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持续测试时间适应的心率失常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：CN115982624B 。

龙图腾网通过国家知识产权局官网在2025-11-14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：202211740943.9，技术领域涉及：G06F18/24；该发明授权一种基于持续测试时间适应的心率失常分类方法是由孙乐;何志强设计研发完成，并于2022-12-30向国家知识产权局提交的专利申请。

本一种基于持续测试时间适应的心率失常分类方法在说明书摘要公布了：本发明公开了一种基于持续测试时间域适应的ECG数据分类方法，可以在不修改源模型的训练过程，不需要访问源数据以及不需要目标域数据标签的情况下，在测试时使用持续测试时间适应提高模型的泛化性，使得模型能够适应不断变化的测试环境。本发明提出的持续测试时间域适应的ECG数据分类方法通过在测试时间适应过程中将一部分的模型参数恢复成源模型参数能缓解模型出现灾难性遗忘，且不影响模型的性能。本发明使用的ECG数据预处理方法很简单，不需要做噪音滤波和特征提取的预处理。传统的ECG数据预处理方法非常依赖于研究人员的经验且效果不佳，由于提取到的特征不理想，在训练模型时模型对噪音信号非常敏感。

本发明授权一种基于持续测试时间适应的心率失常分类方法在权利要求书中公布了：1.一种基于持续测试时间适应的心率失常分类方法，其特征在于，包括以下步骤： S1、获取ECG数据生成数据集，通过数据集自身标注的Q峰位置采集心拍，使用ECGGAN生成小类样本扩充数据集，将一维ECG心电数据转换成二维ECG图像，划分数据集； S2、搭建训练阶段的卷积神经网络模型； S3、初始化卷积神经网络模型参数，将预处理后的MITdb数据集输入到模型中进行预训练； S4、对步骤S3训练后的卷积神经网络模型利用持续测试时间域适应方法更新权重，所述持续测试时间域适应方法包括权值平均伪标签、增强平均伪标签以及随机恢复源模型权重；经过更新后的卷积神经网络模型用于ECG分类； 上述步骤S4中权值平均伪标签具体值：使用学生模型权重通过指数移动平均来更新教师模型的权重来生成伪标签；设三个模型分别是预训练的源模型fθ，教师模型和学生模型在时间步t＝0时，用源模型参数初始化教师模型和学生模型，在时间步t时，使用教师模型生成伪标签，然后求教师模型和学生模型预测的交叉熵损失公式表达如下： 式中，yt是教师模型预测各类的概率，ys是学生模型预测各类的概率； 反向传播更新学生模型的参数θs，更新完学生模型权重后θs→θs+1，使用学生模型参数的指数移动平均来更新教师模型的权重θt→θt+1，指数移动平均规则公式表达如下： θ′t+1＝αθ′t+1-αθt+1 式中，θ't+1表示时间步t+1时教师模型的参数，θt+1表示时间步t+1时学生模型的参数，α是指数移动平均的超参数平滑因子，取值为α＝0.7，教师模型的输出概率yt中概率最大的类即为模型对于输入xt预测的类； 增强平均伪标签具体指：求出源模型fθ对于当前输入xt的熵值作为模型置信度，置信度计算公式表达如下： 当模型置信度confidencef_θ大于置信度阈值0.9时，直接使用教师模型的预测y_t作为伪标签，而不使用任何数据增强，当置信度小于置信度阈值时，应用额外的N个随机增强来进一步提高伪标签质量，通过预测置信度，试图近似源和当前域之间的域差，假设较低的置信度表示较大的域差，而相对较高的置信度表示较小的域差,公示表达如下： 式中，是教师模型经过数据增强后的预测，yt是教师模型不使用数据增强的预测，使用增强平均伪标签后，交叉熵损失更新后公式表达如下： 随机恢复源模型权重公式表达如下： Wt+1＝1-T*W0+T*Wt+1 T～Bernoullip 式中，*表示两个矩阵之间的元素逐个相乘，p是随机恢复的概率，p设为0.99，T是符合伯努利分布的掩码张量，W代表模型的卷积层卷积核权重，W_0是源模型的卷积层卷积核权重，W_t+1是在时间步t+1时的卷积层卷积核权重。

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：210032 江苏省南京市江北新区宁六路219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。