買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網獲悉北京工業大學申請的專利一種基于深度學習的心率變異性特征分析方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN116702056B 。

龍圖騰網通過國家知識產權局官網在2025-08-26發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202310579939.7，技術領域涉及：G06F18/2415；該發明授權一種基于深度學習的心率變異性特征分析方法是由何堅;蔣勝圣;楊沁微設計研發完成，并于2023-05-23向國家知識產權局提交的專利申請。

本一種基于深度學習的心率變異性特征分析方法在說明書摘要公布了：一種基于深度學習的心率變異性特征分析方法涉及計算機領域，能夠有效提取心率變異性中包含的信息。本發明包括以下步驟：通過傳感器獲取心電圖數據，并傳輸至上位機；應用插值和濾波對ECG信號進行預處理；采用滑動窗口對接收到的ECG數據進行截取，并進行實時更新和傅里葉變換以獲取頻譜特征圖；利用深度卷積神經網絡解析頻譜圖并提取有用信息，包括基于Resnet18的殘差學習方法的頻域特征提取、以及基于注意力機制的時頻域特征融合、使用多層感知機對特征信息進行分類并輸出。

本發明授權一種基于深度學習的心率變異性特征分析方法在權利要求書中公布了：1.一種基于深度學習的心率變異性特征分析方法，其特征在于： 1由傳感器獲取受試者ECG數據，并通過低功耗藍牙傳輸至上位機； 2應用插值、濾波對獲得的ECG信號做預處理，提高信號的精度、消除干擾尖峰； 3采用滑動窗口對接收到的ECG信號進行緩存，并按照先進先出原則對滑動窗口內的ECG數據進行實時更新；同時，針對滑動窗口內的ECG數據作傅里葉變換得到頻譜特征圖； 4應用Resnet、注意力機制和多層感知機構造深度卷積神經網絡實時解析ECG數據，并從中提取有用信息； 1基于三次樣條插值和濾波器的心電信號預處理 首先采用三次樣條插值對原始離散的ECG數據進行升采樣，以提高數據精度； 然后，對樣本使用高通巴特沃斯濾波器減少信號中潛在的直流分量偏移和0.15～0.3Hz的基線漂移；高通巴特沃斯濾波器的轉移函數如式1所示： 其中n為濾波器的階數，Du,v表示頻率中點到頻率平面的距離，D0為截止頻率；當Du,v大于D0時，對應的Hu,v逐漸接近1，從而使得高頻部分得以通過；而當Du,v小于D0時，Hu,v逐漸趨近于0，實現低頻部分過濾，對數據進行平滑； 2基于滑動窗口對ECG信號進行時域、頻域特征動態分析 將數據劃分為5、10、20秒長度可調節的窗口，所謂“窗口”即原信號從某一時間點起、至某一時間點止的片段，之后對每個窗口內的數據獨立進行波峰檢測和特征分析，設置每個窗口對應的時間戳并保存其時域、頻域特征分析結果；隨著新數據的不斷輸入，將滑動窗口向前推進，按照先進先出原則對滑動窗口內的ECG數據及其時、頻域特征進行實時更新； 3基于FFT、PSD的信號功率譜特征提取 利用快速傅里葉變換FFT算法計算得到信號的頻率特征，對于一段長度為N的離散數據點序列uNn，FFT算法的公式如式2所示： 其中j為虛數單位，ω為頻率，n為頻點數，Unω是對ECG信號做傅里葉變換得到的結果，是一個與輸入序列等長的復數序列，包含實部即各個頻率分量的振幅和虛部即各個頻率分量的相位；再將2式取模平方，得到估計的功率譜密度PSD函數其中Unω是2中得到的ECG信號傅里葉變換結果序列，N為序列長度，ω為頻率，n為頻點數： 將功率譜密度曲線繪制出來，即得到了該滑動窗口內心跳間隔頻域特征的三通道RGB圖像； 4基于神經網絡的心率變異性特征分析 步驟3中產生的RGB圖像被輸入到Resnet層中；Resnet層由多個卷積塊和殘差塊組成，用于提取多個圖像的頻域特征；然后，融合層利用注意力機制將頻域特征向量與時域特征向量拼接融合在一起；最后，使用全連接層也稱多層感知機和softmax層來分類特征向量，并選擇概率最大的類別作為推測結果輸出； 5基于ResNet18殘差學習方法的頻域特征提取 隨著網絡深度增加，神經網絡會出現梯度消失的問題，導致網絡檢測的準確度下降；ResNet引入殘差學習方法來消除神經網絡深度增加導致的梯度消失問題；每個殘差模塊包含兩條路徑，其中一條路徑是輸入特征的直通路；另一條路徑對該特征進行若干次卷積操作得到殘差特征Fx，并給兩條路徑分配權重；最終將兩條路徑的結果之和作為本層網絡的輸出和下一層網絡的輸入； Resnet18；輸入層由一個卷積層和一個最大池化層組成；中間層包含4個含上述殘差模塊的卷積塊，特征值通過一個平均池化層輸出； 將經過PSD變換以后生成的圖像即分辨率為224*224的RGB三通道圖像作為上述網絡的輸入，先通過一個大小為7*7、步長為2的卷積核進行卷積運算，再用一個大小為3*3、步長為2核進行最大池化運算，經如上處理后，圖像就會變成56*56的特征圖； 中間卷積層共有四個卷積塊，首個卷積層的卷積核大小為3*3，步長為2，padding為1，輸出通道為64，該層輸出為64*112*112；第二個卷積層的卷積核大小為3*3，步長為1，padding為1，該層輸出為128*56*56；最后兩個卷積層的核大小為1*1，并經過一個下采樣；每層步長為2，padding為1，每層輸出通道翻倍，輸出向量大小減半；輸出向量的大小為512*7*7；最終該向量經過一個平均池化層，輸出512*1*1的頻域特征向量，作為后續時頻域特征融合的輸入； 6基于注意力機制的時頻域特征融合 將上面經過Resnet18生成的頻域特征向量和經過計算得到的時域特征向量共同作為注意力機制的輸入，之后通過打分函數fx計算向量q與每一個輸入向量之間的相關性： 其中x為查詢，xi為鍵，yi為鍵對應的值，“查詢x和xi之間的注意力權重”以∝x,xi表示；然后使用concat函數對各特征向量進行加權拼接；最終，經過全連接層和softmax層對分類結果進行輸出。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人北京工業大學，其通訊地址為：100124 北京市朝陽區平樂園100號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。