【CN110046604A】一种基于残差网络的单导联ECG心律失常检测分类方法【专利】

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201910117098.1(22)申请日 2019.02.15(71)申请人 济南大学地址 250022 山东省济南市市中区南辛庄西路336号(72)发明人 张远　张宇微　于建勋　许文耀　杨珀　卢贝尼　(74)专利代理机构 济南圣达知识产权代理有限公司 37221代理人 黄海丽(51)Int.Cl.A61B 5/0402(2006.01)

(54)发明名称基于CNN的心电信号处理方法及心律不齐检测系统(57)摘要本公开公开了基于CNN的心电信号处理方法及心律不齐检测系统，包括：对心电信号进行预处理得到总样本集；构建卷积神经网络；采用十折交叉检验方式，对总样本集分十次划分成训练集和测试集；利用每一次划分的训练集对卷积神经网络进行训练；然后利用每一次训练集所对应的测试集对卷积神经网络进行测试，获得模型的分类精度；将十次分类精度进行加和求平均值，将平均值与设定阈值进行比较，如果分类精度平均值大于等于设定阈值，则停止训练，得到训练好的卷积神经网络；对待识别的心电信号进行预处理，将连续的心电信号分离成单个心跳信号，将待识别的单个心跳信号依次输入训练好的卷积神经网络中，卷积神经网络输出对待识别信号

的分类结果。

权利要求书3页 说明书10页 附图3页CN 109805924 A2019.05.28

CN 109805924

A1.基于CNN的心电信号处理方法，其特征是，包括：对心电信号进行预处理得到总样本集；构建卷积神经网络；采用十折交叉检验方式，对总样本集分十次划分成训练集和测试集；利用每一次划分的训练集对卷积神经网络进行训练；然后利用每一次训练集所对应的测试集对卷积神经网络进行测试，获得模型的分类精度；将十次分类精度进行加和求平均值，将平均值与设定阈值进行比较，如果分类精度平均值大于等于设定阈值，则停止训练，得到训练好的卷积神经网络；对待识别的心电信号进行预处理，将连续的心电信号分离成单个心跳信号，将待识别的单个心跳信号依次输入训练好的卷积神经网络中，卷积神经网络输出对待识别信号的分类结果。2.如权利要求1所述的方法，其特征是，每一次划分的训练集与对应的测试集无重复使用的信号；每一次划分的测试集与其他次划分的测试集均无重复使用的信号；每一次划分的训练集中均包括正常心电信号和异常心电信号；每一次划分的测试集中也均包括正常心电信号和异常心电信号。3.如权利要求1所述的方法，其特征是，所述卷积神经网络，包括：输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、第四卷积层、第四池化层、全连接层和输出层；所述输入层，用于输入单个心电信号；输入层的单个心电信号矩阵为300*1，其中，300为单个心电信号被均匀离散成点的个数，每一个离散点的值为信号在该点的幅值；学习率设置为0.002；所述第一卷积层，卷积核大小为3*1；步长为1；特征图个数为8；第一卷积层特征图的大小为298*1*8所述第一池化层，卷积核大小为2*1，步长为2，特征图个数为8，第一池化层特征图的大小为149*1*8；所述第二卷积层，卷积核大小为4*1，步长为1，特征图个数为16，第二卷积层特征图的大小为146*1*16；第二卷积层的激活函数为整流线型单元Relu；所述第二池化层，卷积核大小为2*1，步长为2，特征图个数为16，第二池化层特征图大小为73*1*16。4.如权利要求3所述的方法，其特征是，所述第三卷积层，卷积核大小为4*1，步长为1，特征图个数为32，第三卷积层特征图的大小为70*1*32；第三卷积层的激活函数为整流线型单元Relu；所述第三池化层，卷积核大小为2*1，步长为2，特征图个数为32，第三池化层特征图的大小为35*1*32；所述第四卷积层，卷积核大小为4*1，步长为1，特征图个数为64，第四卷积层特征图的大小为32*1*64；第四卷积层的激活函数为整流线型单元Relu；所述第四池化层，卷积核大小为2*1；步长为2，特征图个数为64，第四池化层特征图的大小为16*1*64；所述输出层，包括Softmax函数分类器，

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201910287109.0(22)申请日 2019.04.11(71)申请人 研和智能科技（杭州）有限公司地址 310000 浙江省杭州市滨江区西兴街道聚工路19号7幢403室(72)发明人 黄宇仁　胡文彬　(74)专利代理机构 杭州橙知果专利代理事务所(特殊普通合伙) 33261代理人 李品(51)Int.Cl.A61B 5/024(2006.01)

