-
公开(公告)号：CN113974644A
公开(公告)日：2022-01-28
申请号：CN202111425350.9
申请日：2021-11-26
Applicant: 苏州大学
Abstract: 本发明公开了一种房颤信号生成方法及系统，包括以下步骤：获取采样率与输入长度相同的房颤信号和正常心电信号，并进行预处理；分别制作房颤信号和正常心电信号中T波终点至下一个心电周期的QRS波起点位置的标签；利用标签对房颤信号的房颤波和正常心电信号中相应位置依次进行截取；计算处理后的正常心电信号需要插入的房颤波数量，从n条房颤波中随机挑选所需数量房颤波依次填充入正常心电信号截断位置，得到合成的房颤信号。本发明生成的房颤信号可信度高，能够满足现阶段心电信号自动分析模型的训练需求，有效地缓解房颤心电信号数据量不足、数据量不均衡等相关问题。
-
公开(公告)号：CN113974644B
公开(公告)日：2023-03-24
申请号：CN202111425350.9
申请日：2021-11-26
Applicant: 苏州大学
Abstract: 本发明公开了一种房颤信号生成方法及系统，包括以下步骤：获取采样率与输入长度相同的房颤信号和正常心电信号，并进行预处理；分别制作房颤信号和正常心电信号中T波终点至下一个心电周期的QRS波起点位置的标签；利用标签对房颤信号的房颤波和正常心电信号中相应位置依次进行截取；计算处理后的正常心电信号需要插入的房颤波数量，从n条房颤波中随机挑选所需数量房颤波依次填充入正常心电信号截断位置，得到合成的房颤信号。本发明生成的房颤信号可信度高，能够满足现阶段心电信号自动分析模型的训练需求，有效地缓解房颤心电信号数据量不足、数据量不均衡等相关问题。
-
公开(公告)号：CN112704503B
公开(公告)日：2022-08-30
申请号：CN202110056325.1
申请日：2021-01-15
Applicant: 苏州大学
Abstract: 本发明公开了一种心电信号噪声处理方法，包括以下步骤：使用人工合成的数据集训练轻量深度学习网络得到训练完成的轻量深度学习网络，测试后端应用算法得到对应的预设熵阈值；将采集到的心电信号数据分段并输入训练完成的训练轻量深度学习网络，分类得到含噪声部分的信号段数据；计算含噪声部分的信号段数据的样本熵，与预设熵阈值比较并将大于预设熵阈值的信号段数据去除，得到去噪后的心电信号数据。本发明通过轻量深度学习网络直接对段信号进行分类，避免了人工提取特征的弊端；通过样本熵对分段信号去噪，有效降低肌电干扰、电极运动干扰噪声对诊断系统造成的误警，提高后端应用算法在心电信号中含有噪声时的准确性。
-
公开(公告)号：CN115153581B
公开(公告)日：2024-09-20
申请号：CN202210859962.7
申请日：2022-07-21
Applicant: 苏州大学
IPC: A61B5/346
Abstract: 本发明提出了一种基于卷积神经网络和Transformer的心电信号特征波形检测方法，利用卷积神经网络提取信号的空间信息，并利用Transformer基于自注意力机制捕获时序特征，Transformer中采用多头注意力机制，不同的自注意力模块之间互不干扰，没有依赖关系。可以分别对各个模块计算之后将计算结果整合得到最终输出，这种方式称为并行计算，在实际运算过程中，并行计算的速度比串行计算的速度快，使得心电信号特征波形检测更为高效；为了更加精确的定位，选用跳层连接结构，将卷积神经网络特征提取器的中间结果与相应的解码器特征图在通道维度上拼接，将浅层位置信息和深层语义信息相结合,使得心电信号特征波形检测更为精确。
-
公开(公告)号：CN116725486A
公开(公告)日：2023-09-12
申请号：CN202310607548.1
申请日：2023-05-26
Applicant: 苏州大学
IPC: A61B5/00 , A61B5/318 , A61B5/361 , G06F18/24 , G06N3/0455
Abstract: 本发明涉及一种基于双阶段的动态心电信号房颤检测方法、装置。本发明所提供的动态心电信号房颤检测包括以下步骤：对动态心电信号和QRS波位置序列进行第一采样频率的下采样，使用滑动窗口法对长程动态心电信号进行截取，通过模型RDAF‑net快速地提取出疑似房颤发生的区域，在减少房颤段漏检率的同时保证准确率，给第二阶段的细检测提供基础。将第一阶段检测到的疑似房颤片段集合进行第二采样频率的采样，通过滑动窗口法对第二采样频率下的片段进行截取，将采样后的疑似房颤片段输入到模型ConvTransAF‑net中，对输入的疑似房颤片段进行精细化检测。最后通过中值滤波对第二阶段的分类结果进行后处理，得到最终的房颤检测结果。
-
Patent Agency Ranking
公开(公告)号：CN112617850B
公开(公告)日：2022-08-30
申请号：CN202110004807.2
申请日：2021-01-04
Applicant: 苏州大学
