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(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)獲悉西安理工大學(xué)申請的專利基于時頻信息融合注意力的生理信號片段分析方法獲國家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國家知識產(chǎn)權(quán)局授予，授權(quán)公告號為：CN116548979B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權(quán)局官網(wǎng)在2025-09-12發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請?zhí)?專利號為：202310556580.1，技術(shù)領(lǐng)域涉及：A61B5/346；該發(fā)明授權(quán)基于時頻信息融合注意力的生理信號片段分析方法是由石爭浩;李成建;尤珍臻;任曉勇;劉海琴設(shè)計研發(fā)完成，并于2023-05-17向國家知識產(chǎn)權(quán)局提交的專利申請。

本基于時頻信息融合注意力的生理信號片段分析方法在說明書摘要公布了：本發(fā)明公開了一種基于時頻信息融合注意力的生理信號片段分析方法，具體步驟如下：輸入公開數(shù)據(jù)集中原始ECG信號，對相應(yīng)信號進行預(yù)處理操作后劃分為訓(xùn)練集和測試集；步驟2，構(gòu)建基于Transformer時頻信息融合的生理信號片段分析模型；步驟3，使用步驟1處理后的訓(xùn)練集對步驟2構(gòu)建的模型進行訓(xùn)練；步驟4，將步驟1預(yù)處理后的測試集ECG信號送入步驟3訓(xùn)練好的模型，最終輸出分類檢測的結(jié)果。該方法利用基于Transformer時頻信息融合的生理信號片段分析，以提高分析生理信號片段是否發(fā)生睡眠呼吸暫停事件的準確率。

