元の名称記録: 亚洲抗衰老及转化医学研究中心（深圳）有限公司

本发明涉及人工智能技术领域，公开了一种基于自监督学习的心电信号异常检测系统，包括心电信号采集模块、数据预处理模块、特征编码模块、自监督对比学习模块、异常分数计算模块以及异常判别模块，各模块之间通信连接；所述心电信号采集模块用于获取原始心电信号并传输至数据预处理模块；所述数据预处理模块用于对原始心电信号进行去噪、基线漂移校正及标准化处理，并将处理后信号传输至特征编码模块。本发明通过自监督对比学习模块中的动态负样本选择单元，依托特征队列维护及特征距离计算、聚类分析等技术，筛选与正样本特征分布差异显著且不同类别的样本作为负样本，确保模型能精准学习同类心电信号样本间的真实相似性，避免特征学习混淆。

本申请涉及核酸检测光学分析技术领域，公开了一种用于核酸检测分析的光学系统，包括：光学检测模块：用于激发荧光标记并采集初始荧光信号序列，包含可调谐激发光源、制冷CCD探测器、多通道滤光组件；可调谐激发光源强度调节范围0‑1000μW/cm²，制冷CCD探测器曝光时间调节范围10ms‑10s，多通道滤光组件用于多通道信号采集。通过依托数据处理模块内置的强化学习模型，可根据实时采集的荧光信号特征动态适配光路参数，无需预设固定配置，既能精准捕捉低丰度核酸样本的弱荧光信号，又能避免高浓度样本信号饱和，同时通过针对性的参数优化削弱多通道间的信号干扰，大幅提升不同检测场景下的信号提取准确性与适配灵活性，让检测结果更贴合实际样本特性。

本申请涉及心电信号质量评估技术领域，公开了一种基于无监督级联自适应网络的心电信号质量评估方法，包括以下步骤：S1、对获取的原始心电信号进行预处理：通过自适应陷波滤波去除工频干扰，通过软阈值小波滤波去除高频肌电噪声，并在滤波过程中保留潜在病理特征波形，得到预处理后心电信号；S2、无监督多模态特征提取：基于自编码器构建的无监督特征提取网络。通过自编码器自动学习正常心电信号分布规律，降低对专业医生标注资源的依赖；同时借助两级自适应评估网络，先过滤显著噪声，再精准区分病理信号与噪声，有效避免将心肌梗死、房颤等疾病引发的异常波形误判为噪声，显著提升病理信号保留率，为临床诊断提供更完整的有效数据支撑。