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！

龙图腾网获悉吉林大学申请的专利一种基于多尺度注意力网络和心冲击图的疾病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：CN115222987B 。

龙图腾网通过国家知识产权局官网在2026-02-06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：202210824955.3，技术领域涉及：G06V10/764；该发明授权一种基于多尺度注意力网络和心冲击图的疾病分类方法是由叶文海;林红波;薛剑鸣设计研发完成，并于2022-07-13向国家知识产权局提交的专利申请。

本一种基于多尺度注意力网络和心冲击图的疾病分类方法在说明书摘要公布了：一种基于多尺度注意力网络和心冲击图的疾病分类方法属人体生理信号处理技术领域，本发明通过卷积神经网络提取心冲击图特征，利用多尺度卷积与置换注意力机制构建多尺度注意力单元，将心冲击特征分组分别通过不同小尺寸卷积路径，多尺度提取心冲击信号的本征特征图，再经置换注意力挖掘各通道间和空间特征关联形成权重矩阵，对多尺度本征图加权融合以增强心冲击图关键特征，进而预测受测者属于健康或冠状动脉等四类疾病的概率。本发明能有效提升基于心冲击图疾病分类的准确性，还可在相同性能条件下减少网络参数，避免深度网络计算量大和梯度消失问题，有助于在居家健康监测和远程辅助医疗领域的实际应用。

本发明授权一种基于多尺度注意力网络和心冲击图的疾病分类方法在权利要求书中公布了：1.一种基于多尺度注意力网络和心冲击图的疾病分类方法，其特征在于，包括下列步骤： 1.1构建多尺度注意力网络：所述的多尺度注意力网络由卷积模块、多尺度注意力模块和全连接模块组成； 1.1.1卷积模块由一维卷积单元、线性整流激活ReLU单元、批规范化BN单元和最大池化单元顺序叠加组成； 1.1.2多尺度注意力模块包含8个多尺度卷积注意力层，每个多尺度卷积注意力层为多尺度卷积单元嵌入置换注意力单元组成；多尺度卷积单元为残差结构，输入特征U通过一个1×1卷积映射到特征图x∈Rc×h×w，其中：c表示特征图通道数，h表示特征图的高，w表示特征图的宽；沿着通道方向将特征图平均分为三组，每组含c3个通道，即：x＝[x1,x2,x3],Rc3×h×w；第一组特征图x1输入膨胀系数为2的空洞卷积，第二组特征图x2输入1×5卷积，第三组特征图x3与第二组卷积输出y2相加输入1×5卷积，得到三组不同尺度的本征特征图y1,y2,y3,经Concat拼接后输入一个1×1卷积层，对三组本征特征图的不同尺度信息进行信息融合，以便结合心冲击信号全局信息和细节特征进行疾病分类； 卷积层输出为置换注意力单元的输入，置换注意力单元分为特征分组、特征置换和特征融合三部分；特征分组将输入沿着通道数平均分为g组V＝[v1,v2,v3,…,vg],Rcg×h×w,然后，对于每一组分别进行特征置换：首先将每组在按通道数平均分为两组，得到vK1,vK2∈RC2g×h×w；对vK1进行通道注意力处理，利用全局平均池化Fgp对vK1的每个通道进行平均，得到r＝FgpvK1,利用全连接层Fc学习通道相关性并利用Sigmoid激活函数σ的门机制实现特征选择，得到v′K1＝σFcr·vK1；对vK2进行空间注意力处理，利用组归一化Fgn计算vK2均值和方差对其进行归一化，利用全连接层Fc进行特征增强并经过Sigmoid激活函数映射到v′K2＝σFcFgnvK2·vK2；通过Concat拼接算子将v′K1，v′K2组合，得到v′K＝[v′K1,v′K2]∈Rcg×h×w,将所有组平均得到与输入相同维度的特征V′；特征融合对V′进行通道混洗，将其按通道数分d组，每组e个通道，将每组沿垂直方向进行堆叠，得到d×e维矩阵，每个通道为矩阵中一个元素，对矩阵转置后利用reshape算子重新排列，每次取e个元素排为一行，依次水平堆叠所有行得到的V″与V′维度相同，各组间通道已经重新排列，实现通道间的信息交流；V″与输入特征U相加得到多尺度卷积注意力层的输出，增强心冲击图的关键信号特征； 1.1.3全连接模块包含全连接层和Softmax函数，给出输入心冲击图属于各类疾病的概率； 1.2构建训练集：利用压电薄膜采集40位志愿者的心冲击图样本，每个心冲击图样本包含C个采样点，记作{Si}，受测者分别为患有心动过速、高血压、心房颤动、冠状动脉疾病和健康人群，设置标签矢量Lim表示第i个样本对应第m类；最后生成训练集{Si,Lim},i＝1,2,…,N，按4：1分为心冲击图训练集和心冲击图测试集； 1.3利用心冲击图训练集学习多尺度注意力网络参数Θ，包括下列步骤： 1.3.1构建交叉熵损失函数，其计算公式为： 其中：Lm为标签矢量的第m个元素，心冲击图样本S属于第m类则Lm为1，其余元素为0；log为对数函数； 1.3.2使用心冲击图训练集得到代价函数，其计算公式为： 其中：N为心冲击图训练集中的样本数；Pim为多尺度注意力网络预测的第i个样本属于第m类的概率，Lim为第i个样本的标签； 1.3.3利用批处理方法和随机梯度下降法优化代价函数，当ΓΘ达到最小值时，得到最优的多尺度注意力网络参数Θ和训练好的多尺度注意力网络f； 1.4给定心冲击图测试集中受测者的心冲击图Y，基于训练好的多尺度注意力网络对给定心冲击图进行分类，判别受测者是否健康，或患有高血压、心动过速、心房颤动、冠状动脉疾病，包括下列步骤： 1.4.1输入长度为C的心冲击图Y，多尺度注意力网络f预测心冲击图的受测者属于健康、患有高血压、心动过速、心房颤动、冠状动脉疾病的概率为： pm＝fY,Θ,m＝1,2,…,5，其中：Θ为多尺度注意力网络参数； 1.4.2计算最大概率将心冲击图判为概率最大的m类。

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吉林大学，其通讯地址为：130012 吉林省长春市长春高新技术产业开发区前进大街2699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。