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！

龍圖騰網獲悉華南理工大學申請的專利基于置信增強及凈化修正噪聲標簽的心電圖數據分類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：CN117171636B 。

龍圖騰網通過國家知識產權局官網在2025-09-12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：202310972089.7，技術領域涉及：G06F18/241；該發明授權基于置信增強及凈化修正噪聲標簽的心電圖數據分類方法是由馬千里;馬沛鈿設計研發完成，并于2023-08-03向國家知識產權局提交的專利申請。

本基于置信增強及凈化修正噪聲標簽的心電圖數據分類方法在說明書摘要公布了：本發明公開了一種基于置信增強及凈化修正噪聲標簽的心電圖數據分類方法，如下：設置預熱輪數Tw、訓練輪數T和迭代次數K；獲取包含噪聲標簽的心電圖數據集并預處理；對心電圖神經網絡分類模型隨機初始化，每次訓練采用指數平滑計算每個樣本的損失；訓練Tw輪后，根據每輪樣本損失選擇出置信樣本，對置信樣本通過時間扭曲得到增強樣本，模型使用置信樣本及增強樣本進行訓練；訓練T輪后，使用KNN方法對篩選出的噪聲樣本執行標簽修正，得到新的心電圖數據集，完成一次迭代；若迭代次數達到K，則結束訓練,否則使用新數據集重新執行訓練。本發明不僅增強模型對干凈心電圖數據魯棒性特征的學習，而且通過凈化修正使數據集的噪聲率不斷下降。

本發明授權基于置信增強及凈化修正噪聲標簽的心電圖數據分類方法在權利要求書中公布了：1.一種基于置信增強及凈化修正噪聲標簽的心電圖數據分類方法，其特征在于，所述心電圖數據分類方法包括以下步驟： S1、設置預熱輪數Tw、訓練輪數T和迭代次數K； S2、獲取包含噪聲標簽的心電圖數據集Dori，對數據集Dori進行預處理，每條心電圖序列執行z-score標準化后整合得到用于訓練的心電圖數據集D； S3、構造心電圖神經網絡分類模型并隨機初始化，將所有心電圖序列輸入心電圖神經網絡分類模型進行預熱訓練，每次訓練采用指數平滑方法計算每條心電圖序列對應的訓練損失； S4、預熱訓練Tw輪后，根據每輪的心電圖序列的訓練損失選擇出置信的心電圖序列并納入置信集Dconf中，未被選擇的則作為噪聲心電圖序列并納入噪聲集Dnoisy，另外對置信的心電圖序列通過時間扭曲方法得到增強的心電圖序列并納入增強集Daug中； 在心電圖神經網絡分類模型預熱訓練Tw輪后，獲取并利用置信集和增強集訓練該心電圖神經網絡分類模型過程如下： S41、使用每輪訓練中所有心電圖序列的損失建模一個二分布的高斯混合模型，將該高斯混合模型中均值較小的損失分布所對應的所有心電圖序列作為置信心電圖序列，并納入置信集Dconf；將均值較大的損失分布對應的所有心電圖序列視為噪聲心電圖序列,并納入噪聲集Dnoisy； S42、對步驟S41得到的置信集Dconf中的所有心電圖序列執行時間扭曲方法得到增強樣本集合： 其中TW·表示時間扭曲操作，對心電圖序列的采樣點進行線性插值，然后在采樣點之間隨機選取值作為新采樣點，各個新采樣點構成增強的心電圖序列，xconf和分別表示置信的心電圖序列及對應的觀測標簽； S43、使用得到的置信集Dconf和增強集Daug訓練心電圖神經網絡分類模型，計算最終的第t輪目標損失L： 其中|Dconf|表示統計置信集Dconf的樣本數，λ表示損失項權重，心電圖神經網絡模型根據目標損失L進行訓練； S5、心電圖神經網絡分類模型利用置信集Dconf和增強集Daug進行T輪訓練后，使用K-近鄰方法對步驟S4中最后一輪不被納入置信集的其余心電圖序列執行標簽修正，置信心電圖序列的標簽保持不變，從而得到新標注的心電圖數據集Dnew，完成1次迭代； S6、利用新標注的心電圖數據集對重新初始化的心電圖神經網絡分類模型重復步驟S3至步驟S5進行訓練，直至心電圖神經網絡分類模型迭代次數達到K，完成迭代訓練得到經過訓練的魯棒的心電圖神經網絡分類模型； S7、輸入待分類的心電圖數據至經過訓練的魯棒的心電圖神經網絡分類模型，完成心電圖數據的分類。

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華南理工大學，其通訊地址為：510640 廣東省廣州市天河區五山路381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”。