CN105825046B - 一种医疗数据的收集及处理方法及装置 - Google Patents
一种医疗数据的收集及处理方法及装置 Download PDFInfo
- Publication number
- CN105825046B CN105825046B CN201610140249.1A CN201610140249A CN105825046B CN 105825046 B CN105825046 B CN 105825046B CN 201610140249 A CN201610140249 A CN 201610140249A CN 105825046 B CN105825046 B CN 105825046B
- Authority
- CN
- China
- Prior art keywords
- data
- cloud server
- processor
- angle point
- collected
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G06F19/36—
Landscapes
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请提供一种医疗数据的收集及处理方法及装置，所述方法包括：步骤S1：数据采集终端建立数据库，对数据信息进行收集，并将其上传至云服务器的相应位置；S2：云服务器对数据采集终端进行数据的收集汇总，云服务器对收集到的数据进行聚类分析后，将数据存放在云服务器的相应位置；S3：数据用户端通过云服务器账户使用数据库的信息。所述医疗数据的收集及处理方法及装置使各项数据透明，便于数据的使用、分析、管理与监管。
Description
技术领域
本申请涉及一种医疗知识的收集处理方法，具体涉及一种医疗数据的收集及处理方法及装置。
背景技术
随着信息技术的高速发展，医疗机构、临床试验机构、药厂、医疗器械厂、药监局的发展也是日新月异，随之而来各种医疗数据也是迅速增多并膨胀，这些庞大的数据量对人类的数据驾驭能力提出了新的挑战，数据的有效共享成为了亟需解决的问题。
现有的数据模块比较分散，不能实现即时的数据对接，且各模块相互之间比较独立，数据不能共享，不能相互利用资源，数据检索、挖掘繁琐，检索效率低。
聚类技术是数据挖掘的关键手段，其任务是将主题内容相似的文本归为一类，而内容相异的文本相互分开。其中K-means算法是最经典的聚类算法之一，其简单快速且易于实现的特点使它成为文本数据挖掘中最常用的算法，然而，K-Means算法运行速度较慢，在运行之前需要设定K值的大小，不能区分不同维数的数据，亟需找到一种有效的方法使数据挖掘的效率和质量达到大大的提升。
发明内容
有鉴于此，本申请提供一种医疗数据的收集及处理方法，所述方法包括以下步骤：
步骤S1：数据采集终端建立数据库，对数据信息进行收集，并将其上传至云服务器的相应位置；
步骤S2：云服务器对数据采集终端进行数据的收集汇总，云服务器对收集到的数据进行聚类分析后，将数据存放在云服务器的相应位置；
步骤S3：数据用户端通过云服务器账户使用数据库的信息。
进一步，所述步骤S1包括如下子步骤：
步骤S101：数据采集终端建立相对应的数据库；
步骤S102：数据采集终端对数据信息进行收集、汇总；
步骤S103：数据采集终端将采集的数据信息上传至云服务器的相应位置。
进一步，所述步骤S102中子机构对医疗数据进行收集、汇总的方法包括：数据上传、传感器采集，所述传感器采集的信息为数据或图片。
进一步，所述步骤S2包括如下子步骤：
步骤S201：云服务器的处理器对数据采集终端进行数据的收集汇总；
步骤S202：云服务器的处理器对收集到的数据进行聚类分析；
步骤S203：云服务器将分析后的数据存放在存储器中。
进一步，所述步骤S202包括如下子步骤：
步骤S2021：云服务器的处理器对文本数据集进行采样；
步骤S2022：处理器将采样的文本数据生成亚簇；
步骤S2023：处理器对亚簇中心进行聚类；
步骤S2024：处理器确定文本数据集中非样本文档所属的簇。
本申请还提出一种医疗数据的收集及处理装置，所述收集及处理装置包括：
云服务器，用于数据的处理、存储、显示；
数据采集终端，用于数据信息的采集；
数据用户端，用于数据信息的使用。
进一步，所述装置的云服务器包括：存储器、处理器、显示器、通信装置、供电装置，所述存储器与所述处理器连接，所述显示器与所述处理器连接，所述通信装置与所述处理器连接，所述供电装置与所述处理器连接，
所述存储器用于医疗数据信息的存储；
所述处理器用于医疗数据信息的管理；
