專利名稱：一種心電圖分類處理方法及裝置的制作方法
技術領域：
本發明涉及醫療電子技術領域，具體涉及ー種心電圖分類處理方法及裝置。
背景技術：
心電圖由心臟周期活動產生的PQRST等波形組成，是將心臟周期活動產生的電信號記錄下來并按規定的格式繪制出來的圖形，其中R波是心電圖中最明顯的ー個波形。心電圖已經被廣泛用于心血管病的臨床檢查與預警，而隨著遠程監護的興起，心電圖分析也正在向院外、亞健康人群和長時間監護發展，從而具有自動化診斷的需求。現有的心電圖分類方法主要集中于專家知識刻畫、模板匹配以及在提取后的特征上進行分類，其中包含支持向量機、規則判斷、神經網絡等方法。這些方法需要首先準確的識別出心電圖中的各種特征點位置、各種波形幅度或者形態。然而這些特征點是與心電圖 波形形態有夫，變化范圍很大，同時受到無處不在的噪聲影響，導致這些特征點難以準確找至IJ，最后輸出的分類結果也不準確，因此，希望能提供一種輸出更準確結果的心電圖分類處理方法，方便醫生進行醫療判斷。
發明內容
本發明要解決的技術問題是針對現有技術心電圖分類不準確的缺陷，提供ー種心電圖分類處理方法及裝置，能夠輸出更準確的心電圖分類結果。本發明提供的技術方案如下本發明提供ー種心電圖分類處理方法，包括獲取心電圖中的R波的位置；根據所述R波的位置，確定體現所述心電圖特征的直接特征值；將心電圖以R波位置為中心分割為不同數據段；對分割的數據段進行卷積和取樣，得到內部特征值；對所述直接特征值和所述內部特征值根據預定算法進行計算，得到分類結果。優選地，所述根據R波的位置，確定體現所述心電圖特征的直接特征值包括根據所述R波的位置，確定設定數目的RR間期作為直接特征值。優選地，所述將心電圖以R波位置為中心分割為不同數據段后還包括對心電圖的心電數據疊加隨機噪聲；所述對分割的數據段進行卷積和取樣包括通過卷積層與取樣層對分割且疊加隨機噪聲后的心電數據進行卷積和取樣。優選地，所述根據R波的位置，確定設定數目的RR間期作為直接特征值包括根據所述R波的位置，分別將R波左邊的兩個RR間期、右邊的兩個RR間期，及周圍12個R波的平均RR間期，共5個RR間期作為直接特征值。優選地，所述對所述直接特征值和所述內部特征值根據預定算法進行計算，得到分類結果包括
多層感知器的隱層對所述直接特征值和內部特征值，使用第一權值矩陣進行計算；多層感知器的邏輯回歸層根據所述隱層輸出的數據，使用第二權值矩陣進行計算得到心電圖分類結果。優選地，所述第一權值矩陣為[P1*P2]，其中，Pl為輸入節點個數，P2為輸出節點個數，50〈P1〈2000，100〈P2〈2000 ；所述第二權值矩陣為[P2*D],其中D為疾病種類數目。優選地，所述對分割的數據段進行卷積和取樣，得到內部特征值包括通過三個卷積層與取樣層對分割的數據段進行卷積和取樣，
三個卷積層的核結構為[F1，1，1，C1]，[F2,F1,IeadCount, C2], [F3，F2，1，C3]，取樣層結構為[I, Ml], [I, M2], [I, M3]；其中，FU F2、F3為特征面數目，Cl、C2、C3為卷積核，Ml、M2、M3為取樣系數，IeadCount 為輸入數據的導聯數目，3〈F1〈30，F1〈F2〈100，F2<F3<200,1<CK60,1<C2<50,1〈C3〈40，1<MK30,1〈M2〈30，M1〈M2〈30 ；根據三個卷積層與取樣層的卷積和取樣結果，得到內部特征值。本發明另ー個目的是提供ー種心電圖分類處理裝置，包括R波提取模塊，用于獲取心電圖中的R波的位置；特征提取模塊，用于根據所述R波提取模塊獲取的R波的位置，確定體現所述心電圖特征的直接特征值；分割模塊，用于將心電圖以R波位置為中心分割為不同數據段； 卷積和取樣模塊，用于對分割的數據段進行卷積和取樣，得到內部特征值；多層感知器，用于對所述特征提取模塊得到的直接特征值和所述卷積和取樣模塊得到的內部特征值根據預定算法進行計算，得到分類結果。