具体组件构成及它们的设置方式等进行改进，将常规12导联心电图的波形图片通过模数转换转化为基于数字信号的数据模型，将它们与预先设定的正常心电图标准进行比对，即可自动化的分析出心电图的正常和异常，避免人为读图带来的效率不高、可靠性较弱等问题。
-
公开(公告)号：CN111265210A
公开(公告)日：2020-06-12
申请号：CN202010211091.9
申请日：2020-03-24
Applicant: 华中科技大学
IPC: A61B5/0402 , A61B5/00
Abstract: 本发明属于心电图房颤预测领域，具体公开一种基于深度学习的房颤预测装置和设备，装置包括：信息提取模块，用于获取多导联原始心电图数据，并得到该导联对应的心电图节律信息；信息处理模块，用于采用滤波器确定心电图节律信息中R点位置以及各R点位置对应的心跳周期及其波形信息，以构建波形信息集合；采用降噪自编码器分别对每个心跳周期对应的波形信息集合进行特征提取和降维，得到该波形信息集合对应的多维特征数据，并计算其中每个维度特征数据的均值和方差；结果预测模块，用于按照时间顺序，将不同心跳周期对应的多维特征数据的均值和方差与该心跳周期的自适应阈值比较，判断该心跳周期是否发生房颤。本发明提高了房颤预测的正确性。
-
公开(公告)号：CN109460618A
公开(公告)日：2019-03-12
申请号：CN201811348544.1
申请日：2018-11-13
Applicant: 华中科技大学
Abstract: 本发明公开了一种滚动轴承剩余寿命的在线预测方法，在滚动轴承从健康状态运行到损坏状态这一过程，提取轴承运行过程的原始信号样本和对应的退化能量指标，将运行原始信号样本作为五层卷积神经网络模型输入，将退化能量指标作为卷积神经网络模型输出，训练得到退化能量状态模型；实时采集待测滚动轴承的运行原始信号；将待测滚动轴承的运行原始信号输入退化能量状态模型，估算得到退化能量指标；进而利用估算的能量退化指标预测待测滚动轴承的剩余寿命。本发明的预测过程仅需采集轴承原始运行信号，无须提取和筛选特征，克服了现有技术采用特征提取、特征筛选和回归预测的方式存在特征提取困难、精确度受限的技术问题。
-
公开(公告)号：CN116158767B
公开(公告)日：2025-05-09
申请号：CN202211500915.X
申请日：2022-11-28
Applicant: 华中科技大学
IPC: A61B5/318 , A61B5/346 , A61B5/352 , A61B5/00 , G06N3/0455 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于深度学习的迷走性神经晕厥VVS预警方法和系统，属于深度学习网络技术领域，所述方法包括：对患者心电图中的原始RR间隙数据进行预处理；利用A期检测模型检测RR间隙下降期中异常下降并进行第一阶段预警，利用B期检测模型检测RR间隙上升期中异常上升并进行第二阶段预警，以确定异常位置对应的预警点；将预警点到RR间隙序列的最小值点构成的RR间隙序列输入训练好的时序预测网络预测间隙变化量从而生成预警信息，以表征晕厥发生时刻距离预警点的心跳周期数。本发明基于深度学习搭建迷走性神经晕厥的预测框架，接收RR间隙流数据进行检测能够在疾病发生前提前示警，解决了迷走性神经晕厥的预测精度低问题。
-
公开(公告)号：CN119338761A
公开(公告)日：2025-01-21
申请号：CN202411366664.X
申请日：2024-09-29
Applicant: 华中科技大学
Abstract: 本发明公开了一种主动脉夹层检测方法及系统，属于医学图像处理技术领域，采用第一分割网络对CTA图像各层切片中的主动脉区域进行分割，得到各层切片中主动脉区域的切片图像，再采用第二分割网络进一步分割主动脉区域切片图像中的内瓣膜区域；通过逐级分割的方式，一步一步精准检测内瓣膜区域；且在这个过程中，当得到各层切片中主动脉区域的切片图像后，还对所构成的切片序列通过滑动窗口和局部连续性过滤切片序列中划分错误的切片图像，为第二阶段中进一步准确分割内瓣膜区域提供了保障；本发明通过准确分割CTA图像中的内瓣膜区域，能够对主动脉夹层进行准确检测。
-
Patent Agency Ranking
公开(公告)号：CN119252471A
公开(公告)日：2025-01-03
申请号：CN202411020382.4
申请日：2024-07-29
Applicant: 华中科技大学同济医学院附属同济医院
IPC: G16H50/30 , A61B5/346 , A61B5/00 , G16H50/20 , G16H50/70 , G16H30/20 , G06F18/2433 , G06N3/0985
