申请/专利权人:长春理工大学;吉林大学第一医院
申请日:2024-04-01
公开(公告)日:2024-05-03
公开(公告)号:CN117972439A
主分类号:G06F18/214
分类号:G06F18/214;G06F18/21;G06F18/10;G06F18/213;G06N3/0455;G06N3/0475;G06N3/094;G06N3/084;G06N3/0985;A61B5/0245;A61B5/346;A61B5/00;G06F123/02
优先权:
专利状态码:在审-实质审查的生效
法律状态:2024.05.21#实质审查的生效;2024.05.03#公开
摘要:本发明属于医学信息预测技术领域,公开了基于增强空间构造与生成对抗网络的心率预测方法及系统。该方法以原数据集经EMD经验模态分解算法滤除噪声;将原始高维心率信号映射至构造空间,在低维空间中将数据输入拼接噪声,首先训练构造网络与逆构造网络,然后交替训练生成对抗网络模型中的生成网络与判别网络,生成更真实的数据,以及区分真实数据与生成数据之间的区别;再利用多损失值复合训练模型训练深度学习模型GAN‑ECGformer;训练完毕后检查预测样本质量。本发明不仅提高了预测的准确性,而且确保了生成效果的多样性,从而使模型能够有效处理更广泛类型的心率数据。
主权项:1.一种基于增强空间构造与生成对抗网络的心率预测方法,其特征在于,该方法包括:S1,原数据集经EMD经验模态分解算法滤除噪声;S2,将原始高维心率信号通过深度学习模型GAN-ECGformer构造网络与逆构造网络映射至构造空间,在低维空间中将心率波形数据输入拼接噪声;首先训练构造网络与逆构造网络,然后交替训练生成对抗网络模型中的生成网络与判别网络,生成更真实的数据,区分真实数据与生成数据之间的区别,利用多损失值复合训练模型训练深度学习模型GAN-ECGformer;S3,深度学习模型GAN-ECGformer训练完毕后,检查预测样本质量,利用RMSE指标、MAE指标、PRD指标、FD指标评估深度学习模型GAN-ECGformer预测准确度。
全文数据:
权利要求:
百度查询: 长春理工大学;吉林大学第一医院 基于增强空间构造与生成对抗网络的心率预测方法及系统
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。