優選地，所述裝置還包括噪聲層模塊，用于對分割后的心電圖的心電數據疊加隨機噪聲，并輸出給所述卷積和取樣模塊。優選地，所述特征提取模塊，根據所述R波的位置，確定設定數目的RR間期作為直接特征值。上述技術方案可以看出，本發明在確定心電圖的R波的位置后，是確定體現所述心電圖特征的直接特征值(例如是采用RR間期作為直接特征值)，并對分割的數據段進行卷積和取樣，得到內部特征值，再結合直接特征值和內部特征值根據預定算法進行計算，得到分類結果，由于不再提取各種準確率不太高，容易受噪聲干擾的特征值，而是直接提取準確率很高的直接特征值(例如RR間期)納入算法進行計算，因此可以提高最后分類準確率，輸出更準確的心電圖分類結果，并且提高反應速度。
圖I是本發明實施例I心電圖分類處理方法流程圖。圖2是本發明實施例2心電圖分類處理方法流程圖。圖3是本發明實施例3心電圖分類處理方法流程圖。
圖4是本發明的裝置結構示意圖。
具體實施例方式下面將結合本發明實施例中的附圖，對本發明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發明一部分實施例，而不是全部的實施例。基于本發明中的實施例，本領域普通技術人員在沒有作出創造性勞動前提下所獲得的所有其它實施例，都屬于本發明保護的范圍。本發明提供ー種心電圖分類處理方法，能夠輸出更準確的心電圖分類結果。以下分別進行詳細說明。本發明的技術方案是基于深層神經網絡中的卷積網絡方法(CNN)，該方法具有很好的抗噪性、可變權值少、仿人眼架構，心電圖雖然是時間序列信號，但最終是以圖形方式展示給醫生，因此本發明實施例方法將CNN方法應用于心電圖識別，在引入CNN方法后，在結構、訓練過程上進行改進，使得其可以用于心電圖分類，并提高分類準確性。 在介紹具體方案之前，先對相關術語進行說明。本發明的R指心電圖中的R波，RR表示兩個R波之間的間期。實施例I圖I是本發明實施例I心電圖分類處理方法流程圖，包括步驟101、獲取心電圖中的R波的位置；步驟102、根據所述R波的位置，確定體現所述心電圖特征的直接特征值；該步驟可以是確定設定數目的RR間期作為直接特征值，具體的該步驟可以根據所述R波的位置，分別將R波左邊的兩個RR間期、右邊的兩個RR間期，及周圍12個R波的平均RR間期，共5個RR間期作為直接特征值。需說明的是，本發明只是以RR間期作為直接特征值舉例說明但不局限于此，還可以是其他能準確體現所述心電圖特征并且受干擾影響小的直接特征值，例如與幅度相關的直接特征值等。步驟103、將心電圖以R波位置為中心分割為不同數據段；該步驟可以是以R波為中心，將心電圖分成為左右各N/2個點的數據段，且N可以取值為784。步驟104、對分割的數據段進行卷積和取樣，得到內部特征值；該步驟通過三個卷積層與取樣層對分割的數據段進行卷積和取樣，三個卷積層的核結構為[Fl，l，l，Cl]，[F2，Fl, leadCount，C2]，[F3，F2，l，C3]，取樣層結構為[I, Ml],[I, M2], [I, M3];其中，F1、F2、F3為特征面數目，C1、C2、C3為卷積核，M1、M2、M3為取樣系數，IeadCount 為輸入數據的導聯數目，3〈F1〈30，F1〈F2〈100，F2〈F3〈200，1<CK60,1〈C2〈50，1〈C3〈40，1<MK30,1〈M2〈30，M1〈M2〈30。步驟105、對所述直接特征值和所述內部特征值根據預定算法進行計算，得到分類結果。該步驟中，多層感知器的隱層對所述直接特征值和內部特征值，使用第一權值矩陣進行計算；多層感知器的邏輯回歸層對隱層輸出的數據，使用第二權值矩陣進行計算得到心電圖分類結果。
