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！

龙图腾网获悉华南理工大学申请的专利基于置信增强及净化修正噪声标签的心电图数据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：CN117171636B 。

龙图腾网通过国家知识产权局官网在2025-09-12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：202310972089.7，技术领域涉及：G06F18/241；该发明授权基于置信增强及净化修正噪声标签的心电图数据分类方法是由马千里;马沛钿设计研发完成，并于2023-08-03向国家知识产权局提交的专利申请。

本基于置信增强及净化修正噪声标签的心电图数据分类方法在说明书摘要公布了：本发明公开了一种基于置信增强及净化修正噪声标签的心电图数据分类方法，如下：设置预热轮数Tw、训练轮数T和迭代次数K；获取包含噪声标签的心电图数据集并预处理；对心电图神经网络分类模型随机初始化，每次训练采用指数平滑计算每个样本的损失；训练Tw轮后，根据每轮样本损失选择出置信样本，对置信样本通过时间扭曲得到增强样本，模型使用置信样本及增强样本进行训练；训练T轮后，使用KNN方法对筛选出的噪声样本执行标签修正，得到新的心电图数据集，完成一次迭代；若迭代次数达到K，则结束训练,否则使用新数据集重新执行训练。本发明不仅增强模型对干净心电图数据鲁棒性特征的学习，而且通过净化修正使数据集的噪声率不断下降。

本发明授权基于置信增强及净化修正噪声标签的心电图数据分类方法在权利要求书中公布了：1.一种基于置信增强及净化修正噪声标签的心电图数据分类方法，其特征在于，所述心电图数据分类方法包括以下步骤： S1、设置预热轮数Tw、训练轮数T和迭代次数K； S2、获取包含噪声标签的心电图数据集Dori，对数据集Dori进行预处理，每条心电图序列执行z-score标准化后整合得到用于训练的心电图数据集D； S3、构造心电图神经网络分类模型并随机初始化，将所有心电图序列输入心电图神经网络分类模型进行预热训练，每次训练采用指数平滑方法计算每条心电图序列对应的训练损失； S4、预热训练Tw轮后，根据每轮的心电图序列的训练损失选择出置信的心电图序列并纳入置信集Dconf中，未被选择的则作为噪声心电图序列并纳入噪声集Dnoisy，另外对置信的心电图序列通过时间扭曲方法得到增强的心电图序列并纳入增强集Daug中； 在心电图神经网络分类模型预热训练Tw轮后，获取并利用置信集和增强集训练该心电图神经网络分类模型过程如下： S41、使用每轮训练中所有心电图序列的损失建模一个二分布的高斯混合模型，将该高斯混合模型中均值较小的损失分布所对应的所有心电图序列作为置信心电图序列，并纳入置信集Dconf；将均值较大的损失分布对应的所有心电图序列视为噪声心电图序列,并纳入噪声集Dnoisy； S42、对步骤S41得到的置信集Dconf中的所有心电图序列执行时间扭曲方法得到增强样本集合： 其中TW·表示时间扭曲操作，对心电图序列的采样点进行线性插值，然后在采样点之间随机选取值作为新采样点，各个新采样点构成增强的心电图序列，xconf和分别表示置信的心电图序列及对应的观测标签； S43、使用得到的置信集Dconf和增强集Daug训练心电图神经网络分类模型，计算最终的第t轮目标损失L： 其中|Dconf|表示统计置信集Dconf的样本数，λ表示损失项权重，心电图神经网络模型根据目标损失L进行训练； S5、心电图神经网络分类模型利用置信集Dconf和增强集Daug进行T轮训练后，使用K-近邻方法对步骤S4中最后一轮不被纳入置信集的其余心电图序列执行标签修正，置信心电图序列的标签保持不变，从而得到新标注的心电图数据集Dnew，完成1次迭代； S6、利用新标注的心电图数据集对重新初始化的心电图神经网络分类模型重复步骤S3至步骤S5进行训练，直至心电图神经网络分类模型迭代次数达到K，完成迭代训练得到经过训练的鲁棒的心电图神经网络分类模型； S7、输入待分类的心电图数据至经过训练的鲁棒的心电图神经网络分类模型，完成心电图数据的分类。

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华南理工大学，其通讯地址为：510640 广东省广州市天河区五山路381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”。