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！

龙图腾网获悉广东开放大学(广东理工职业学院)申请的专利多种心律失常信号分类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：CN120045980B 。

龙图腾网通过国家知识产权局官网在2025-10-28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：202510189435.3，技术领域涉及：G06F18/24；该发明授权多种心律失常信号分类方法是由温涛;王志锋;吴立华;韩隽熙;余薪;陈新度设计研发完成，并于2025-02-20向国家知识产权局提交的专利申请。

本多种心律失常信号分类方法在说明书摘要公布了：本发明公开了多种心律失常信号分类方法，属于心律失常信号分类方法技术领域，心律失常的精准分类对于疾病诊断和临床治疗具有重要意义。然而，传统检测方法在处理多种心律失常时往往会受到如因心律失常所导致的信号非平稳性、特征非特异性以及伪影与噪声等多种因素的干扰，分类精度和效率难以满足需求。为此，本文提出了一种基于奇异频谱分析SSA改进的功率归一化倒频谱系数SPNCC方法，用于从光电容积图PPG信号中提取关键特征并降低噪声的影响，并结合卷积神经网络与双向长短期记忆网络CNN‑BiLSTM构建深度学习分类模型，以实现对多种心律失常的精准识别。

本发明授权多种心律失常信号分类方法在权利要求书中公布了：1.多种心律失常信号分类方法，其特征在于：包括如下步骤： 步骤一：采用SPNCC预处理方法对心律失常信号进行去噪与特征提取处理； 步骤二：将预处理完成后的数据传输至CNN-BILSTM结构模型进行数据处理； 步骤三：将步骤二处理后的数据传输至多维性能指数评价标准模型中进行心律失常信号分类； 包括如下步骤： 选择合适的窗口长度来滞后原始时间序列，得到轨迹矩阵； 计算轨迹矩阵的协方差矩阵的协方差矩阵； ； 对协方差矩阵进行特征值分解得到特征三元组，并对特征值和对应的特征向量按照大小进行排序得到； 其中，即奇异值，而特征向量就是奇异向量； 将分解得到的每个奇异值都进行单独重构，使其转换回轨迹矩阵后，使用反对角平均法将轨迹矩阵转换成序列形式，从而得到n个分量； 根据得到的分量来进行相关分析，评估每个分量与原始PPG记录之间的一致性，相干系数的计算公式如下： ； 其中，Sig表示原始PPG记录，根据预先设定的阈值选择所需的分量； imfi是原始序列通过特征向量重构并经过对角平均化后得到的时间序列，根据预先设定的阈值选择所需的分量； cov则表示协方差的计算，Var则表示方差的计算； 通过相干系数的计算并使用相应的阈值进行筛选最终得到个合适的分量，并将该个分量排列成一个大小为的矩阵； 在对原始时间序列进行去噪操作后得到相应的矩阵，并对该矩阵进行特征提取操作，对分量组成的特征矩阵进行SPNCC特征提取，具体包括如下步骤： 使用以下公式计算的功率谱： ； 其中IMFi为时间序列分量imfi经过傅里叶变换后得到的频域表示，T为信号的总时长； 将功率估计值输入伽马滤波器进行滤波，伽马滤波器的时域脉冲响应为： ； 其中，是一个缩放因子，用来调整滤波器的响应强度，t是滤波器的时域输入变量，是滤波器的中心频率，决定了滤波器对输入信号的主要频率响应，是滤波器的相位偏移，也称为相位旋转，它控制滤波器响应的相位，是滤波器带宽，是滤波器阶数； 使用伽马通滤波器对信号进行滤波后，将会对滤波后的功率谱进行归一化处理；归一化过程使用以下公式： ； 其中，是伽马通滤波器得到的值，是平均功率，频率反映了滤波过程后的频谱； 最后，对归一化功率谱进行非线性处理： ； 其中，是指数因子，； SPNCC特征系数就是所获得的特征矩阵； 通过上述处理获得SPNCC特征矩阵后，将其输入至CNN-BILSTM-Attention结构模型进行训练； CNN-BILSTM-Attention结构模型具体包括输入层：由多个数据增强模块组合构成，包括随机添加高斯噪声、信号缩放和裁剪，时间平移，信号反转； CNN层：包括多个卷积层、池化层；卷积层同时学习多个不同的卷积核，每个卷积核对数据数据进行不同方面的特征提取，选取出重要的特征数据，得到输出数据OutPut1，再经过池化层对数据进行降维处理，保留最显著的特征，去除无效特征，得到输出数据Output2； BILSTM层：包含两个独立的LSTM层，一个用于前向时间步的信息获取，另一个用于后向时间步的信息获取，这两个LSTM层是相互独立的，每个都有自己的隐藏状态和单元格状态，前向LSTM从序列的起始处开始处理数据，而后向LSTM则从序列的末尾开始处理数据； ATTENTION层：包含多个不同角度的独立注意力头，将时序特征映射到不同的子表示空间，以引导模型学习不同子表示空间的关联信息以获得更丰富的表征； 输出层：由Dropout层和fullconnect层构成，Dropout通过随机丢弃部分神经元，减少了模型对特定神经元的依赖，从而使模型更具鲁棒性，Fullconnect输出最终的分类结果和回归值。

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广东开放大学(广东理工职业学院)，其通讯地址为：510000 广东省广州市下塘西路1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”。

以上内容由龙图腾AI智能生成。