上述技術方案可以看出，本發明在確定心電圖的R波的位置后，是確定體現所述心電圖特征的直接特征值(例如是采用RR間期作為直接特征值)，并對分割的數據段進行卷積和取樣，得到內部特征值，再結合直接特征值和內部特征值根據預定算法進行計算，得到分類結果，由于不再提取各種準確率不太高，容易受噪聲干擾的特征值，而是直接提取準確率很高的直接特征值(例如RR間期)納入算法進行計算，因此可以提供最后分類準確率，并且提聞反應速度。實施例2圖2是本發明實施例2心電圖分類處理方法流程圖。如圖2所示，包括步驟步驟201、利用R波提取模塊進行R波提取，從而從心電圖中準確獲得R波的位置。步驟202、利用特征提取模塊從心電圖中提取直接特征值。 該步驟中根據提取的R波及位置，提取直接特征值。該實施方案中是以提取RR間期(兩個R波之間的間期)作為直接特征值舉例說明，也即提取該R波左邊兩個RR間期、右邊兩個RR間期以及周圍12個R波的平均RR間期。該5個RR間期作為直接特征值傳輸給多層感知器。相對于現有技術，該實施方案是提取直接特征值，也即提取心電圖中有把握的、較重要的特征值，不需要考慮其他更多特征信息，其他特征信息容易受到干擾，準確率不高。步驟203、利用分割模塊，將心電圖分成以R波為基點，N個數據長度的數據段。該實施方案中是以R波為中心，將心電圖分成為左右各N/2個點的數據段，且N可以取值為784但不局限于此。具體在試驗中是以R波為中心取得心電數據中的左右約Is數據直接作為神經網絡輸入，即N=784。需說明的是，步驟202和203沒有必然的順序關系。步驟204、將分割的數據傳輸給噪聲層模塊，該模塊對心電數據疊加隨機噪聲，然后將疊加了隨機噪聲的數據傳輸給卷積和取樣模塊。疊加的噪聲包含幅度為Oll (Al可以取值0. 5mV)的(TO. 5Hz低頻噪聲，幅度為(TA2 (A2可以取值0. 5mV)的33 100Hz高頻噪聲以及幅度為(TA3 (A3可以取值0. 2mV)的
白噪聲。本發明增加噪聲層，該層從原理上可以增加訓練數據的樣本數,加大樣本間的變異性，從而可以使后續的神經網絡能夠尋找到真正的特征值，而不至于被微小、噪聲、無關的細節干擾。因此，與現有技術相比，通過在訓練過程中引入噪聲層，可以整體上増加訓練樣本數，減少細節、噪聲、無用的細節的信息對神經網絡訓練過程產生干擾。需說明的是，該步驟為在訓練時進行的操作，訓練過程中需要噪聲層，分割的分段數據在噪聲層疊加上述的噪聲，然后輸入到卷積和取樣模塊，在測試中以及實用分類時，則跳過噪聲層，即不需要該模塊對心電數據疊加隨機噪聲，此時噪聲層無效，分割的分段數據直接輸入卷積和取樣模塊。步驟205、卷積和取樣模塊的三個卷積層與取樣層(卷積層和取樣層A，卷積層和取樣層B，卷積層和取樣層C)分別對輸入的數據進行卷積、取樣，從而形成內部特征，并輸出到多層感知器；
3 個卷積層的核結構為[F1，1，1，C1]，[F2，Fl，leadCount，C2]，[F3，F2，1，C3]，取樣層結構為[I, Ml], [I, M2], [I, M3] o其中Fl (3〈F1〈30)，F2 (F1〈F2〈100)，F3 (F2〈F3〈200)為特征面數目，Cl (1<C1<60)，C2(1〈C2〈50)，C3(1〈C3〈40)為卷積核；M1 (1<M1<30), M2(1〈M2〈30)，M3(1〈M2〈30)為取樣系數；leadCount為輸入數據的導聯數目。卷積層和取樣層A，卷積層和取樣層B、卷積層和取樣層C，可以對多導聯心電數據進行處理。卷積層第一層核[Fl,l,l, Cl],卷積第二層使用核[F2, Fl, leadCount, C2],卷積第三層使用核[F3，F2，1，C3]，這樣安 排能夠很好融入多導聯信息。步驟206、多層感知器的隱層根據輸入的數據使用第一權值矩陣獲得輸出數據。多層感知器的隱層是個全連接層，隱層與邏輯回歸層共同組成ー個完整的多層感知器。