所述显示器用于医疗数据信息的显示；
所述通信装置用于所述云服务器与所述数据采集终端、数据用户端进行通信；
所述供电装置用于所述云服务器的供电运行。
进一步，所述显示器中的数据可以通过丰富的表现形式呈现给用户，所述表现形式为图谱、饼图、柱状图、折线图或表格。
进一步，所述数据采集终端包括电源、控制模块、存储模块、通信模块、传感器，所述电源与所述控制模块连接，所述存储模块与所述控制模块连接，所述通信模块与所述控制模块连接，所述传感器与所述控制模块连接。
进一步，所述传感器对图片提取时角点的极坐标的提取公式为：D(x，y)＝(x+a)2+(y+b)2，所述角点极坐标的提取，增加了图片的提取精度。
由以上技术方案可见，本申请具有以下的有益效果：
(1)对医疗大数据知识的管理和收集，构建云服务器，使不同机构可以同时共享大数据信息，提高医疗机构的诊疗质量、药品的研发进度，促进新型医疗器械的研发，将环境因素加入到大数据库中，将大数据与人们的生活环境统一起来，进行进一步地分析。
(2)本申请能够正确处理和获得数据集的最佳聚类数，同其他算法相比，具有较高的准确率和性能。
(3)本申请所使用的医疗数据的收集及处理方法及装置，可以大大减轻系统的运行负荷，提高了数据的搜索效率和检索质量，使各项数据更加透明、实现药品、医疗器械的高效监管。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1是本申请医疗数据的收集及处理装置的结构示意图。
图2是本申请云服务器的结构示意图。
图3是本申请数据采集终端的结构示意图。
图4是本申请医疗数据的收集及处理方法的流程图。
图5是本申请医疗数据的收集及处理方法的步骤1的方法流程图。
图6是本申请医疗数据的收集及处理方法的步骤2的方法流程图。
图7是本申请医疗数据的收集及处理方法的步骤3的方法流程图。
具体实施方式
为了使本领域的人员更好地理解本申请中的技术方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员所获得的所有其他实施例，都应当属于本申请保护的范围。
下面结合本申请附图进一步说明本申请具体实现。
本申请提出一种医疗数据的收集及处理装置，如图1所示，所述装置包括云服务器1、数据采集终端2、数据用户端3，所述云服务器1用于数据的处理、存储、显示，所述数据采集终端2用于数据信息的采集，所述数据用户端3用于数据信息的使用。
具体地，所述云服务器1，如图2所示，包括存储器11、处理器12、显示器13、通信装置14、供电装置15，所述存储器11与所述处理器12连接，所述显示器13与所述处理器12连接，所述通信装置14与所述处理器12连接，所述供电装置15与所述处理器12连接。所述存储器11用于医疗大数据信息的存储；所述处理器12用于医疗大数据信息的管理；所述显示器13用于医疗大数据信息的显示，所述通信装置14用于所述云服务器1与所述数据采集终端2、数据用户端3进行通信，所述供电装置15用于所述云服务器1的供电运行。所述处理器12对数据进行聚类分析时，先对文档集进行分词、向量化，得到特征集合，其次用特征提取算法从全部特征集中提取一个最优的特征子集，然后对特征提取后的特征向量进行微调，突出聚类重要词，最后进行聚类，聚类后得到聚类结果。
通过所述处理器12对数据的聚类分析，提高了数据的搜索效率和检索质量，使各项数据更加透明，实现药品、医疗器械的高效监管；
更具体地，所述显示器13中的数据可以通过丰富的表现形式呈现给用户，所述表现形式为图谱、饼图、柱状图、折线图或表格。
具体地，所述数据采集终端2，如图3所示，包括电源21、控制模块22、存储模块23、通信模块24、传感器25，所述电源21与所述控制模块22连接，所述存储模块23与所述控制模块22连接，所述存储模块23与所述控制模块22连接，所述通信模块24与所述控制模块22连接，所述传感器25与所述控制模块22连接。所述电源21用于数据采集终端2的供电运行；所述控制模块22用于数据采集终端2的信息处理；所述存储模块23用于数据采集终端2的信息存储；所述通信模块24用于所述数据采集终端2与所述云服务器1进行通信；所述传感器25用于信息的采集，所述信息包括传感器25采集的数据与图像。
所述数据采集终端2安放在医疗机构、临床试验机构、药厂、医疗器械厂、药监局、环境检测机构，将各个数据机构的数据组合在一起，形成一个大数据，便于数据的收集、汇总，使不同机构可以同时共享数据信息，提高医疗机构的诊疗质量、药品的研发进度，促进新型医疗器械的研发。与此同时，将环境因素加入到大数据库中，将大数据与人们的生活环境统一起来，进行进一步地分析；