本發(fā)明授權(quán)基于時頻信息融合注意力的生理信號片段分析方法在權(quán)利要求書中公布了：1.基于時頻信息融合注意力的生理信號片段分析方法，其特征在于：具體包括如下步驟： 步驟1，輸入公開數(shù)據(jù)集中原始ECG信號，對所述原始ECG信號進行預(yù)處理操作后劃分為訓(xùn)練集和測試集； 所述步驟1中對原始ECG信號進行預(yù)處理的過程為：依次進行分段、濾波、R峰檢測與RR間期和R峰幅值提取、線性插值以及通道拼接，得到時間序列z； 步驟2，構(gòu)建基于Transformer時頻信息融合的生理信號片段分析模型；所述步驟2中，基于Transformer時頻信息融合的生理信號片段分析模型包括特征提取模塊、時頻信息融合模塊以及分類模塊； 所述特征提取模塊包括深度殘差收縮網(wǎng)絡(luò)、多尺度卷積注意力模塊和多層卷積+ReLU模塊； 所述時頻信息融合模塊包括由可擴展位置編碼模塊、自適應(yīng)剪枝時頻信息融合注意力模塊和多尺度MLP組成的Transformer架構(gòu)； 所述分類模塊包括平均池化、全連接層和Softmax激活函數(shù)； 步驟2.1，設(shè)計所述特征提取模塊實現(xiàn)自適應(yīng)降噪和提取時序特征，具體為： 步驟2.1.1，所述深度殘差收縮網(wǎng)絡(luò)是對深度殘差網(wǎng)絡(luò)的改進，通過在殘差模塊中設(shè)計軟閾值作為收縮層，濾除特征中的噪音，軟閾值公式為： （1） 公式（1）中，為軟閾值且為正數(shù)，為輸入特征數(shù)據(jù)，為輸出特征，將去噪后的特征定義為； 步驟2.1.2，將去噪的特征輸入到所述多尺度卷積注意力模塊，通過由四個卷積+ReLU和一個池化組成的并行化多尺度特征提取器從不同的視角捕獲RRI和RA序列特征，將提取的多尺度特征進行拼接并使用SENet對不同尺度下的特征進行通道維度上的自適應(yīng)權(quán)重計算，根據(jù)權(quán)重大小分配關(guān)注程度，使用卷積神經(jīng)網(wǎng)絡(luò)減少序列長度降低模型計算量，將增強后的時序特征定義為； 步驟2.1.3，將特征通過四層卷積+ReLU模塊降低序列長度減少計算量，獲得特征F； 步驟2.2，設(shè)計所述時頻信息融合模塊，具體為： 步驟2.2.1，將所述特征提取模塊獲得的所述特征F輸入到所述可擴展位置編碼模塊中以獲得的特征動態(tài)位置信息保證時間序列的先后順序，可擴展位置編碼公式如下： （2） 式中，表示動態(tài)位置編碼后的特征，DWConv為深度卷積； 步驟2.2.2，設(shè)計所述自適應(yīng)剪枝時頻信息融合注意力模塊，該模塊由時頻融合注意力模塊和自適應(yīng)剪枝模塊組成；將輸入的特征經(jīng)膨脹因子為1，2，4的級聯(lián)卷積模塊提取特征的時域信息，并生成、、和，n為Token數(shù)量，和為Token維度，如公式（3）~（5）所示；對和進行點積運算獲得第一注意力得分，并通過Softmax激活函數(shù)將所述第一注意力得分歸一化和概率化，計算過程如公式（6）所示；根據(jù)所述第一注意力得分矩陣對內(nèi)容特征中每個Token進行權(quán)重分配，此時的時域注意力結(jié)果定義為： （3） （4） （5） （6） 公式（3）~（6）中，分別代表不同的線性矩陣，為時域查詢特征，為時域被查詢特征，為頻域被查詢特征，為內(nèi)容特征，為縮放因子； 將輸入的特征序列通過Welch方法獲得功率譜密度作為輸入的頻域信息；通過1維卷積提取頻域特征生成；將與進行點積獲得第二注意力得分，并通過Softmax激活函數(shù)和將所述第二注意力得分歸一化和概率化；從頻域的視角對共享的內(nèi)容特征分配權(quán)重，此時的頻域注意力結(jié)果定義為，公式如下： （7） （8） （9） 公式（7）~（9）中，為頻域查詢特征，和為Token的維度，、分別代表不同的線性矩陣； 通過門控機制控制和 占比，從而達到融合信息的平衡狀態(tài)，此時，平衡注意力特征定義為attn，計算公式如下： （10） 式（10）中，為超參數(shù)控制域信息的占比； 將attn通過卷積提取局部信息獲得，隨后在通道上對進行四等分，不做操作直接映射，其余特征通過深度卷積提取，然后使用點積進行信息交互；最后將四個部分拼接在一起，并通過1×1卷積和SENet完成通道信息整合，此時特征信息定義為，公式如下： （11） （12） 公式（11）和公式（12）中，為Sigmoid激活函數(shù)，代表卷積核為1的卷積操作，SE代表SENet，表示劃分的每個特征子集，M代表不同特征子集通過深度卷積提取后的特征； 通過上述的描述獲得時頻信息融合模塊的計算公式如下： （13） （14） 公式（13）和公式（14）中，為自剪枝時頻信息融合注意力模塊，Norm為歸一化，為完成時頻信息融合后的特征，為時頻信息融合后完成通道信息提取和維度變換的特征； 步驟2.3，分類模塊根據(jù)步驟2.2輸出的時頻信息融合模塊特征進行睡眠呼吸暫停事件的分類，采用如下公式（15）獲取睡眠呼吸暫停事件生理信號分類的預(yù)測值y?： （15） 步驟3，使用步驟1處理后的訓(xùn)練集對步驟2構(gòu)建的模型進行訓(xùn)練；所述步驟3訓(xùn)練過程中，利用交叉熵損失函數(shù)即如下公式（16）對步驟2構(gòu)建的模型進行約束： （16） 其中，N為樣本數(shù)，表示樣本i的標簽，表示樣本i預(yù)測為正類的概率； 步驟4，將步驟1預(yù)處理后的測試集ECG信號送入步驟3訓(xùn)練好的模型，最終輸出分類檢測的結(jié)果。

如需購買、轉(zhuǎn)讓、實施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請人或?qū)＠麢?quán)人西安理工大學(xué)，其通訊地址為：710048 陜西省西安市碑林區(qū)金花南路5號；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。