隱層的輸入數據是由卷積層和取樣層輸出的內部特征值和特征提取模塊輸出的直接特征值，實施方案中為RR間期。在多層感知器隱層中引入直接特征值，可以把準確而且確定的直接特征值(實施方案中指5個RR間期)放到多層感知器與內部特征一起進行分類。多層感知器的隱層使用的第一權值矩陣為[P1*P2]，其中Pl為輸入的節點個數，50〈P1〈2000，P2為該層輸出節點個數，100〈P2〈2000。實施方案中，Pl可以取值為400+5，P2可以取值為500，其中的5指5個RR間期特征。步驟207、多層感知器的邏輯回歸層根據隱層輸出的數據使用第二權值矩陣進行最后的分類。該步驟中，多層感知器的邏輯回歸層接收隱層輸出的數據作為輸入數據，使用第ニ權值矩陣進行最后的分類。多層感知器的邏輯回歸層使用的第二權值矩陣為[P2*D]，其中D為疾病種類數目，在實施中為正異常分類，D可以取值為2，P2可以取值為500。步驟208、根據多層感知器的邏輯回歸層的處理得到最終的分類結果。以下結合實際應用的情況具體介紹實施例3。實施例3實施例3是以MIT-BIH (研究心律失常的數據庫)與CXDD (中國心血管疾病數據庫)心電數據上的正異常分類為例圖3是本發明實施例3心電圖分類處理方法流程圖，包括步驟301、R波提取模塊利用R波檢測方法提取心電圖中R波位置。心電圖R波檢測方法為其首先以帶通濾波器對輸入的心電圖信號進行濾波并進行相位補償，之后進行差分處理，再采用線性變化對差分信號進行數據整理，其后使用公《d(n)*d(n)*log(d(n)*d(n))進行香農能量轉換，并使用平均濾波器濾波并進行相位補償，而后檢測極大點、極小點，排除假R點，糾正誤排除點，得到近似R波位置，最后在該近似R波位置周圍±25點范圍內尋找到真正R位置。更具體的內容可以參見專利申請號為201110307270. 3的專利文獻。需說明的是，也可以采用其他檢測方法，只要能提取心電圖中R波位置即可。步驟302、特征提取模塊通過計算確定5個RR間期作為直接特征值。特征提取模塊分別計算R波左邊的兩個RR間期，然后再計算R波右邊的兩個RR間期，之后計算周圍12個R波的平均RR間期。這5個RR間期作為直接特征值共同傳輸給多層感知器進行分類。步驟303、分割模塊對心電圖以R波為中心進行劃分，取784點；該步驟中是以R波為中心，將心電圖分成為左右各N/2個點的數據段，且N可以取值為784但不局限于此。步驟304、噪聲層模塊給心電圖的心電數據增加噪聲。具體可以增加三種噪聲不超過0. 5mV的(TO. 5Hz以及相位全部隨機的低頻噪聲，不超過0. 5mV的33 75Hz以及相位隨機的高頻噪聲，以及不超過0. 2mV的白噪聲。一幅心電圖由多個導聯的心電圖組成，疊加噪聲是每個導聯是單獨進行的，在疊加噪聲后，再對每個導聯減去該導聯的平均值。
需說明的是，該步驟為在訓練時進行的操作，在測試中以及實用分類時，則跳過噪聲層，即不需要該模塊對心電數據疊加隨機噪聲。步驟305、卷積和取樣模塊的卷積層和取樣層A使用[12，1,1,15]卷積核和[15]取樣核，其中12為特征面數目，也即使用12個特征面。步驟306、卷積和取樣模塊的卷積層和取樣層B使用[80，12，12，15]卷積核和取樣核，也即使用80個特征面，并且合并12個導聯數據。步驟307、卷積和取樣模塊的卷積層和取樣層C使用[100，80，1，9]卷積核和[15]取樣核，也即使用100個特征面。步驟308、在多層感知器的隱層，使用(400+5) *500權值矩陣進行計算。多層感知器的隱層根據輸入的數據得到第一權值矩陣為[P1*P2]，其中50〈P1〈2000，100〈P2〈2000。Pl 取值為 400+5，P2 取值為 500，即(400+5) *500 權值矩陣，權值矩陣中的5指5個RR間期特征。步驟309、在多層感知器的邏輯回歸層，使用500*2權值矩陣進行計算。