[发明专利]基于卷积神经网络-循环神经网络-支持向量机混合模型的疾病识别算法在审
| 申请号： | 201910591947.7 | 申请日： | 2019-07-02 |
| 公开（公告）号： | CN110200624A | 公开（公告）日： | 2019-09-06 |
| 发明（设计）人： | 陆彬春;符礼丹;艾海男 | 申请（专利权）人： | 重庆大学 |
| 主分类号： | A61B5/0476 | 分类号： | A61B5/0476;A61B5/04 |
| 代理公司： | 暂无信息 | 代理人： | 暂无信息 |
| 地址： | 400044 *** | 国省代码： | 重庆;50 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明专利设计了无创诊断系统中基于卷积神经网络‑循环神经网络‑支持向量机混合模型的识别算法，通过数据噪等预处理方法得到数据集，第一次在此领域使用卷积神经网络和循环神经网络作为端对端特征提取器对样本进行特征提取，分别提取数据的时间和空间特征，最后使用支持向量机对提取的特征数据进行分类。该算法最终取得高准确率、高特异性和高灵敏度，可在无创检测领域得到广泛应用。 | ||
| 搜索关键词： | 卷积神经网络 循环神经网络 支持向量机 算法 混合模型 预处理 特征提取器 高灵敏度 空间特征 特征数据 特征提取 提取数据 无创检测 诊断系统 专利设计 端对端 数据集 准确率 样本 分类 疾病 应用 | ||
【主权项】：
1.本发明为无创检测系统中基于卷积神经网络‑循环神经网络‑支持向量机混合模型的模式识别算法，其特征设所述方法包括以下步骤：步骤1：使用便携式脑电信号采集方法对脑电进行采集及数据预处理，得到初始历史数据样本集D；步骤2：将初始历史数据样本集D输入卷积神经网络CNN进行训练后保存模型参数。步骤3：将初始历史数据样本集D输入循环神经网络RNN进行训练后保存模型参数。步骤4：将训练集数据重新输入CNN和RNN后将深层特征提取出后输入SVM进行训练；步骤5：将未经训练的样本数据分别输入CNN和RNN并分别提取其深层特征，得到空间特征和时间特征。将空间特征和时间特征一起输入给支持向量机SVM进行最终分类，得到最终诊断结果。
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重庆大学，未经重庆大学许可，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/patent/201910591947.7/，转载请声明来源钻瓜专利网。
