申请/专利权人：哈尔滨工业大学(深圳)

申请日：2020-07-10

公开（公告）日：2024-06-28

公开（公告）号：CN111798980B

主分类号：G16H50/30

分类号：G16H50/30;G16H50/20;G06N3/0464;G06N3/045;G06N3/096;G06N3/0442

优先权：

专利状态码：有效-授权

法律状态：2024.06.28#授权;2020.11.06#实质审查的生效;2020.10.20#公开

摘要：本发明涉及一种基于深度学习网络的复杂医学生物信号处理方法和装置，所述方法包括步骤：采集复杂医学生物数据，所述复杂医学生物数据为包含心电、心音、血氧数据中的两种或以上的多变量异源数据；构建卷积神经网络模型，将所述复杂医学生物数据依次输入该卷积神经网络模型的卷积层和池化层进行标准化预处理；构建多功循环神经网络模型，对预处理后的所述复杂医学生物数据进行分类，分离出心电数据、心音数据和或血氧数据；构建前端预测模型，将所述复杂医学生物数据输入该模型，并输出人体健康状况预测、身份识别和或动作识别的判别结果。本发明可解决穿戴设备在多功能、诊断精度和准确度上的问题。

主权项：1.一种基于深度学习网络的复杂医学生物信号处理方法，其特征在于，包括步骤：采集复杂医学生物数据，所述复杂医学生物数据为包含心电、心音、血氧数据中的两种或以上的多变量异源数据；构建卷积神经网络模型，将所述复杂医学生物数据依次输入该卷积神经网络模型的卷积层和池化层进行标准化预处理；构建多功循环神经网络模型，对预处理后的所述复杂医学生物数据进行分类，分离出心电数据、心音数据和或血氧数据；构建前端预测模型，将所述复杂医学生物数据输入该模型，并输出人体健康状况预测、身份识别和或动作识别的判别结果；构建动态生成网络模型，将所述复杂医学生物数据和已有公开数据库拟合，输出个性化的生成数据集；构建长时迁移网络模型，通过机器学习将所述个性化的生成数据集进行扩充；构建后端训练预测模型，对所述个性化的生成数据集进行训练和验证，并输出人体健康状况预测、身份识别和或动作识别的判别结果；其中，所述构建多功循环神经网络模型，对预处理后的所述复杂医学生物数据进行分类，分离出心电数据、心音数据和或血氧数据的步骤具体包括：创建多个LSTM网络，以及多个通过读写操作联系的共享记忆节点，其中，外部记忆节点被定义为一个矩阵M，M的大小是所述复杂医学生物数据训练集的超参数；对于每一个输出任务m，都分配有一个属于自己的本地记忆节点Mm，并通过这个本地记忆节点与一个全局记忆节点Ms进行联系；所述多功循环神经网络模型还包括一softmax层。

全文数据：

权利要求：

百度查询： 哈尔滨工业大学(深圳) 基于深度学习网络的复杂医学生物信号处理方法和装置

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD