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！

龙图腾网获悉杭州电子科技大学申请的专利基于深度学习的睡眠呼吸障碍识别系统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：CN119889367B 。

龙图腾网通过国家知识产权局官网在2025-11-04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：202510069191.5，技术领域涉及：G10L25/66；该发明授权基于深度学习的睡眠呼吸障碍识别系统是由王宇轩;张文杰;俞晨;吴锦周;岳克强设计研发完成，并于2025-01-16向国家知识产权局提交的专利申请。

本基于深度学习的睡眠呼吸障碍识别系统在说明书摘要公布了：本发明公开了基于深度学习的睡眠呼吸障碍识别系统，包括依次连接的音频信号特征提取模块、特征处理模块、时间加权注意力机制模块、双向长短时记忆网络模块。音频信号特征提取模块提取多维度音频特征；特征处理模块通过卷积与全连接层处理特征；时间加权注意力机制模块突出关键时刻信息；Bi‑LSTM模块建模前后向时序依赖关系并经全连接层与Softmax层分类。设备包括鼾声输入模块、声音检测模块、嵌入式模块和数据显示模块，能实时监测鼾声信号，经处理后以图形化界面展示检测结果，实现多种睡眠呼吸障碍的高效、准确识别，克服现有技术特征提取不全面、建模效率低等问题，提升音频信号分类任务的准确性与鲁棒性。

本发明授权基于深度学习的睡眠呼吸障碍识别系统在权利要求书中公布了：1.基于深度学习的睡眠呼吸障碍识别系统，包括声音检测模块，其特征在于：所述声音检测模块包括依次连接的音频信号特征提取模块、特征处理模块、时间加权注意力机制模块、双向长短时记忆网络模块； 所述音频信号特征提取模块，采集睡眠呼吸音频信号并进行音频特征的提取； 所述特征处理模块，从音频特征中提取多种时序特征，包括频谱特征和时间域特征；从音频特征中通过卷积操作提取频谱特征，通过全连接层提取时间域特征，将其转化为适用于分类任务的特征向量；卷积层的输出经过池化操作进行下采样；全连接层则进行特征映射，用于压缩并映射提取到的时间域特征，输出时序特征； 输出特征的维度为： 其中，表示卷积核大小，表示池化步长，表示输入维度； 所述时间加权注意力机制模块，对音频信号的时序特征进行加权，突出音频信号中关键时刻的信息； 所述双向长短时记忆网络模块，通过对时间序列数据的前向和后向建模，捕捉音频信号中前后时刻的依赖关系，生成包含上下文信息的隐藏状态表示，根据分类任务的训练结果调整网络参数；通过前向传播得到分类结果，并通过反向传播算法完成网络的训练；从而为每个时间步生成包含上下文信息的隐藏状态，在每个时间步，将前向和后向的隐藏状态拼接为联合隐藏状态，通过全连接层对双向长短时记忆网络的输出进行压缩和非线性映射，生成分类所需的特征，将全连接层输出的特征转换为每个类别的预测概率，通过交叉熵损失函数来优化预测概率与真实标签之间的误差；具体执行过程如下： 1前向长短时记忆网络从时间序列的第一个时间步开始，逐步向后处理，更新隐 藏状态和记忆状态，更新公式如下： 其中，表示当前时间步的输出门激活值，表示当前时间步的记忆状态，用于存 储时间步前后的长期信息； 后向长短时记忆网络从时间序列的最后一个时间步开始，逐步向前处理，更新隐 藏状态和记忆状态；后向长短时记忆网络的计算公式与前向长短时记忆网络只是处 理顺序相反： 2在每个时间步，将前向长短时记忆网络和后向长短时记忆网络的隐藏状态拼接为 联合隐藏状态： 最终，双向长短时记忆网络的输出形状表示为： 其中，表示批量大小，表示序列的长度，表示单向长短时记忆网络的隐藏状态维 度； 通过全连接层对双向长短时记忆网络的输出进行压缩和非线性映射，生成分类所需的 特征： 其中，表示权重矩阵，表示上下文向量，表示偏置，表示激 活函数；经过全连接层映射后，特征的维度变为； 3通过Softmax层将全连接层输出的特征转换为每个类别的预测概率： 其中，表示类别数，表示输入特征属于类别的预测概率； 4分类模型使用交叉熵损失函数来优化预测概率与真实标签之间的误差： 其中，表示批量大小，表示类别数，表示第个样本在类别上的真实标签， 表示第个样本在类别上的预测概率。

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杭州电子科技大学，其通讯地址为：310018 浙江省杭州市下沙高教园区2号大街；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。