更具体地，所述传感器25的类型可以为数据传感器，也可以为图像传感器等。
所述传感器25由检测器、中转器、发送器组成，所述检测器用于采集传感器数据，并将数据发送给中转器；所述中转器用于将接收到的传感器数据发送给发送器；所述发送器用于将接收到的数据发送给控制模块22,这种传感器的结构降低了传感器的功耗，避免了数据拥堵的现象发生。
所述传感器25为图像传感器时，传感器25将取得的图像划分成4×4的像素块，在16×16邻域范围内读取待检测角点的图像。
由对图片提取角点的极坐标的提取公式为D(x，y)＝(x+a)2+(y+b)2，所述角点极坐标的提取，增加了图片的提取精度。其中a为提取角点离标准像素块的横向距离，b为提取角点离标准像素块的垂向距离；
提取待检测角点图像的方法的步骤为：
步骤T1：读取待检测角点的图像；
步骤T2：在邻域内利用灰色关联度筛选出待检测角点；
步骤T3：提取角点的亚像素极坐标。
采用这种方式对角点的亚像素极坐标进行提取，图像的亮度、尺度和旋转变化时，其亚像素极坐标的提取精度高，数据的准确性高。
具体地，所述数据用户端3，用于数据信息的使用。所述数据用户端3通过网络协议与云服务器1进行连接，进行数据的搜索。
更具体地，所述数据用户端3进行数据信息读取的方法的步骤为：
步骤R1：数据用户端3安装与云服务器1相应的客户端软件；
步骤R2：用户进入客户端软件，进行账号注册；
步骤R3：用户在客户端界面进行数据搜索。
本申请还提出一种医疗数据的收集及处理方法，如图4所示，所述方法包括以下步骤：
步骤S1：数据采集终端2建立数据库，对数据信息进行收集，并将其上传至云服务器1的相应位置；
具体地，所述数据采集终端2包括：
医疗机构，所述医疗机构建立电子病历数据库，所述医疗机构包括医院、卫生院、疗养院、门诊部、诊所、卫生室、急救站；
临床试验机构，所述临床试验机构建立试验数据库，记录新研发药品、器械的临床反应；
药厂，所述药厂建立药品数据库；
医疗器械厂，所述医疗器械厂建立医疗器械数据库；
药监局，所述药监局建立监管信息数据库，记录药品、医疗器械的监管信息以及对其生产常见、流通企业、使用单位的监管；
环境监测机构，在城市设置环境监测机构，对城市所在地的空气温度、大气压、相对湿度、风向、风速、降雨量、降雨强度、CO2浓度、pm2.5进行监测。
更具体地，所述步骤S1，如图5所示，包括如下子步骤：
步骤S101：数据采集终端2建立相对应的数据库；
步骤S102：数据采集终端2对数据信息进行收集、汇总；
所述数据采集终端对医疗数据信息进行收集、汇总的方法包括：数据上传、传感器采集，所述传感器采集的信息为数据或图片。
步骤S103：数据采集终端2将采集的数据信息上传至云服务器1的相应位置；
所述数据采集终端2将采集的数据信息上传至云服务器1的存储器11内。
步骤S2：云服务器1对数据采集终端2进行数据的收集汇总，云服务器1对收集到的数据进行聚类分析后，将数据存放在云服务器1的相应位置；
具体地，所述步骤S2，如图6所示，包括如下子步骤：
步骤S201：云服务器1的处理器12对数据采集终端2进行数据的收集汇总；
更具体地，所述云服务器1对数据采集终端2进行数据的收集汇总时，处理器12对文本数据进行预处理，所述预处理的步骤包括：
步骤S2011：处理器12将文档集分词、向量化，得到特征集合；
更具体地，所述将文档集分词、向量化，得到特征集合的方法为逆向最大匹配法进行分词处理，以便得到特征集合；
步骤S2012：处理器12用特征提取算法根据特征评价函数，从全部特征集中提取一个最优的特征子集；
更具体地，所述用特征提取算法根据特征评价函数，从全部特征集中提取一个最优的特征子集的原则是：不保留在文档集中出现的特别少的词；不保留在文档集中分布很均匀的词；
步骤S2013：处理器12对特征提取后的特征向量进行微调，突出聚类重要词；
更具体地，所述对特征提取后的特征向量进行微调，突出聚类重要词的方法为按照一定比例提高聚类重要词的比例。
步骤S202：云服务器1的处理器12对收集到的数据进行聚类分析；
更具体地，所述步骤S202包括如下子步骤：
步骤S2021：云服务器1的处理器12对文本数据集进行采样；
所述采样的数据为从原本的文本数据集中随机抽取的中等规模的样本，能够保持原始数据集中的各簇的几何形状；
步骤S2022：处理器12将采样的文本数据生成亚簇；
所述生成亚簇的方法为将数据集聚类成若干亚簇，所述亚簇内各文档数据集的相似度大，所述亚簇中的文档属于同一个簇，所述生成若干亚簇的算法为single-pass算法；
步骤S2023：处理器12对亚簇中心进行聚类；
