申请/专利权人：北京师范大学-香港浸会大学联合国际学院

申请日：2023-12-06

公开（公告）日：2024-02-27

公开（公告）号：CN117609811A

主分类号：G06F18/23

分类号：G06F18/23;A61B5/346;A61B5/00;G06N7/01;G16H50/70

优先权：

专利状态码：在审-公开

法律状态：2024.02.27#公开

摘要：本发明涉及机器学习和医疗数据分析领域，具体为基于非参数球形变分自编码器的ECG数据聚类方法。本技术方案所要解决的技术问题为：针对数据聚类和分析方法，解决对心脏疾病的识别准确性和预测能力提高的问题。该方法是一种基于深度变分自编码器的端到端心电图数据聚类方法，采用基于Pitman‑Yor过程混合模型的贝叶斯非参数模型框架，构建基于vonMises‑FisherVMF概率分布的无限混合模型。本技术方案的有益效果为：通过结合深度学习和贝叶斯非参数模型的优势，为心电图数据的聚类分析提供了一种更加高效、准确且灵活的解决方案。

主权项：1.基于非参数球形变分自编码器的ECG数据聚类方法，其特征在于：该方法基于非参数球形变分自编码器模型，采用基于Pitman-Yor过程混合模型的贝叶斯非参数模型框架，构建了一个以VMF概率分布为基础的无限混合模型；所述的方法包括以下步骤：步骤1收集ECG数据集，步骤2使用球形非参数球形变分自编码器对ECG数据机型建模，所述的VMF混合模型包括，一个同样服从VMF概率分布的概率解码器、深度生成模型和基于超球面潜在空间的深度生成模型。

全文数据：

权利要求：

百度查询： 北京师范大学-香港浸会大学联合国际学院 基于非参数球形变分自编码器的ECG数据聚类方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD