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！

龙图腾网获悉上海交通大学;上海人工智能创新中心;上海交通大学医学院附属瑞金医院申请的专利基于多尺度信号恢复的心电图异常检测方法和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：CN116541791B 。

龙图腾网通过国家知识产权局官网在2025-12-23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：202310540311.6，技术领域涉及：G06F18/2433；该发明授权基于多尺度信号恢复的心电图异常检测方法和系统是由王延峰;蒋傲凡;黄潮钦;曹青;吴爽;曾滋;陈康;张娅设计研发完成，并于2023-05-12向国家知识产权局提交的专利申请。

本基于多尺度信号恢复的心电图异常检测方法和系统在说明书摘要公布了：本发明提供了一种基于多尺度信号恢复的心电图异常检测方法和系统，包括：使用滤波消除心电图原始信号的信号噪声得到全局信号；检测全局信号R峰并使用自适应动态阈值得到局部信号；对全局信号和局部信号实现多尺度信号特征编码；对多尺度编码特征使用自注意力机制以及基于残差的方法得到全局和局部特征；对全局信号使用时间尺度平滑得到平滑信号趋势；对平滑信号趋势实现信号趋势编码；对全局特征和局部特征实现多尺度信号解码；对全局特征和信号趋势特征实现信号趋势解码；使用异常评定函数实现心电图异常评定。本发明提高了心电图异常检测算法对不同异常类型的探测能力，提高了心电图异常检测算法的可解释性。

本发明授权基于多尺度信号恢复的心电图异常检测方法和系统在权利要求书中公布了：1.一种基于多尺度信号恢复的心电图异常检测方法，其特征在于，包括： 信号去噪步骤：对心电图原始信号使用滤波消除信号噪声，得到全局信号； 心跳分割步骤：对全局信号使用R峰检测和自适应动态阈值，得到局部信号； 多尺度信号编码步骤：对全局信号和局部信号使用深度卷积神经网络实现多尺度信号编码，得到多尺度编码特征； 多尺度自注意力步骤：对多尺度编码特征，使用自注意力机制以及基于残差的方法得到全局特征和局部特征； 信号趋势生成步骤：对全局信号使用时间尺度平滑和作差，得到平滑信号趋势； 信号趋势编码步骤：对平滑信号趋势使用深度卷积神经网络实现信号趋势编码，得到信号趋势特征； 多尺度信号解码步骤：对全局特征和局部特征，使用深度卷积神经网络实现多尺度信号解码； 信号趋势解码步骤：对全局特征和信号趋势特征，使用深度卷积神经网络实现信号趋势解码； 异常评定步骤：对多尺度信号解码和信号趋势解码，使用异常评定函数实现心电图异常评定； 在所述信号去噪步骤中： 以带噪声的心电图原始信号为输入，使用巴特沃斯滤波器和陷波滤波器去除心电图原始信号的高频噪声并消除心电图原始信号的基线漂移，去噪后的全局信号记为； 在所述心跳分割步骤中： 对全局信号，使用滑动窗口以最小化连续差异之间的标准差为目标，自适应地计算动态阈值，用于检测全局信号中的R峰，基于检测到的R峰位置，对全局信号进行分割，得到局部的单次心跳信号，将该局部信号记为； 在所述多尺度信号编码步骤中： 以全局信号和局部信号为输入，并添加随机生成的掩膜和以训练网络，根据邻近未遮盖区域的特征来进行信号恢复，其中，对全局信号随机遮盖多个不同的区域以处理全局节奏恢复，对局部信号随机遮盖单个连续区域以处理细节恢复；使用深度卷积神经网络对添加随机掩膜后的多尺度信号进行高维特征信息提取，表达式为： 其中，和为全局和局部的遮盖信号经过编码得到的特征信息；表示对应元素相乘操作；信号特征提取网络和由若干层卷积操作构成； 在所述多尺度自注意力步骤中： 以特征信息和为输入，将不同尺度的心电特征合并，利用自注意力机制处理合并后的特征信息得到融合特征信息，自注意力机制用来捕捉全局特征与局部特征之间的关联，动态地为融合特征中不同的元素分配权重，表示为： 其中，是三个自注意力机制的输入项；为自注意力机制函数；为矩阵转置操作；是归一化指数函数；表示特征维数的平方根用作缩放因子；表示将两个张量进行拼接的操作； 得到融合特征信息后，再通过两个不同的全连接网络将融合特征信息重新分开得到新的多尺度心电特征，并与输入的多尺度心电特征进行残差连接，该过程表示为： 其中，为包含两层全连接层的两个多层感知机网络结构；最终得到交叉融合的多尺度心电特征，将全局特征记为，局部特征记为； 在所述信号趋势生成步骤中： 对全局信号，在时间维度使用滑动平均窗口进行平滑处理，再将平滑处理后的信号中相邻的信号点相减并归一化，得到全局心电的信号趋势，将信号趋势记为； 在所述信号趋势编码步骤中： 对信号趋势，使用深度卷积神经网络提取信号趋势的高维特征信息，即，其中，信号特征提取网络由若干层卷积操作构成； 在所述多尺度信号解码步骤中： 以全局特征和局部特征为输入，在解码过程中，使用深度卷积神经网络同时为多尺度信号分别生成恢复信号和不确定度： 其中，全局和局部信号解码恢复网络由若干层反卷积操作构成；不确定度是一个和恢复信号在时间维度具有相同尺度的张量，用来衡量恢复时间维度上不同信号点的难易程度，避免将难以恢复的正常信号误判为异常信号；其中，若输入为训练信号特征，则输出恢复训练信号与不确定度；若输入为待测试信号特征，则输出恢复测试信号与不确定度； 在所述信号趋势解码步骤中： 以信号趋势的高维特征信息和全局特征为输入，进行合并后使用深度卷积神经网络重建全局心电信号，并对掩膜遮挡区域进行恢复，得到基于趋势的恢复信号，表达式为： 其中，信号解码恢复网络由若干层反卷积操作构成；表示将两个张量进行拼接的操作；若输入为模型训练信号，则输出恢复训练信号；若输入为待测试信号，则输出恢复测试信号。

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上海交通大学;上海人工智能创新中心;上海交通大学医学院附属瑞金医院，其通讯地址为：200240 上海市闵行区东川路800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。