Abstract: 本发明公开了一种心电信号的早搏心拍检测系统，所述系统用于实现如下方法，包括：步骤一：将预设采样率的心电信号的输入长度固定为统一长度，并给心电信号增加不同程度的噪声，给心电信号每一组数据准备了其对应的标签，标签有两个通道，每个通道分别划分好对应的室性早搏QRS波段和室上性早搏QRS波段；步骤二：将步骤一中的心电信号进行低通滤波，并结合对应的标签输入到神经网络中进行训练，所述神经网络的损失函数为Dice损失函数，所述神经网络采用一维U‑net网络结构。本发明的有益效果：无需复杂的前期去噪或者域变换、无需人工设计特征；鲁棒性强、能够在高噪信号中准确检测出早搏心拍，即早搏心拍中的QRS波位置；端到端的检测、再通过后处理直接输出早搏类型与位置。
-
公开(公告)号：CN115590524B
公开(公告)日：2024-09-24
申请号：CN202211116660.7
申请日：2022-09-14
Applicant: 苏州大学
IPC: A61B5/318 , A61B5/36 , A61B5/00 , A61B5/352 , A61B5/366 , A61B5/353 , A61B5/355 , G06F18/24 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及一种基于卷积神经网络的QT间期延长识别方法，包括采集受试者的心电图，对心电信号进行预处理；对预处理后的心电信号进行波形检测，得到波形检测结果；根据波形检测结果计算QTc值；利用卷积神经网络和注意力机制构建QT间期延长识别模型，并使用数据训练QT间期延长识别模型；使用训练好的QT间期延长识别模型对未知QT间期状态的信号进行预测，实现QT间期延长的识别。本发明利用残差网络结构结合注意力机制的算法实现QT间期延长的识别，有效降低了模型的复杂度，避免由于波形定位的准确性影响QT间期延长识别精度的问题，同时实现了端到端的识别，省去了中间环节的人为参与，提升了辅助诊断的便捷性。
-
公开(公告)号：CN115590524A
公开(公告)日：2023-01-13
申请号：CN202211116660.7
申请日：2022-09-14
Applicant: 苏州大学(CN)
IPC: A61B5/318 , A61B5/36 , A61B5/00 , A61B5/352 , A61B5/366 , A61B5/353 , A61B5/355 , G06F18/24 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及一种基于卷积神经网络的QT间期延长识别方法，包括采集受试者的心电图，对心电信号进行预处理；对预处理后的心电信号进行波形检测，得到波形检测结果；根据波形检测结果计算QTc值；利用卷积神经网络和注意力机制构建QT间期延长识别模型，并使用数据训练QT间期延长识别模型；使用训练好的QT间期延长识别模型对未知QT间期状态的信号进行预测，实现QT间期延长的识别。本发明利用残差网络结构结合注意力机制的算法实现QT间期延长的识别，有效降低了模型的复杂度，避免由于波形定位的准确性影响QT间期延长识别精度的问题，同时实现了端到端的识别，省去了中间环节的人为参与，提升了辅助诊断的便捷性。
-
公开(公告)号：CN115153581A
公开(公告)日：2022-10-11
申请号：CN202210859962.7
申请日：2022-07-21
Applicant: 苏州大学
IPC: A61B5/346
Abstract: 本发明提出了一种基于卷积神经网络和Transformer的心电信号特征波形检测方法，利用卷积神经网络提取信号的空间信息，并利用Transformer基于自注意力机制捕获时序特征，Transformer中采用多头注意力机制，不同的自注意力模块之间互不干扰，没有依赖关系。可以分别对各个模块计算之后将计算结果整合得到最终输出，这种方式称为并行计算，在实际运算过程中，并行计算的速度比串行计算的速度快，使得心电信号特征波形检测更为高效；为了更加精确的定位，选用跳层连接结构，将卷积神经网络特征提取器的中间结果与相应的解码器特征图在通道维度上拼接，将浅层位置信息和深层语义信息相结合,使得心电信号特征波形检测更为精确。
-
公开(公告)号：CN112704503A
公开(公告)日：2021-04-27
申请号：CN202110056325.1
申请日：2021-01-15
Applicant: 苏州大学
Abstract: 本发明公开了一种心电信号噪声处理方法，包括以下步骤：使用人工合成的数据集训练轻量深度学习网络得到训练完成的轻量深度学习网络，测试后端应用算法得到对应的预设熵阈值；将采集到的心电信号数据分段并输入训练完成的训练轻量深度学习网络，分类得到含噪声部分的信号段数据；计算含噪声部分的信号段数据的样本熵，与预设熵阈值比较并将大于预设熵阈值的信号段数据去除，得到去噪后的心电信号数据。本发明通过轻量深度学习网络直接对段信号进行分类，避免了人工提取特征的弊端；通过样本熵对分段信号去噪，有效降低肌电干扰、电极运动干扰噪声对诊断系统造成的误警，提高后端应用算法在心电信号中含有噪声时的准确性。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.016 seconds)
