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！

龙图腾网获悉哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)申请的专利一种基于深度学习的心肌组织电生理无标记光学检测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：CN119423778B 。

龙图腾网通过国家知识产权局官网在2025-09-30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：202411550715.4，技术领域涉及：A61B5/33；该发明授权一种基于深度学习的心肌组织电生理无标记光学检测方法是由刘伟;郭学硕;费亮;胡慧轩;刘香茹;孙云旭;马婷;徐小川设计研发完成，并于2024-11-01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肌组织电生理无标记光学检测方法在说明书摘要公布了：本发明涉及医疗健康技术领域，尤其涉及一种基于深度学习的心肌组织电生理无标记光学检测方法。本发明包括以下步骤：获取心肌组织的光学检测图像数据以及电生理信号数据；对光学检测图像数据以及电生理信号数据进行图像预处理，从而得到光学‑生理信号映射数据，其中图像预处理包括图像配准、图像裁剪、周期性增强、时差增强、空间滤波、强度归一化以及数据平滑处理；根据光学‑生理信号映射数据进行基于机械收缩曲线以及电生理曲线的特征信号提取，从而得到机械收缩曲线数据以及电生理曲线数据。本发明采用无标记光学检测，避免了对心肌组织的直接干扰，更好地保持了组织的生理状态。

本发明授权一种基于深度学习的心肌组织电生理无标记光学检测方法在权利要求书中公布了：1.一种基于深度学习的心肌组织电生理无标记光学检测方法，其特征在于，包括以下步骤： 步骤S1：获取心肌组织的光学检测图像数据以及电生理信号数据；对光学检测图像数据以及电生理信号数据进行图像预处理，从而得到光学‑生理信号映射数据，其中图像预处理包括图像配准、图像裁剪、周期性增强、时差增强、空间滤波、强度归一化以及数据平滑处理； 步骤S2：根据光学‑生理信号映射数据进行基于机械收缩曲线以及电生理曲线的特征信号提取，从而得到机械收缩曲线数据以及电生理曲线数据； 步骤S3：将机械收缩曲线数据作为自变量，将电生理曲线数据作为因变量，通过训练门控循环单元网络模型进行模型构建及训练，从而得到电生理信号预测模型，其中电生理信号预测模型包括两个隐藏层，隐藏层的宽度均为64； 其中步骤S3包括： 步骤S31：将机械收缩曲线数据作为自变量，电生理曲线数据作为因变量，并基于时间序列进行匹配，从而形成训练数据集； 步骤S32：将训练数据集基于80:10:10的比例划分为训练集、验证集以及测试集； 步骤S33：根据机械收缩曲线数据以及电生理曲线数据初始化门控循环单元网络模型，并对门控循环单元网络模型进行基于学习率、优化器类型、批量大小以及训练轮数的超参数设置，从而得到初始GRU网络模型； 步骤S34：将训练集输入初始GRU网络模型进行训练，并通过前向传播计算预测值，再通过反向传播调整权重，进行预测误差降低处理，从而得到训练后的动态时序预测模型； 步骤S35：利用验证集对动态时序预测模型进行验证，并根据验证结果的误差进行训练策略调整，从而得到自适应时空注意力GRU模型； 步骤S36：通过测试集对自适应时空注意力GRU模型进行基于均方误差以及均方根误差的性能测试，从而得到模型性能评估数据； 步骤S37：根据模型性能评估数据对自适应时空注意力GRU模型进行集成学习优化处理，从而得到电生理信号预测模型； 步骤S4：利用电生理信号预测模型根据机械收缩曲线数据进行心脏电生理活动的变化预测，从而得到电生理预测数据；对电生理预测数据进行基于相对误差、均方误差以及均方根误差的预测性能评估，从而得到模型性能评估数据； 步骤S5：对机械收缩曲线数据以及电生理曲线数据进行基于DFD80以及APD80的特征指标提取，并对特征指标进行Pearson相关系数计算，从而得到无标记光学检测与电生理信号的关联性数据；根据模型性能评估数据以及关联性数据对电生理信号预测模型进行参数优化，以实现模型对心肌组织电生理信号的预测精度。

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哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)，其通讯地址为：518000 广东省深圳市南山区桃源街道深圳大学城哈尔滨工业大学校区；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。