所述处理器12对亚簇中心进行聚类时，所述聚类时产生的亚簇中心使用基于相似度的密度聚类算法similarity-based density clustering聚类。
步骤S2024：处理器12确定文本数据集中非样本文档数据所属的簇。
所述确定数据文本集中非样本文档数据所属的簇的方法为簇函数，所属簇函数用于确定所述文本数据集属于亚簇还是噪声。
所述处理器12对文本数据集进行采样的时间复杂度为O(kt)，所述k为文本数据属于某个簇的概率，t为簇的个数；所述处理器12根据single-pass算法判断每个样本所属的亚簇，其时间复杂度为O(sn)，s为样本大小，n为最终亚簇数目；处理器12对亚簇中心数据进行聚类的时间复杂度为O(n2)，此时处理器12对每个亚簇中心进行判定，判断其与其他亚簇中心的相似度；处理器12确定文本数据中非样本文档数据所述的簇的时间复杂度为O((N-s)n)，N为整个数据集中的对象数，整个处理过程中的时间复杂度为O(kt+sn+n2+(N-s)n)，即为O(kt+(N+n)n)，一般情况下，0＜k＜1，N＞＞t，N＞＞n，若未对收集到的数据进行如上所述的聚类分析，其时间复杂度为O(N)，采用这种聚类分析的方法，处理器12对医疗数据处理的时间复杂度大大降低，提高了数据的搜索效率和检索质量；
步骤S203：云服务器1将分析后的数据存放在存储器11中。
步骤S3：数据用户端3通过云服务器1账户使用数据库的信息。
具体地，所述步骤S3，如图7所示，包括如下步骤：
步骤R1：数据用户端3安装与云服务器1相应的客户端软件；
步骤R2：用户进入客户端软件，进行账号注册；
更具体地，若用户使用过客户端软件，则在下次使用时，仅需登陆账号即可使用数据库的信息；
步骤R3：用户在客户端界面进行数据搜索；
更具体地，用户在客户端界面进行数据搜索时，所述显示器13中的数据信息可以通过丰富的表现形式呈现给用户，所述表现形式为图谱、饼图、柱状图、折线图或表格。
本申请通过对医疗大数据信息的管理和收集，建立云服务器，使不同数据用户端可以同时共享大数据信息，提高了医疗机构的诊疗质量、药品的研发进度，促进了新型医疗器械的研发，将环境因素加入到大数据库中，将大数据与人们的生活环境统一起来，进行进一步地分析。
本申请通过对数据信息的聚类，提高了数据的搜索效率和检索质量，使各项数据更加透明，实现了药品、医疗器械的高效监管。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
Claims (5)
1.一种医疗数据的收集及处理方法，其特征在于所述方法包括以下步骤：
步骤S1：数据采集终端建立数据库，对数据信息进行收集，并将其上传至云服务器的相应位置；
步骤S2：云服务器对数据采集终端进行数据的收集汇总，云服务器对收集到的数据进行聚类分析后，将数据存放在云服务器的相应位置；
步骤S3：数据用户端通过云服务器账户使用数据库的信息；
所述步骤S2包括如下子步骤：
步骤S201：云服务器的处理器对数据采集终端进行数据的收集汇总；
步骤S202：云服务器的处理器对收集到的数据进行聚类分析；
步骤S203：云服务器将分析后的数据存放在存储器中；
所述步骤S201中收集的数据是图像信息时，将取得的图像划分成像素块，在邻域范围内读取待检测角点的图像；
并按照以下步骤提取待检测角点的图像的坐标：
步骤T1：读取待检测角点的图像；
步骤T2：在邻域内利用灰色关联度筛选出待检测角点；
步骤T3：提取角点的亚像素极坐标；
其中按照下述公式提取角点的极坐标：D(x，y)＝(x+a)2+(y+b)2，a为提取角点离标准像素块的横向距离，b为提取角点离标准像素块的垂向距离；
所述步骤S202包括如下子步骤：
步骤S2021：云服务器的处理器对文本数据集进行采样；
步骤S2022：处理器将采样的文本数据生成亚簇；
步骤S2023：处理器对亚簇中心进行聚类；
步骤S2024：处理器确定文本数据集中非样本文档所属的簇；
云服务器的处理器对收集到的数据进行聚类分析的时间复杂度为O(kt+(N+n)n)，其中，k为文本数据属于某个簇的概率，t为簇的个数，N为整个数据集中的对象数，n为最终亚簇数目。
2.如权利要求1所述的医疗数据的收集及处理方法，其特征在于所述步骤S1包括如下子步骤：
步骤S101：数据采集终端建立相对应的数据库；
步骤S102：数据采集终端对数据信息进行收集、汇总；
步骤S103：数据采集终端将采集的数据信息上传至云服务器的相应位置。
3.如权利要求2所述的医疗数据的收集及处理方法，其特征在于所述步骤S102中子机构对医疗数据进行收集、汇总的方法包括：数据上传、传感器采集，所述传感器采集的信息为数据或图片。