多層感知器的邏輯回歸層根據隱層輸出的數據進行計算，使用的第二權值矩陣為[P2*D];其中D為疾病種類數目，在實施中為正異常分類，D取值為2，P2取值為500，即得到500*2權值矩陣。步驟310、根據多層感知器的邏輯回歸層的處理得到最終的分類結果。上述為本發明實施例輸出心電圖分類結果的流程，如果是進行訓練時，則訓練過程分兩步，包括首先在第一次訓練吋，多層感知器使用400*500權值矩陣，啟動噪聲層模塊增加噪聲層，然后對訓練樣本進行訓練，訓練過程中如果校驗結果達到100%則終止訓練，另外如果訓練次數達到500次也終止訓練。第二次訓練吋，多層感知器使用(400+5) *500權值矩陣，同時保證卷積層權系數不變，然后進行訓練。需說明的是，如果是進行測試，則測試步驟為停止噪聲層模塊，所有權系數不變，其他操作不變。應用本發明的技術方案，具有以下有益效果1)算法準確率提高該算法在MIT-BIH和CXDD數據中都做過實驗，超過了單分類器結果。其中在MIT-BIH中取得了99. 27%的分類效果；在CXDD中分類效果(9 1訓練測試)為97. 45% ；2)省去各種特征值提取過程現有普通算法是在先提取醫生認為重要的特征值，然后對許多特征值進行分類。這過程受到特征提取算法準確度影響，非常容易被心電圖中的噪聲干擾。而本發明的方法不需要提取這些特征值，而是把提取準確率很高的一些特征值例如直接特征值(RR間期)納入算法體系，從而提高最后分類準確率。3)通過在訓練過程中引入噪聲層，可以整體上增加訓練樣本數，減少細節、噪聲、無用的細節的信息對神經網絡訓練過程產生干擾。上述詳細介紹了本發明的方法流程，以下介紹本發明提供的裝置。圖4是本發明的心電圖分類處理裝置的結構示意圖，包括R波提取模塊、特征提取模塊、分割模塊、卷積和取樣模塊、多層感知器。
R波提取模塊，用于獲取心電圖中的R波的位置；特征提取模塊，用于根據所述R波提取模塊獲取的R波的位置，確定體現所述心電圖特征的直接特征值；分割模塊，用于將心電圖以R波位置為中心分割為不同數據段；卷積和取樣模塊，用于對分割的數據段進行卷積和取樣，得到內部特征值；多層感知器，用于對所述特征提取模塊得到的直接特征值和所述卷積和取樣模塊得到的內部特征值根據預定算法進行計算，得到分類結果。進ー步的，所述裝置還包括噪聲層模塊。噪聲層模塊，用于對分割后的心電圖的心電數據疊加隨機噪聲，并輸出給所述卷積和取樣模塊。所述特征提取模塊，根據所述R波的位置，確定設定數目的RR間期作為直接特征值，例如分別將R波左邊的兩個RR間期、右邊的兩個RR間期，及周圍12個R波的平均RR間期，共5個RR間期作為直接特征值。需要說明的是，上述裝置和系統內的各単元之間的信息交互、執行過程等內容，由于與本發明方法實施例基于同一構思，具體內容可參見本發明方法實施例中的敘述，此處不再贅述。本領域普通技術人員可以理解上述實施例的各種方法中的全部或部分步驟是可以通過程序來指令相關的硬件來完成，該程序可以存儲于ー計算機可讀存儲介質中，存儲介質可以包括只讀存儲器(ROM，Read Only Memory)、隨機存取存儲器(RAM，RandomAccess Memory)、磁盤或光盤等。以上對本發明實施所提供的技術方案，進行了詳細介紹，本文中應用了具體個例對本發明的原理及實施方式進行了闡述，以上實施的說明只是用于幫助理解本發明的方法及其核心思想；同時，對于本領域的一般技術人員，依據本發明的思想，在具體實施方式
及應用范圍上均會有改變之處，綜上所述，本說明書內容不應理解為對本發明的限制。
權利要求
1.ー種心電圖分類處理方法，其特征在于，包括 獲取心電圖中的R波的位置； 根據所述R波的位置，確定體現所述心電圖特征的直接特征值； 將心電圖以R波位置為中心分割為不同數據段； 對分割的數據段進行卷積和取樣，得到內部特征值； 對所述直接特征值和所述內部特征值根據預定算法進行計算，得到分類結果。
