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！

龙图腾网恭喜苏州大学申请的专利基于卷积神经网络的心电图自动识别算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：CN115227258B 。

龙图腾网通过国家知识产权局官网在2025-04-29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：202210710325.3，技术领域涉及：A61B5/346；该发明授权基于卷积神经网络的心电图自动识别算法是由刘梓瑞;邹操;冯春惠;刘菁华;王伟奇;时星宇;杨正凯设计研发完成，并于2022-06-22向国家知识产权局提交的专利申请。

本基于卷积神经网络的心电图自动识别算法在说明书摘要公布了：本发明涉及心电图自动识别算法技术领域，且公开了一种基于卷积神经网络的心电图自动识别算法，包括：构件数据库：所用的数据库为心律失常数据库；预处理：对所选择导联的心电信号进行预处理；数据扩增：通过改变样本均值和方差的方法将样本量较少的心搏类型进行数据扩增；网络结构包含3个卷积层,3个池化层和3个全连接层；本发明提出一种基于卷积神经网络的心电图自动识别算法，本发明识别类型多，识别准确率高。

本发明授权基于卷积神经网络的心电图自动识别算法在权利要求书中公布了：1.一种基于卷积神经网络的心电图自动识别算法，其特征在于，包括：构件数据库：所用的数据库为心律失常数据库；预处理：对所选择导联的心电信号进行预处理；数据扩增：通过改变样本均值和方差的方法将样本量较少的心搏类型进行数据扩增；网络结构：网络结构包含3个卷积层,3个池化层和3个全连接层采用误差反向传播算法最大化验证准确率；训练算法流程如下:假设输入某个样本x,y,其中x、y均为矢量,f表示非线性映射,W表示卷积层的连接权,U表示全连接层的连接权,b表示各个层的偏置,L表示网络的层数,即第L层网络,l表示当前层中的输出通道,即第1个输出通道,a表示各个层的输出,I表示各个层的输入；1随机初始化各卷积层的连接权WlL、偏置b此时,L＝2,4,6；对应卷积层的第l个输出通道,以及全连接层的连接权偏置2输入样本前向传播:a表示第L层,第l个输出通道的第i个输出此时,L＝1,2,3,4,5,6,7；全连接层的输出另表示为A；此时,L＝8,9,10,11；输入层：卷积层：此时,L＝2,4,6，W；为该层卷积层的通道l和该层的输入层池化层或输入层的通道I'之间的卷积核；其中,M为该卷积核的长度,K表示该层的输入层池化层或输入层的通道个数；池化层： 此时,L＝3,5,7；k为池化步长，全连接层: 此时，L＝9,10,1，a8为a7的各个输出通道收尾串联而得，AL的第i个输出记为R为AL-1长度；3误差反向传播:δL记为其中e为输出误差，IL为第L层的输入，对应不同层的误差具体如下所示；全连接层： 此时,L＝11,符号⊙表示对应位置相乘得到的新矢量， 此时，L＝9,10,T表示转置操作，因此得到: 池化层:误差由上层卷积层传过来,δ7为δ9按照原连接次序再断开得到， 此时,L＝3,5,符号*表示卷积,即和的卷积；为上层卷积层的通道l′和该池化层的通道l之间的卷积核；flip为为对输入一维数据进行倒序操作；卷积层： 此时，L＝2,4,6；其中upsample为上采样，对于本文采用平均池化，上采样采样即误差反向传播时由上层池化层误差δL+1均分到该层相应的神经元； 和的卷积： 4含有p个样本的批次训练参数t时刻更新量为： 5t时刻权值更新：WLt＝WLt-αΔWLt-μWLt-114bLt＝bLt-αΔbLt-μbLt-l15其中，α为学习率，u为动量项系数；6不断重复1～5更新参数，直到更新量小于设定的某个较小阈值或到达训练次数时得到网络模型。

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苏州大学，其通讯地址为：215006 江苏省苏州市十梓街1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”。