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！

龙图腾网获悉西安理工大学申请的专利基于时频信息融合注意力的生理信号片段分析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：CN116548979B 。

龙图腾网通过国家知识产权局官网在2025-09-12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：202310556580.1，技术领域涉及：A61B5/346；该发明授权基于时频信息融合注意力的生理信号片段分析方法是由石争浩;李成建;尤珍臻;任晓勇;刘海琴设计研发完成，并于2023-05-17向国家知识产权局提交的专利申请。

本基于时频信息融合注意力的生理信号片段分析方法在说明书摘要公布了：本发明公开了一种基于时频信息融合注意力的生理信号片段分析方法，具体步骤如下：输入公开数据集中原始ECG信号，对相应信号进行预处理操作后划分为训练集和测试集；步骤2，构建基于Transformer时频信息融合的生理信号片段分析模型；步骤3，使用步骤1处理后的训练集对步骤2构建的模型进行训练；步骤4，将步骤1预处理后的测试集ECG信号送入步骤3训练好的模型，最终输出分类检测的结果。该方法利用基于Transformer时频信息融合的生理信号片段分析，以提高分析生理信号片段是否发生睡眠呼吸暂停事件的准确率。

本发明授权基于时频信息融合注意力的生理信号片段分析方法在权利要求书中公布了：1.基于时频信息融合注意力的生理信号片段分析方法，其特征在于：具体包括如下步骤： 步骤1，输入公开数据集中原始ECG信号，对所述原始ECG信号进行预处理操作后划分为训练集和测试集； 所述步骤1中对原始ECG信号进行预处理的过程为：依次进行分段、滤波、R峰检测与RR间期和R峰幅值提取、线性插值以及通道拼接，得到时间序列z； 步骤2，构建基于Transformer时频信息融合的生理信号片段分析模型；所述步骤2中，基于Transformer时频信息融合的生理信号片段分析模型包括特征提取模块、时频信息融合模块以及分类模块； 所述特征提取模块包括深度残差收缩网络、多尺度卷积注意力模块和多层卷积+ReLU模块； 所述时频信息融合模块包括由可扩展位置编码模块、自适应剪枝时频信息融合注意力模块和多尺度MLP组成的Transformer架构； 所述分类模块包括平均池化、全连接层和Softmax激活函数； 步骤2.1，设计所述特征提取模块实现自适应降噪和提取时序特征，具体为： 步骤2.1.1，所述深度残差收缩网络是对深度残差网络的改进，通过在残差模块中设计软阈值作为收缩层，滤除特征中的噪音，软阈值公式为： （1） 公式（1）中，为软阈值且为正数，为输入特征数据，为输出特征，将去噪后的特征定义为； 步骤2.1.2，将去噪的特征输入到所述多尺度卷积注意力模块，通过由四个卷积+ReLU和一个池化组成的并行化多尺度特征提取器从不同的视角捕获RRI和RA序列特征，将提取的多尺度特征进行拼接并使用SENet对不同尺度下的特征进行通道维度上的自适应权重计算，根据权重大小分配关注程度，使用卷积神经网络减少序列长度降低模型计算量，将增强后的时序特征定义为； 步骤2.1.3，将特征通过四层卷积+ReLU模块降低序列长度减少计算量，获得特征F； 步骤2.2，设计所述时频信息融合模块，具体为： 步骤2.2.1，将所述特征提取模块获得的所述特征F输入到所述可扩展位置编码模块中以获得的特征动态位置信息保证时间序列的先后顺序，可扩展位置编码公式如下： （2） 式中，表示动态位置编码后的特征，DWConv为深度卷积； 步骤2.2.2，设计所述自适应剪枝时频信息融合注意力模块，该模块由时频融合注意力模块和自适应剪枝模块组成；将输入的特征经膨胀因子为1，2，4的级联卷积模块提取特征的时域信息，并生成、、和，n为Token数量，和为Token维度，如公式（3）~（5）所示；对和进行点积运算获得第一注意力得分，并通过Softmax激活函数将所述第一注意力得分归一化和概率化，计算过程如公式（6）所示；根据所述第一注意力得分矩阵对内容特征中每个Token进行权重分配，此时的时域注意力结果定义为： （3） （4） （5） （6） 公式（3）~（6）中，分别代表不同的线性矩阵，为时域查询特征，为时域被查询特征，为频域被查询特征，为内容特征，为缩放因子； 将输入的特征序列通过Welch方法获得功率谱密度作为输入的频域信息；通过1维卷积提取频域特征生成；将与进行点积获得第二注意力得分，并通过Softmax激活函数和将所述第二注意力得分归一化和概率化；从频域的视角对共享的内容特征分配权重，此时的频域注意力结果定义为，公式如下： （7） （8） （9） 公式（7）~（9）中，为频域查询特征，和为Token的维度，、分别代表不同的线性矩阵； 通过门控机制控制和 占比，从而达到融合信息的平衡状态，此时，平衡注意力特征定义为attn，计算公式如下： （10） 式（10）中，为超参数控制域信息的占比； 将attn通过卷积提取局部信息获得，随后在通道上对进行四等分，不做操作直接映射，其余特征通过深度卷积提取，然后使用点积进行信息交互；最后将四个部分拼接在一起，并通过1×1卷积和SENet完成通道信息整合，此时特征信息定义为，公式如下： （11） （12） 公式（11）和公式（12）中，为Sigmoid激活函数，代表卷积核为1的卷积操作，SE代表SENet，表示划分的每个特征子集，M代表不同特征子集通过深度卷积提取后的特征； 通过上述的描述获得时频信息融合模块的计算公式如下： （13） （14） 公式（13）和公式（14）中，为自剪枝时频信息融合注意力模块，Norm为归一化，为完成时频信息融合后的特征，为时频信息融合后完成通道信息提取和维度变换的特征； 步骤2.3，分类模块根据步骤2.2输出的时频信息融合模块特征进行睡眠呼吸暂停事件的分类，采用如下公式（15）获取睡眠呼吸暂停事件生理信号分类的预测值ŷ： （15） 步骤3，使用步骤1处理后的训练集对步骤2构建的模型进行训练；所述步骤3训练过程中，利用交叉熵损失函数即如下公式（16）对步骤2构建的模型进行约束： （16） 其中，N为样本数，表示样本i的标签，表示样本i预测为正类的概率； 步骤4，将步骤1预处理后的测试集ECG信号送入步骤3训练好的模型，最终输出分类检测的结果。

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西安理工大学，其通讯地址为：710048 陕西省西安市碑林区金花南路5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”。