Abstract: 本发明公开了一种心脏状态检测方法、装置、设备和介质，包括：采集待诊断患者的目标心电图数据；根据目标心电图数据对应的实际导联数量，从预先训练的多个标准诊断神经网络模型中选择与实际导联数量匹配的目标诊断神经网络模型；将目标心电图数据输入目标诊断神经网络模型，得到目标诊断神经网络模型根据目标心电图数据从预先标定的多个心脏状态标签中确定的至少一个目标心脏状态标签，至少一个目标心脏状态标签用于表征待诊断患者的实际心脏状态。本发明依靠神经网络模型对心电图数据进行自动分析，可以通过心电图及时发现心脏肥大、扩张和增大等状态，能够在产生心力衰竭、猝死以及心律失常等症状之前及时发现心脏异常，使患者能够及时诊治。
-
公开(公告)号：CN115281688B
公开(公告)日：2024-10-22
申请号：CN202210792806.3
申请日：2022-07-05
Applicant: 华中科技大学
IPC: A61B5/318 , A61B5/346 , A61B5/366 , G06N3/0464 , G06N3/0442 , G06N3/045 , G06F18/213 , G06F18/25
Abstract: 本发明公开了一种基于多模态深度学习的心房心室肥大多标签检测系统，属于心电图上的心脏肥大检测领域。采用自适应小波阈值去噪、基于形态学特征的心拍分割、深度神经网络、多模态特征融合等方法，当下热门的计算机视觉技术迁移到心电信号分类上，通过将心电信号的时域特征、形态特征和病人个体信息融合，对四种心脏肥大和正常同时进行分类，搭建出一个基于多模态深度学习的多标签检测框架，从而解决了心电信号在心脏肥大检测上的准确率差和泛化能力差的问题，实现了基于心电图的心脏肥大准确监测，可用于临床诊断。
-
公开(公告)号：CN118559943A
公开(公告)日：2024-08-30
申请号：CN202410654034.6
申请日：2024-05-24
Applicant: 华中科技大学
Abstract: 本发明公开了一种基于镍钛记忆合金驱动的人工肌肉的制作方法，包括如下步骤：S1、预制人工肌肉部件与浇筑模具；所述人工肌肉部件包括多组镍钛记忆合金线圈与两个固定板；所述浇筑模具包括内圆柱、外圆柱、模具上盖与模具下盖；S2、在其中一个固定板上安装多个磁铁，另一个固定板上安装多个霍尔元件，并使磁铁与霍尔元件数量相同且位置一一对应；S3、组装好人工肌肉部件与浇筑模具；S4、从浇筑口处向所述外圆柱内浇筑硅胶，形成人工肌肉的硅胶主体；S5、拆除浇筑模具。
-
公开(公告)号：CN118123894A
公开(公告)日：2024-06-04
申请号：CN202410349300.4
申请日：2024-03-26
Applicant: 华中科技大学
Abstract: 本发明公开了一种基于并联驱动方式的柔性机械臂腕，包括上表面、下表面及三个人工肌肉；对于任意一个人工肌肉，包括上盖、下盖及安装在上盖与下盖之间的硅胶主体；上盖固定在上表面下方，下盖固定在下表面上方；硅胶主体为圆柱形，硅胶主体内部包覆有多组镍钛记忆合金线圈及两个固定板；每组镍钛记忆合金线圈的上下两端分别从上盖、上表面及下盖、下表面预留的线圈孔穿出，并与外部电路连接；两个固定板均为圆环形，其中一个固定板上安装有多个磁铁，另一个固定板上安装有多个霍尔元件，磁铁与霍尔元件数量相同且上下一一对应；硅胶主体的中部预留有圆柱形空腔，且该圆柱形空腔与圆环形固定板的中空区域对应，共同用于设置霍尔元件的导线。
-
公开(公告)号：CN115018162B
公开(公告)日：2024-06-04
申请号：CN202210651460.5
申请日：2022-06-09
Applicant: 华中科技大学
IPC: G06Q10/04 , G06Q10/0639 , G06Q50/04 , G06F18/214 , G06N3/0464 , G06N3/048 , G06N3/084
Abstract: 本发明公开一种工业精加工过程加工质量实时预测方法和系统，属于MMPs质量预测领域。包括：训练加工质量预测模型，直至满足加工精度要求，所述预测模型，包括：归一化模块，用于对CMM数据归一化；S个特征处理模块中，第一特征处理模块，用于将归一化后CMM进行多次特征计算，第s特征处理模块，用于对第s‑1特征筛选模块的输出进行多次计算，得到当前步决策输出；S‑1个特征筛选模块中，第s特征筛选模块，用于将第s特征处理模块的输出和归一化后CMM特征筛选；反馈回归模块，用于将第二特征处理模块至第S特征处理模块的输出全连接，经Softmax函数，得到CMM数据；获取目标工序中各工序当前加工完CMM数据，输入至训练好预测模型，得到预测结果。
-
-
-
-
-
-
-
-
-
Search Results
41
records
(took 0.021 seconds)