(54)发明名称一种心率信号检测装置及方法(57)摘要本发明公开了一种心率信号检测装置，包括：样本提取器，用于将连续的人体心率信号中均分为多个固定时长的信号样本；样本处理器，用于确定信号样本的特征图，所述特征图包括时域特征和频域特征；概率计算器，用于根据所述特征图确定所述信号样本属于各个心率类型的概率分布，所述心率类型包括心率正常类型和心率失常类型；还公开了一种利用上述心率信号检测装置进行检测的方法。本发明能够无需依靠人工标记，就能对人体心率信号进行准确的分类，并结合同一心率信号的时域特征和频域特征对这一心率信号所属的心率类型进行判别，提高心

率失常检测的准确度。

权利要求书2页 说明书4页 附图3页CN 110507299 A2019.11.29

CN 110507299

A1.一种心率信号检测装置，其特征在于：包括：样本提取器，用于将连续的人体心率信号均分为多个固定时长的信号样本；样本处理器，用于确定信号样本的特征图，所述特征图包括时域特征和频域特征；概率计算器，用于根据所述特征图确定所述信号样本属于各个心率类型的概率分布，所述心率类型包括心率正常类型和心率失常类型。2.根据权利要求1所述的心率信号检测装置，其特征在于：所述样本处理器包括：时域特征单元，用于从所述信号样本中提取时域特征；信号转换单元，用于将所述信号样本从时域样本转换为频域样本；频域分段单元，用于将所述频域样本均分成多个频域段；频域特征单元，用于根据所述频域段确定频域特征；特征处理单元，用于将所述时域特征和所述频域特征结合，得到所述特征图。3.根据权利要求1或2所述的心率信号检测装置，其特征在于：还包括类型确定器，用于根据所述概率分布，并结合该信号样本的前后样本信号特征，确定该信号样本的心率类别。4.根据权利要求3所述的心率信号检测装置，其特征在于：还包括信号采集器，用于从人体中采集人体心率信号。5.根据权利要求3所述的心率信号检测装置，其特征在于：还包括信号滤波器，用于过滤所述人体心率信号中的干扰信号，所述信号过滤器包括：低通滤波器，用于去除人体心率信号中的肌电噪声干扰；陷波滤波器，用于去除人体心率信号中所述信号采集器本身带有的特定频率的工频干扰；零相移滤波器，用于去除心率信号中的基线漂移干扰。6.一种心率信号检测方法，其特征在于：包括：样本提取器将连续的人体心率信号中均分为多个固定时长的信号样本；样本处理器确定信号样本的特征图，所述特征图包括时域特征和频域特征；概率计算器根据所述特征图确定所述信号样本属于各个心率类型的概率分布，所述心率类型包括心率正常类型和心率失常类型。7.根据权利要求6所述的心率信号检测方法，其特征在于：所述样本处理器确定信号样本的特征图，包括：时域特征单元从所述信号样本中提取时域特征；信号转换单元将所述信号样本从时域样本转换为频域样本；频域分段单元将所述频域样本均分成多个频域段；频域特征单元根据所述频域段确定频域特征。8.根据权利要求6或7所述的心率信号检测方法，其特征在于：还包括：类型确定器根据所述概率分布，并结合该信号样本的前后样本信号特征，确定该信号样本的心率类别。9.根据权利要求8所述的心率信号检测方法，其特征在于：还包括：信号采集器从人体中采集人体心率信号。10.根据权利要求8所述的心率信号检测方法，其特征在于：还包括：

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201910200666.4(22)申请日 2019.03.17(71)申请人 华南师范大学地址 510631 广东省广州市天河区华南师范大学计算机学院 申请人 西藏民族大学(72)发明人 朱定局　田娟　欧珠　(51)Int.Cl.G06F 16/35(2019.01)G06F 16/33(2019.01)G06F 17/27(2006.01)G06N 3/04(2006.01)

(54)发明名称三嵌入卷积神经网络模型及其文本多分类方法(57)摘要本发明属于文本分类技术领域，涉及一种词、词性和词长三嵌入卷积神经网络模型及其文本多分类方法。词、词性和词长三嵌入卷积神经网络模型，包括依次相连的输入层、查找表、卷积层、特征池化层、特征连接层、特征选择层和分类输出层，同时采用新词识别方法识别中文新词，

