买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜上海海神医疗电子仪器有限公司申请的专利一种基于DPCNN的腕管综合征智能诊断系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN118213066B 。

龙图腾网通过国家知识产权局官网在2025-05-09发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202410266097.4，技术领域涉及：G16H50/20；该发明授权一种基于DPCNN的腕管综合征智能诊断系统是由田东;袁亦金;熊攀;夏威设计研发完成，并于2024-03-08向国家知识产权局提交的专利申请。

本一种基于DPCNN的腕管综合征智能诊断系统在说明书摘要公布了：本发明基于DPCNN的腕管综合征智能诊断系统包括：采集多个受试者的相关检测项目的肌电数据；对每项肌电数据进行预处理；将受试者的预处理后各项肌电数据拼接成一个肌电样本数据，据诊断报告分别为各肌电样本数据进行诊断标签，构建模型数据集；选择DPCNN结构搭建深度学习模型；将训练集中各肌电样本数据输入至模型中，模型提取特征进行迭代训练，结合模型训练结果不断调整超参数直至获得最优解；模型进行多折交叉验证训练，据交叉验证结果构建混淆矩阵对模型分类性能进行综合评估；将在交叉验证中各项指标表现最优模型作为最优深度学习模型；将新受试者的待预测肌电样本数据输入至最优深度学习模型以获得对应输出的智能诊断结果。

本发明授权一种基于DPCNN的腕管综合征智能诊断系统在权利要求书中公布了：1.一种基于DPCNN的腕管综合征智能诊断系统，其特征在于，其包括肌电数据采集模块、肌电数据预处理模块、数据集构建模块、深度学习模型构建模块、模型训练测试模块、模型交叉验证模块、最优模型输出模块和模型预测诊断模块；所述肌电数据采集模块用于以一设定采集频率采集多个受试者的CTS检查过程中的所有检测项目的肌电数据，以获得每个受试者的多项肌电数据；所述肌电数据预处理模块用于对每项肌电数据进行工频噪声、尖峰幅值干扰去除预处理操作；所述数据集构建模块用于将某个受试者的预处理后的各项肌电数据进行拼接整合成一个肌电样本数据，以此每个受试者均对应一个肌电样本数据，并根据临床医生专业的诊断报告分别为各个肌电样本数据进行诊断标签标注，诊断标签为CTS正常对照组标签、及不同轻重程度的CTS标签，基于各个肌电样本数据和对应的诊断标签构建模型数据集，模型数据集中包括训练集和测试集；所述深度学习模型构建模块用于针对肌电样本数据为一维数值型数据的特点，选择DPCNN结构搭建深度学习模型，深度学习模型依次包括多层特征提取层、全连接层、Dropout层和Softmax全连接层，每层特征提取层均包括卷积层、批归一化层和激活函数层，按照层级排序的多层卷积层中前一层级的卷积层的卷积核数量多于后一层级的卷积层的卷积核数量，每层卷积层的优化器选用Adam优化器，初始化超参数：学习率、batchsize决定了训练过程中每次迭代使用样本量的大小、及Epochs数量，学习率取值范围为1*10-5至1*10-3，batchsize取值为2的次方值；所述模型训练测试模块用于将训练集中的各肌电样本数据输入至构建的深度学习模型中，深度学习模型提取样本数据特征进行迭代训练，结合模型训练结果，不断调整超参数直至获得最优解；所述模型交叉验证模块用于利用模型数据集对构建的深度学习模型进行多折交叉验证训练，保证模型数据集中所有的样本数据都作为训练集和测试集参与过模型训练，根据交叉验证结果，构建混淆矩阵对模型分类性能进行综合评估；所述最优模型输出模块用于将在交叉验证中各项指标表现最优的深度学习模型作为最优深度学习模型输出；所述模型预测诊断模块用于采集获得一新受试者的多项肌电数据，经预处理后拼接整合成一个待预测肌电样本数据，将待预测肌电样本数据输入至最优深度学习模型以获得对应输出的智能诊断结果；所述模型训练测试模块用于：第一层卷积层提取输入的各肌电样本数据的特征，将特征数据输入至第一层批归一化层进行归一化处理，归一化处理后的特征数据经激活函数去线性化后作为该特征提取层的输出数据传入下一层，前一特征提取层的输出数据作为下一层的输入数据，输入数据在相应的卷积层和批归一化层完成卷积和归一化处理；首先计算第h层批量输入特征值的隐藏激活的均值u，归一化处理公式如下： 其中，hi是第h层第i批次的一个特征数据点，是第h层第i批次的各个特征数据点的总数量，m是第h层神经元的数量，h是特征提取层数中第h层，第i批次中输入的各个肌电样本数据对应的诊断标签均是一致的；接着计算隐藏激活的标准差α，公式如下： 然后将第h层的输入特征数据归一化为，公式如下： 其中，δ为不为零但接近零的常数平滑项；最后对输入进行重新缩放和偏移，保证每个输出都遵循整个批次的标准正态分布，公式如下： 其中，为第h层第i批次的归一化后的特征数据，γ为重新缩放参数，β为偏移参数；全连接层将最后一层特征提取层输入来的特征数据构成的特征矩阵向量与预先设置的权重矩阵相乘，并添加偏置项，将特征结果通过激活函数映射输出第二特征矩阵向量；Dropout层在训练中以一定概率p丢弃第二特征矩阵向量中的某些特征值，保留下构成的第三特征矩阵向量输入至带有Softmax分类器的全连接层；带有Softmax分类器的全连接层对第三特征矩阵向量中每个批次对应的特征数据进行分类，将每个批次输出的分类结果映射到[0,1]之间即转换为对应的概率，选择概率最高的分类结果作为输出，各分类概率的总和为1；深度学习模型进行迭代训练，结合训练过程中实时输出的准确率训练结果，不断调整超参数直至获得最优解，最优解对应的深度学习模型为训练好的深度学习模型，并利用测试集对训练好的深度学习模型进行性能评估；诊断标签为CTS正常对照组、轻度CTS和重度CTS，将模型数据集以8∶2的比例划分为训练集和测试集；所述模型交叉验证模块用于对深度学习模型进行5折交叉验证，将测试集上各肌电样本数据的诊断标签作为横坐标数据，深度学习模型对测试集上各肌电样本数据的分类结果作为纵坐标数据，构建混淆矩阵，通过混淆矩阵计算准确率Accuracy、精确率Precision、召回率Recall、F1分数F1-score指标综合评估模型性能；所述特征提取层为4层，第一层卷积层含有24个卷积核，第二层卷积层含有16个卷积核，第三层卷积层含有8个卷积核，第四层卷积层含有4个卷积核；所有检测项目的肌电数据包括：（1）运动传导测定项目中于拇短展肌采集的腕部至肘部正中神经EMG数据；（2）运动传导测定项目中于小指展肌采集的腕部至肘下5cm尺神经EMG数据；（3）运动传导测定项目中于小指展肌采集的肘下5cm至肘上5cm尺神经EMG数据；（4）感觉传导测定中于中指采集的中指至腕部正中神经EMG数据；（5）感觉传导测定中于小指采集的小指至腕部尺神经EMG数据。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人上海海神医疗电子仪器有限公司，其通讯地址为：200093 上海市杨浦区控江路1555号A座103室A-5；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。