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！

龙图腾网获悉南京信息工程大学申请的专利一种基于一维卷积神经网络的TDLAS静脉用药浓度预测方法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：CN119479986B 。

龙图腾网通过国家知识产权局官网在2025-06-10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：202510060925.3，技术领域涉及：G16H20/10；该发明授权一种基于一维卷积神经网络的TDLAS静脉用药浓度预测方法是由朱永炳;蔡玉琴;陶治;蒋力耀;沈阳;张海波设计研发完成，并于2025-01-15向国家知识产权局提交的专利申请。

本一种基于一维卷积神经网络的TDLAS静脉用药浓度预测方法在说明书摘要公布了：本发明提供了一种基于一维卷积神经网络的TDLAS静脉用药浓度预测方法，包括如下步骤：获取静脉用药浓度的二次谐波数据；对静脉用药的二次谐波数据进行预处理，并划分训练集、验证集、测试集；构建基于自适应高效通道注意力模块和多级残差模块的1D‑CNN深度学习模型；将训练集与验证集输入至深度学习模型中，并设置超参数对模型进行训练得到最优参数模型；将测试集输入至训练好的最优参数检测模型中得到预测结果；本发明在1D‑CNN卷积神经网络模型中，结合自适应通道注意力模块和多级残差模块，引入自适应卷积核以及多尺度卷积结构提升特征提取能力，显著改善了模型的学习能力和泛化能力。

本发明授权一种基于一维卷积神经网络的TDLAS静脉用药浓度预测方法在权利要求书中公布了：1.一种基于一维卷积神经网络的TDLAS静脉用药浓度预测方法，其特征在于，包括以下步骤：步骤1，获取静脉用药浓度的二次谐波数据；步骤2，对静脉用药的二次谐波数据进行预处理，并划分训练集、验证集、测试集；步骤3，构建一维卷积神经网络1D-CNN深度学习模型；步骤4，将训练集与验证集输入至深度学习模型中，并设置超参数对模型进行训练得到最优参数模型；步骤5，将测试集输入至训练好的最优参数模型中得到预测结果；步骤1包括：步骤1-1，在可调谐激光吸收光谱TDLAS技术中采用波长调制光谱技术，设置LD激光器分别照射两路，其中一路经过药液，根据Beer-Lambert定律测算出液体浓度的光强，计算公式为：Iλ＝I0λe-φλcL，其中，λ为入射光波长，Iλ透射后光强，I0λ为入射光强，φλ为吸收系数，c为待测液体浓度，L为光程吸收距离，e为自然常数；另一路不经过液体经由光衰减器射出，光强为I′λ＝I0λA，A为光衰系数；令光衰系数A＝1，对两路光强信号Iλ和I′λ做差，得到差分信号ΔIλ＝I′λ-Iλ＝I0λcφλL；步骤1-2，对所得差分信号ΔIλ进行泰勒级数展开，得到二次谐波信号A2λ，计算公式为： 其中为调制幅度，d表示微分符号；步骤1-3，由锁相放大解调二次谐波信号A2λ，通过上位机采集各浓度的静脉用药二次谐波数据；步骤2包括如下步骤：步骤2-1，采用Savitzky-Golay平滑滤波法，对长度为N的静脉用药二次谐波数据yi进行平滑处理，得到输出序列i＝0，1，2，3，…，N-1；对于输出序列中每个数据点，设定一个窗口大小为2m+1的滑动窗口，所述滑动窗口包括当前数据点及当前数据点左右各m个邻近点，在所述滑动窗口内，采用一个n阶多项式对数据当前数据点进行拟合；Savitzky-Golay平滑滤波公式为： 其中，cj为滤波器系数，yi+j指长度为N的静脉用药二次谐波数据yi中索引为i+j的元素位于滑动窗口2m+1个数据点内；步骤2-2，通过以下公式得出滤波器系数cj：cj＝BTB-1BTy，其中，B是一个N×2m+1的矩阵，每一行对应滑动窗口内一个数据点；y是一个长度为N的列向量，代表静脉用药二次谐波数据yi的向量；步骤2-3，通过解出步骤2-2中的滤波器系数cj，代入至步骤2-1的Savitzky-Golay平滑滤波公式，计算出平滑后的静脉用药二次谐波数据得到静脉用药二次谐波数据集；步骤2-4，将静脉用药二次谐波数据集划分为训练集、验证集、测试集；步骤3中，所述1D-CNN深度学习模型包括自适应高效通道注意力模块、多级残差模块、回归预测模块；步骤3中，通过如下步骤构建自适应高效通道注意力模块：步骤3-1，对输入特征图在通道维度进行均值计算，得到每个通道的均值表示，其中通道均值mi的计算公式为： 其中xi[l]表示第i个通道输入特征图的第l个元素，H为特征图的长度；步骤3-2，通过可学习的动态因子和调整卷积核w1和w2的大小，计算公式为： 其中，W1，W2为训练过程中优化的可学习权重矩阵，σ和Sigmoid为激活函数，b1和b2是偏置项，通过反向传播自动学习，偏置项的更新公式为： 其中η为学习率，和分别表示损失函数对于偏置项b1和b2的梯度；b′1和b′2分别表示偏置项b1更新后的值和偏置项b2更新后的值；步骤3-3，通过生成的动态因子和调整卷积核w1和w2的大小，计算公式为： 其中和为初始的卷积核大小，和是经过动态因子调整后的新的卷积核大小；步骤3-4，通过动态生成的卷积核w1和w2，生成每个通道的注意力权重，计算公式为：zi＝Sigmoidw2·ReLUw1·mi，其中激活函数ReLU负责引入非线性特性，激活函数Sigmoid将输出范围缩放在0到1之间；zi表示第i个通道的注意力权重；步骤3-5，输入特征图xi通过生成的动态注意力权重zi得到输出特征图xi′，计算公式如下：xi′＝xi×zi；步骤3中，通过如下步骤构建多级残差模块：设置4个卷积层，第一卷积层大小为1×3，第二卷积层和第三卷积层大小为1×5，第四卷积层大小为1×7，并为每个卷积层输出端添加1个BN批量归一层与ReLU激活函数，输入特征p0经过第一卷积层得到第一特征图p1；将第一特征图p1输入至第二卷积层与第三卷积层得到第二特征图p2；通过跳跃链接将第一特征图p1与第二特征图p2相加得到第三特征图p3；将第三特征图p3经过第四卷积层得到的第四特征图p4并与输入特征进行跳跃链接得到输出特征图p5；步骤3中，所述回归预测模块包含三个全连接层、ReLU激活函数层、Dropout随机丢失层；其中第一全连接层输出为128，输出端连接一个ReLU激活函数层、Dropout随机丢失层；第二全连接层输出为32，输出端连接一个ReLU激活函数层、Dropout随机丢失层；第三全连接层输出为1，输出预测结果；步骤4中，利用均方误差MSE损失函数进行模型训练，根据训练集中的真实值与预测值的差异进行梯度下降，以优化神经网络参数；其中，损失函数Loss公式为： 其中ytrue，k代表输出序列的真实值，ypred，k代表输出序列的预测值，n表示训练集的个数；步骤4中，设置超参数批量大小batchsize设置为16，训练次数Epoch设置为800，使用随机梯度下降SGD优化器，学习率设置为0.0001；将训练集与验证集输入至模型训练，在训练过程中保存最优参数模型。

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南京信息工程大学，其通讯地址为：211806 江苏省南京市浦口区双峰路29号；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”。