About the work
método basado en deep learning para la clasificación de latidos maternos y fetales a partir de señales aECG de embarazadas, orientado a su implementación en hardware y compatible con entornos de edge computing. En particular, la invención utiliza un autoencoder convolucional unidimensional (1-D Convolutional Autoencoder) que permite detectar la presencia de latidos cardíacos en tiempo real sin necesidad de etapas previas de preprocesamiento para eliminar el ruido.
IPR-1192
Copyright registered declarations
Universidad de Granada
All exploitation rights - 95%
Todo el mundo
Consolidated inscription:
Copyright infringement notifications:
0
Contact
Servicio Andaluz de Salud
All exploitation rights - 5%
Todo el mundo
Consolidated inscription:
Copyright infringement notifications:
0
Contact
Consolidated inscription:
Copyright infringement notifications:
0
Contact
Consolidated inscription:
Copyright infringement notifications:
0
Contact
Consolidated inscription:
Copyright infringement notifications:
0
Contact
Consolidated inscription:
Copyright infringement notifications:
0
Contact
María Encarnación Castillo Morales
Consolidated inscription:
Copyright infringement notifications:
0
Contact
Consolidated inscription:
Copyright infringement notifications:
0
Contact
Diego Pedro Morales Santos
Consolidated inscription:
Copyright infringement notifications:
0
Contact
Almudena Rivadeneyra Torres
Consolidated inscription:
Copyright infringement notifications:
0
Contact
Consolidated inscription:
Copyright infringement notifications:
0
Contact
Notify irregularities in this registration
AI Availability Declaration
This work cannot be made available to AI systems.
Print work information
Work information
Title Clasificación de ECG Fetal y Materno a partir de electrocardiografía no invasiva y registros abdominales: método basado en deep learning, orientado a la aceleración por hardware y monitorización en tiempo real
método basado en deep learning para la clasificación de latidos maternos y fetales a partir de señales aECG de embarazadas, orientado a su implementación en hardware y compatible con entornos de edge computing. En particular, la invención utiliza un autoencoder convolucional unidimensional (1-D Convolutional Autoencoder) que permite detectar la presencia de latidos cardíacos en tiempo real sin necesidad de etapas previas de preprocesamiento para eliminar el ruido.
IPR-1192
Work type Software and Database designs
Tags deep learning, red neuronal convolucional (cnn), monitorización en tiempo real, electrocardiografía fetal, electrocardiografía no invasiva, edge computing
-------------------------
Registry info in Safe Creative
Identifier 2510173341827
Entry date Oct 17, 2025, 11:07 AM UTC
License All rights reserved
-------------------------
Copyright registered declarations
All exploitation rights 95.00 %. Holder Universidad de Granada. Date Oct 17, 2025. Geographic coverage: Todo el mundo.
All exploitation rights 5.00 %. Holder Servicio Andaluz de Salud. Date Oct 17, 2025. Geographic coverage: Todo el mundo.
Author 30.00 %. Holder Rubén Padial Allué. Date Oct 17, 2025.
Author 30.00 %. Holder Alberto Martín Martín. Date Oct 17, 2025.
Author 5.00 %. Holder Víctor Toral López. Date Oct 17, 2025.
Author 10.00 %. Holder Antonio García Ríos. Date Oct 17, 2025.
Author 5.00 %. Holder María Encarnación Castillo Morales. Date Oct 17, 2025.
Author 5.00 %. Holder Luis Parrilla Roure. Date Oct 17, 2025.
Author 5.00 %. Holder Diego Pedro Morales Santos. Date Oct 17, 2025.
Author 5.00 %. Holder Almudena Rivadeneyra Torres. Date Oct 17, 2025.
Author 5.00 %. Holder Olga Ocón Hernández. Date Oct 17, 2025.
Information available at https://www.safecreative.org/work/2510173341827-clasificacion-de-ecg-fetal-y-materno-a-partir-de-electrocardiografia-no-invasiva-y-registros-abdominales-metodo-basado-en-deep-learning-orientado-a-la-aceleracion-por-hardware-y-monitorizacion-en-tiempo-real
/
Registration: 2510173341827