2.根據權利要求I所述的方法，其特征在干， 所述根據R波的位置，確定體現所述心電圖特征的直接特征值包括根據所述R波的位置，確定設定數目的RR間期作為直接特征值。
3.根據權利要求I或2所述的方法，其特征在于， 所述將心電圖以R波位置為中心分割為不同數據段后還包括對心電圖的心電數據疊加隨機噪聲； 所述對分割的數據段進行卷積和取樣包括通過卷積層與取樣層對分割且疊加隨機噪聲后的心電數據進行卷積和取樣。
4.根據權利要求2所述的方法，其特征在干， 所述根據R波的位置，確定設定數目的RR間期作為直接特征值包括 根據所述R波的位置，分別將R波左邊的兩個RR間期、右邊的兩個RR間期，及周圍12個R波的平均RR間期，共5個RR間期作為直接特征值。
5.根據權利要求I或2所述的方法，其特征在于， 所述對所述直接特征值和所述內部特征值根據預定算法進行計算，得到分類結果包括 多層感知器的隱層對所述直接特征值和內部特征值，使用第一權值矩陣進行計算；多層感知器的邏輯回歸層根據所述隱層輸出的數據，使用第二權值矩陣進行計算得到心電圖分類結果。
6.根據權利要求5所述的方法，其特征在干， 所述第一權值矩陣為[P1*P2]，其中，Pl為輸入節點個數，P2為輸出節點個數，50〈P1〈2000，100〈P2〈2000 ； 所述第二權值矩陣為[P2*D]，其中D為疾病種類數目。
7.根據權利要求I或2所述的方法，其特征在于， 所述對分割的數據段進行卷積和取樣，得到內部特征值包括 通過三個卷積層與取樣層對分割的數據段進行卷積和取樣， 三個卷積層的核結構為[F1，1，1，C1]，[F2,F1, leadCount,C2], [F3，F2，1，C3]，取樣層結構為[I, Ml], [I, M2], [I, M3]； 其中，F1、F2、F3為特征面數目，C1、C2、C3為卷積核，M1、M2、M3為取樣系數，IeadCount為輸入數據的導聯數目，3〈F1〈30, F1〈F2〈100，F2〈F3〈200，1<CK60,1〈C2〈50，1〈C3〈40，1<MK30,1〈M2〈30，M1〈M2〈30 ； 根據三個卷積層與取樣層的卷積和取樣結果，得到內部特征值。
8.ー種心電圖分類處理裝置，其特征在于，包括 R波提取模塊，用于獲取心電圖中的R波的位置；特征提取模塊，用于根據所述R波提取模塊獲取的R波的位置，確定體現所述心電圖特征的直接特征值； 分割模塊，用于將心電圖以R波位置為中心分割為不同數據段； 卷積和取樣模塊，用于對分割的數據段進行卷積和取樣，得到內部特征值； 多層感知器，用于對所述特征提取模塊得到的直接特征值和所述卷積和取樣模塊得到的內部特征值根據預定算法進行計算，得到分類結果。
9.根據權利要求8所述的裝置，其特征在于，還包括 噪聲層模塊，用于對分割后的心電圖的心電數據疊加隨機噪聲，并輸出給所述卷積和取樣模塊。
10.根據權利要求8所述的裝置，其特征在干， 所述特征提取模塊，根據所述R波的位置，確定設定數目的RR間期作為直接特征值。
全文摘要
本發明公開了一種心電圖分類處理方法。該方法包括獲取心電圖中的R波的位置；根據所述R波的位置，確定體現所述心電圖特征的直接特征值；將心電圖以R波位置為中心分割為不同數據段；對分割的數據段進行卷積和取樣，得到內部特征值；對所述直接特征值和所述內部特征值根據預定算法進行計算，得到分類結果。本發明相應提供一種心電圖分類處理裝置。本發明提供的技術方案能夠輸出更準確的心電圖分類結果。
文檔編號G06F19/00GK102779234SQ20121021734
公開日2012年11月14日 申請日期2012年6月28日 優先權日2012年6月28日
發明者張戰成, 朱洪海, 胡曉娟, 董軍 申請人:中國科學院蘇州納米技術與納米仿生研究所