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！

龙图腾网获悉大连理工大学申请的专利一种基于注意力机制的CNN-GRU的ECG信号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：CN119014878B 。

龙图腾网通过国家知识产权局官网在2026-03-13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：202411124219.2，技术领域涉及：A61B5/346；该发明授权一种基于注意力机制的CNN-GRU的ECG信号分类方法是由吴玉虎;石瀚文;关仁杰;费中阳;徐昌一;张少卿;孙希明设计研发完成，并于2024-08-15向国家知识产权局提交的专利申请。

本一种基于注意力机制的CNN-GRU的ECG信号分类方法在说明书摘要公布了：一种基于注意力机制的CNN‑GRU的ECG信号分类方法，属于ECG信号分类领域。该方法首先完成对ECG信号的收集，并对ECG信号进行重采样、预处理、注释等操作得到ECG信号数据集，并将ECG信号数据集划分为训练集和测试集；利用CNN网络搭建ECG信号特征提取网络，利用GRU网络和注意力机制模块搭建ECG信号分类网络；将训练集数据输入到CNN‑GRU模型中进行训练，保存分类准确率最高的模型；将测试集数据输入到保存的模型中，完成测试，得到最终的分类准确率，实现对ECG信号的分类。本发明提出的基于注意力机制的CNN‑GRU的ECG分类方法，提高了ECG分类的准确率。

本发明授权一种基于注意力机制的CNN-GRU的ECG信号分类方法在权利要求书中公布了：1.一种基于注意力机制的CNN-GRU的ECG信号分类方法，其特征在于，包括以下步骤： S1：收集ECG信号并进行重采样和预处理 S1.1ECG信号收集：从数据库中选取ECG信号数据； S1.2ECG信号重采样：采用滑动窗口覆盖所有片段，对原始ECG信号数据进行分割；重采样过程中，首先对信号进行傅里叶变换，得到其频谱表示，然后对频谱进行插值处理，使其适应目标采样频率，最后通过逆傅里叶变换将频谱转换回时间域信号； S1.3ECG信号注释及预处理：利用WFDB对采集的ECG数据进行读取，并按照AAMI标准对数据注释； S1.4数据划分：将处理好的ECG信号数据集随机划分为训练集和测试集； S2：构建ECG信号特征提取和分类网络 构建一个由卷积神经网络和门控循环单元组成的综合模型；该模型利用卷积神经网络提取特征，并使用门控循环单元进行分类； S2.1特征提取卷积神经网络：特征提取网络由一维卷积层、批量归一化层和最大池化层组成，通过局部连接和权重共享机制，对输入数据进行逐步处理，自动提取高级别特征； 卷积层：利用局部连接和权重共享，对输入信号进行卷积操作，提取局部特征；卷积操作的公式如下： 其中，x为输入信号，w为卷积核，y为输出信号，k为卷积核大小，m为卷积操作中输出信号的位置索引，n是卷积核中的位置索引；批量归一化层：对卷积层的输出进行归一化处理，批量归一化的公式为： 其中，为归一化后的输出，μ和σ分别为批量数据的均值和标准差，∈为一个小常数； 最大池化层：对归一化后的特征进行池化操作，最大池化的公式为： y[i]＝maxx[m:m+p] 其中，p为池化窗口的大小； S2.2心律失常分类网络：使用门控循环单元模型进行特征分类，并引入注意力机制模块捕获信号间的相关性，从而完成对心律失常信号的分类； 门控循环单元模型通过更新门和重置门捉时间序列中的长期依赖关系，公式如下： zt＝σWzxt+Uzht-1 rt＝σWrxt+Urht-1 其中，zt为更新门，rt为重置门，ht为隐藏状态，为候选隐藏状态，xt为时间步t的输入,W为输入到更新门的权重矩阵，Wz为输入到重置门的权重矩阵，Wr为候选隐藏状态的权重矩阵,U为隐藏状态到更新门的权重矩阵，Uz为隐藏状态到重置门的权重矩阵，Ur为隐藏状态到候选隐藏状态的权重矩阵,°为元素级别的逐点乘积，σ为sigmoid激活函，tanh为双曲正切激活函数； 注意力机制：注意力机制通过计算序列中各元素与当前时刻的关联程度，并根据关联程度对序列元素进行加权处理； 计算注意力权重：对门控循环单元模型GRU隐藏层的输出进行加权求和，计算每个时间步的注意力得分；计算公式为： eij＝tanhWhhi+Wssj 其中，eij表示隐藏状态hi与当前输入sj的相关性得分，hi为GRU隐藏层在时间步i的输出,sj为当前输入在时间步j的值，Wh和Ws是用于计算注意力得分的权重矩阵； 归一化权重：通过softmax函数对注意力得分进行归一化处理，得到注意力权重分布： 其中，αij表示在时刻j对时刻i的注意力权重； 计算上下文向量：将注意力权重应用到GRU的隐藏层输出上，得到上下文向量： 全连接层和输出层：将注意力机制的输出通过全连接层和输出层，进行分类；输出层采用softmax函数计算最终分类概率： y＝softmaxWoc+bo 其中，Wo是全连接层的权重矩阵，bo是全连接层的偏置向量； 通过上述结构，模型提取和分类ECG信号中的特征，从而识别不同类型的心律失常； S3.训练ECG分类模型 采用交叉熵损失函数来衡量模型输出与真实标签之间的差异；对于给定的样本，交叉熵损失函数定义为： 其中，qi是真实标签的概率，pi是模型输出的概率； 使用RMSprop优化算法，根据梯度的平方的指数加权移动平均来自适应地调整学习率；其参数更新规则如下： 其中，θt是第t迭代的参数，是损失函数关于参数的梯度，η是学习率，β衰减率，vt是梯度的平方的指数加权移动平均，δ是用于防止除零操作的小常数； 通过计算交叉熵损失函数并使用RMSprop优化算法进行反向传播以更新模型参数，不断迭代训练，直至达到设定的最高训练次数；在训练过程中，保存训练过程中分类准确率最高的一次分类模型，作为最优网络模型。

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大连理工大学，其通讯地址为：116024 辽宁省大连市甘井子区凌工路2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。