[发明专利]一种基于动态模式识别的腺样体识别系统和方法在审

专利信息
申请号: 202210699801.6 申请日: 2022-06-20
公开(公告)号: CN115120227A 公开(公告)日: 2022-09-30
发明(设计)人: 王聪;李智瑞;吴伟明;李玮;孙海航 申请(专利权)人: 山东大学
主分类号: A61B5/087 分类号: A61B5/087;A61B5/00;G16H50/20;G06N3/04;G06N3/08
代理公司: 济南圣达知识产权代理有限公司 37221 代理人: 闫伟姣
地址: 250061 山东*** 国省代码: 山东;37
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 一种 基于 动态 模式识别 腺样体 识别 系统 方法
【说明书】:

本公开公开的一种基于动态模式识别的腺样体识别系统及方法,包括:采用确定学习理论,通过RBF神经网络对训练用鼻气流动态模式进行学习训练,获得常值RBF神经网络,由常值RBF神经网络构建获得动态估计器,通过动态估计器对待测试鼻气流动态模式进行识别,获得识别结果,获取识别结果与待测试鼻气流动态模式的识别误差,选取小识别误差对应的训练用鼻气流动态模式,对选取出的鼻气流动态模式对应的腺样体类型进行统计,占比大的腺样体类型为待识别腺样体的识别结果。提高了腺样体识别的速度和准确率,且便于操作。

技术领域

发明涉及腺样体识别技术领域,尤其涉及一种基于动态模式识别的腺样体识别系统和方法。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息,不必然构成在先技术。

目前对腺样体的检测识别方法主要有:电子鼻咽镜检查、X线检查等。电子鼻咽镜能直接观察腺样体,但不能准确测量腺样体厚度,还可能损伤鼻黏膜,引起鼻腔黏连,影响其功能,且鼻咽管明显的异物感使得待检人员对该项检查配合度较差;X线检查通过计算A/N(腺样体占鼻咽腔的比率)来判断腺样体肥大的程度,但X光线会造成一定的电离辐射,所以无法进行频繁检测,且X线检查对位姿要求较高,当位姿不正时,X线检查的测量误差较大。可知,目前对腺样体的检测识别方法,均不能实现对腺样体的准确快速识别,且不便于操作。

发明内容

本公开为了解决上述问题,提出了一种基于动态模式识别的腺样体识别系统和方法,通过获取与待识别腺样体对应的鼻腔气流信号,并对待测试鼻腔气流信号进行分析,即可以实现对待识别腺样体的识别,提高了腺样体识别的速度和准确率,且便于操作。

为实现上述目的,本公开采用如下技术方案:

第一方面,提出了一种基于动态模式识别的腺样体识别系统,包括:

数据获取模块,用于获取与待识别腺样体对应的待测试鼻腔气流信号;

信号分解模块,用于根据待测试鼻腔气流信号获得待测试鼻气流动态模式;

腺样体识别模块,用于通过动态估计器对待测试鼻气流动态模式进行识别,获得识别结果,获取识别结果与待测试鼻气流动态模式的识别误差,选取小识别误差对应的训练用鼻气流动态模式,对选取出的鼻气流动态模式对应的腺样体类型进行统计,占比大的腺样体类型为待识别腺样体的识别结果,其中,采用确定学习理论,通过RBF神经网络对训练用鼻气流动态模式进行学习训练,获得常值RBF神经网络,由常值RBF神经网络构建获得动态估计器。

第二方面,提出了一种基于动态模式识别的腺样体识别方法,包括:

获取与待识别腺样体对应的待测试鼻腔气流信号;

根据待测试鼻腔气流信号获得待测试鼻气流动态模式;

通过动态估计器对待测试鼻气流动态模式进行识别,获得识别结果,获取识别结果与待测试鼻气流动态模式的识别误差,选取小识别误差对应的训练用鼻气流动态模式,对选取出的鼻气流动态模式对应的腺样体类型进行统计,占比大的腺样体类型为待识别腺样体的识别结果,其中,采用确定学习理论,通过RBF神经网络对训练用鼻气流动态模式进行学习训练,获得常值RBF神经网络,由常值RBF神经网络构建获得动态估计器。

第三方面,提出了一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成一种基于动态模式识别的腺样体识别方法所述的步骤。

第四方面,提出了一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成一种基于动态模式识别的腺样体识别方法所述的步骤。

与现有技术相比,本公开的有益效果为:

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于山东大学,未经山东大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/202210699801.6/2.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top