从而提高了分词的精确度和文本分类的准确率。

权利要求书3页 说明书9页 附图2页CN 110046250 A2019.07.23

CN 110046250

A1.一种词、词性和词长三嵌入卷积神经网络模型，其特征在于，包括依次相连的输入层、查找表、卷积层、特征池化层、特征连接层、特征选择层和分类输出层，其中：输入层：用于接收预处理后的文本，进行词向量编码，得到词特征向量映射矩阵、词性特征向量映射矩阵和词长特征向量映射矩阵；查找表：用于存储词特征向量映射矩阵、词性特征向量映射矩阵和词长特征向量映射矩阵，包括词查找表、词性查找表和词长查找表；卷积层：用于通过查找表获得需要处理的词矩阵、词性矩阵和词长矩阵，对获得的词矩阵、词性矩阵和词长矩阵进行卷积运算，得到词、词性和词长局部特征；特征池化层：用于对词、词性和词长局部特征进行降维处理；特征连接层：用于对降维处理后的词、词性和词长局部特征进行合并处理，得到融合特征矩阵；在进行合并处理时对词、词性和词长局部特征赋予不同的预设权值进行融合；特征选择层：用于对融合特征矩阵采用dropout机制，随机删除部分特征，得到分类器输入矩阵；分类输出层：用于将分类器输入矩阵作为输入，对特征进行分析，完成文本多分类；其中，确定所述预设权值的步骤包括：取多组不同的预设权值；利用由不同的预设权值形成的连接操作层构成的所述词、词性和词长三嵌入卷积神经网络模型进行文本分类的测试；根据测试计算得到由不同的预设权值形成的连接操作层构成的所述词、词性和词长三嵌入卷积神经网络模型对应的分类准确度；取分类准确度最高的所述词、词性和词长三嵌入卷积神经网络模型对应的预设权值作为连接操作层的所述预设权值。2.根据权利要求1所述的词、词性和词长三嵌入卷积神经网络模型，其特征在于，在用词、词性和词长三嵌入卷积神经网络模型模型进行训练时，其参数设置如下：卷积核窗口大小h，分别为3、4、5，最大词向量d为300；每种卷积核的数量为100；dropout概率为0.5；chunk-max pooling采样中chunk为5。3.根据权利要求1所述的文本多分类方法，其特征在于，特征池化层采用分块内最大特征池化降维策略；分类输出层使用softmax作为分类器。4.一种基于词、词性和词长三嵌入卷积神经网络模型的文本多分类方法，其特征在于，基于权利要求1-3中任一项所述的词、词性和词长三嵌入卷积神经网络模型实现，包括：数据预处理，得到词、词性和词长三嵌入卷积神经网络模型的输入数据集；词、词性和词长三嵌入卷积神经网络模型接收预处理后的输入数据集，进行词向量编码，得到词特征向量映射矩阵、词性特征向量映射矩阵和词长特征向量映射矩阵；构建词查找表、词性查找表和词长查找表；通过查找词查找表、词性查找表和词长查找表获得需要处理的词矩阵、词性矩阵和词长矩阵，对获得的词矩阵、词性矩阵和词长矩阵进行卷积运算，得到词、词性和词长局部特征；对词、词性和词长局部特征进行降维处理；用于对降维处理后的词、词性和词长局部特征进行合并处理，得到融合特征矩阵；在进行合并处理时对词、词性和词长局部特征赋予不同的权值进行融合；对融合特征矩阵采用dropout机制，随机删除部分特征，

基于卷积神经网络的目标检测与跟踪方法研究

随着计算机算力和机器学习算法的不断进步，目标检测和跟踪技术在许多应用领域得到了广泛的应用，例如自动驾驶、智能家居、安防监控等。其中，卷积神经网络（Convolutional Neural Network，CNN）是目前应用最广泛、效果最好的深度学习模型之一。本文将重点介绍基于CNN的目标检测和跟踪方法研究，探讨其原理、技术挑战及应用前景等相关问题。

【一、目标检测】

目标检测指的是在一幅图像或视频中，自动识别出感兴趣的物体并确定其位置。传统的目标检测方法主要是基于手工设计的特征和分类器，例如Haar特征、HOG特征等，这种方法需要大量的人力和时间，而且准确率也不够高。随着深度学习的出现，基于CNN的目标检测方法开始得到广泛的应用。

1. Faster R-CNN

Faster R-CNN是一种非常流行的基于CNN的目标检测算法，由Ross Girshick等人于2015年提出。Faster R-CNN的核心思想是引入一个Region Proposal

Network（RPN），在图像中生成一些候选区域，然后对每个候选区域进行分类和回归，从而得到最后的目标检测结果。相比于传统的目标检测方法，Faster R-CNN的优点在于可以实现端到端的训练，自动学习特征和分类器，同时具有更高的准确率和更快的检测速度。

2. YOLO

YOLO（You Only Look Once）是由Joseph Redmon等人于2016年提出的基于CNN的目标检测算法。与Faster R-CNN不同的是，YOLO将输入图像分为一定数量的网格，在每个网格中预测物体的位置和类别，从而得到最终的目标检测结果。YOLO的优点在于速度非常快，可以实现实时的目标检测，但准确率相对较低。

【二、目标跟踪】

目标跟踪指的是在一段视频中，自动跟踪并定位感兴趣的物体。目标跟踪是目标检测的延伸和拓展，它可以实现实时跟踪，有很大的应用价值。