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！

龙图腾网获悉北京工业大学申请的专利一种基于深度学习的心率变异性特征分析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：CN116702056B 。

龙图腾网通过国家知识产权局官网在2025-08-26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：202310579939.7，技术领域涉及：G06F18/2415；该发明授权一种基于深度学习的心率变异性特征分析方法是由何坚;蒋胜圣;杨沁微设计研发完成，并于2023-05-23向国家知识产权局提交的专利申请。

本一种基于深度学习的心率变异性特征分析方法在说明书摘要公布了：一种基于深度学习的心率变异性特征分析方法涉及计算机领域，能够有效提取心率变异性中包含的信息。本发明包括以下步骤：通过传感器获取心电图数据，并传输至上位机；应用插值和滤波对ECG信号进行预处理；采用滑动窗口对接收到的ECG数据进行截取，并进行实时更新和傅里叶变换以获取频谱特征图；利用深度卷积神经网络解析频谱图并提取有用信息，包括基于Resnet18的残差学习方法的频域特征提取、以及基于注意力机制的时频域特征融合、使用多层感知机对特征信息进行分类并输出。

本发明授权一种基于深度学习的心率变异性特征分析方法在权利要求书中公布了：1.一种基于深度学习的心率变异性特征分析方法，其特征在于： 1由传感器获取受试者ECG数据，并通过低功耗蓝牙传输至上位机； 2应用插值、滤波对获得的ECG信号做预处理，提高信号的精度、消除干扰尖峰； 3采用滑动窗口对接收到的ECG信号进行缓存，并按照先进先出原则对滑动窗口内的ECG数据进行实时更新；同时，针对滑动窗口内的ECG数据作傅里叶变换得到频谱特征图； 4应用Resnet、注意力机制和多层感知机构造深度卷积神经网络实时解析ECG数据，并从中提取有用信息； 1基于三次样条插值和滤波器的心电信号预处理 首先采用三次样条插值对原始离散的ECG数据进行升采样，以提高数据精度； 然后，对样本使用高通巴特沃斯滤波器减少信号中潜在的直流分量偏移和0.15～0.3Hz的基线漂移；高通巴特沃斯滤波器的转移函数如式1所示： 其中n为滤波器的阶数，Du,v表示频率中点到频率平面的距离，D0为截止频率；当Du,v大于D0时，对应的Hu,v逐渐接近1，从而使得高频部分得以通过；而当Du,v小于D0时，Hu,v逐渐趋近于0，实现低频部分过滤，对数据进行平滑； 2基于滑动窗口对ECG信号进行时域、频域特征动态分析 将数据划分为5、10、20秒长度可调节的窗口，所谓“窗口”即原信号从某一时间点起、至某一时间点止的片段，之后对每个窗口内的数据独立进行波峰检测和特征分析，设置每个窗口对应的时间戳并保存其时域、频域特征分析结果；随着新数据的不断输入，将滑动窗口向前推进，按照先进先出原则对滑动窗口内的ECG数据及其时、频域特征进行实时更新； 3基于FFT、PSD的信号功率谱特征提取 利用快速傅里叶变换FFT算法计算得到信号的频率特征，对于一段长度为N的离散数据点序列uNn，FFT算法的公式如式2所示： 其中j为虚数单位，ω为频率，n为频点数，Unω是对ECG信号做傅里叶变换得到的结果，是一个与输入序列等长的复数序列，包含实部即各个频率分量的振幅和虚部即各个频率分量的相位；再将2式取模平方，得到估计的功率谱密度PSD函数其中Unω是2中得到的ECG信号傅里叶变换结果序列，N为序列长度，ω为频率，n为频点数： 将功率谱密度曲线绘制出来，即得到了该滑动窗口内心跳间隔频域特征的三通道RGB图像； 4基于神经网络的心率变异性特征分析 步骤3中产生的RGB图像被输入到Resnet层中；Resnet层由多个卷积块和残差块组成，用于提取多个图像的频域特征；然后，融合层利用注意力机制将频域特征向量与时域特征向量拼接融合在一起；最后，使用全连接层也称多层感知机和softmax层来分类特征向量，并选择概率最大的类别作为推测结果输出； 5基于ResNet18残差学习方法的频域特征提取 随着网络深度增加，神经网络会出现梯度消失的问题，导致网络检测的准确度下降；ResNet引入残差学习方法来消除神经网络深度增加导致的梯度消失问题；每个残差模块包含两条路径，其中一条路径是输入特征的直通路；另一条路径对该特征进行若干次卷积操作得到残差特征Fx，并给两条路径分配权重；最终将两条路径的结果之和作为本层网络的输出和下一层网络的输入； Resnet18；输入层由一个卷积层和一个最大池化层组成；中间层包含4个含上述残差模块的卷积块，特征值通过一个平均池化层输出； 将经过PSD变换以后生成的图像即分辨率为224*224的RGB三通道图像作为上述网络的输入，先通过一个大小为7*7、步长为2的卷积核进行卷积运算，再用一个大小为3*3、步长为2核进行最大池化运算，经如上处理后，图像就会变成56*56的特征图； 中间卷积层共有四个卷积块，首个卷积层的卷积核大小为3*3，步长为2，padding为1，输出通道为64，该层输出为64*112*112；第二个卷积层的卷积核大小为3*3，步长为1，padding为1，该层输出为128*56*56；最后两个卷积层的核大小为1*1，并经过一个下采样；每层步长为2，padding为1，每层输出通道翻倍，输出向量大小减半；输出向量的大小为512*7*7；最终该向量经过一个平均池化层，输出512*1*1的频域特征向量，作为后续时频域特征融合的输入； 6基于注意力机制的时频域特征融合 将上面经过Resnet18生成的频域特征向量和经过计算得到的时域特征向量共同作为注意力机制的输入，之后通过打分函数fx计算向量q与每一个输入向量之间的相关性： 其中x为查询，xi为键，yi为键对应的值，“查询x和xi之间的注意力权重”以∝x,xi表示；然后使用concat函数对各特征向量进行加权拼接；最终，经过全连接层和softmax层对分类结果进行输出。

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北京工业大学，其通讯地址为：100124 北京市朝阳区平乐园100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”。