4.一种医疗数据的收集及处理装置，其特征在于所述收集及处理装置包括：
云服务器，用于数据的处理、存储、显示；
数据采集终端，用于数据信息的采集；
数据用户端，用于数据信息的使用；
所述装置的云服务器包括：存储器、处理器、显示器、通信装置、供电装置，所述存储器与所述处理器连接，所述显示器与所述处理器连接，所述通信装置与所述处理器连接，所述供电装置与所述处理器连接；
所述存储器用于医疗数据信息的存储；
所述处理器用于医疗数据信息的管理；所述处理器还用于对数据采集终端进行数据的收集汇总，对收集到的数据进行聚类分析；
即处理器对文本数据集进行采样，将采样的文本数据生成亚簇，并对亚簇中心进行聚类；确定文本数据集中非样本文档所属的簇；云服务器的处理器对收集到的数据进行聚类分析的时间复杂度为O(kt+(N+n)n)，其中，k为文本数据属于某个簇的概率，t为簇的个数，N为整个数据集中的对象数，n为最终亚簇数目；
所述显示器用于医疗数据信息的显示；
所述通信装置用于所述云服务器与所述数据采集终端、数据用户端进行通信；
所述供电装置用于所述云服务器的供电运行；
所述数据采集终端包括电源、控制模块、存储模块、通信模块、传感器，所述电源与所述控制模块连接，所述存储模块与所述控制模块连接，所述通信模块与所述控制模块连接，所述传感器与所述控制模块连接；
所述传感器为图像传感器时，将取得的图像划分成像素块，在邻域范围内读取待检测角点的图像；
并按照以下步骤提取待检测角点的图像的坐标：
步骤T1：读取待检测角点的图像；
步骤T2：在邻域内利用灰色关联度筛选出待检测角点；
步骤T3：提取角点的亚像素极坐标；
其中按照下述公式提取角点的极坐标：D(x，y)＝(x+a)2+(y+b)2，a为提取角点离标准像素块的横向距离，b为提取角点离标准像素块的垂向距离；所述角点极坐标的提取，增加了图片的提取精度。
5.如权利要求4所述的医疗数据的收集及处理装置，其特征在于所述显示器中的数据可以通过丰富的表现形式呈现给用户，所述表现形式为图谱、饼图、柱状图、折线图或表格。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610140249.1A CN105825046B (zh) | 2016-03-13 | 2016-03-13 | 一种医疗数据的收集及处理方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610140249.1A CN105825046B (zh) | 2016-03-13 | 2016-03-13 | 一种医疗数据的收集及处理方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105825046A CN105825046A (zh) | 2016-08-03 |
| CN105825046B true CN105825046B (zh) | 2017-07-25 |
Family
ID=56987704
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610140249.1A Active CN105825046B (zh) | 2016-03-13 | 2016-03-13 | 一种医疗数据的收集及处理方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105825046B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107945853B (zh) * | 2016-10-09 | 2022-02-18 | 四川智康科技有限责任公司 | 一种基于元数据的医疗质量上报系统 |
| CN106503453A (zh) * | 2016-11-02 | 2017-03-15 | 河南智业科技发展有限公司 | 基于云服务的医疗管理系统 |
| CN110021386B (zh) * | 2017-07-27 | 2023-06-23 | 北大医疗信息技术有限公司 | 特征提取方法及特征提取装置、设备、存储介质 |
| CN108021907A (zh) * | 2017-12-27 | 2018-05-11 | 上海小蚁科技有限公司 | 目标对象的传感器数据搜索方法及装置、存储介质、终端 |
| CN110807449A (zh) * | 2020-01-08 | 2020-02-18 | 杭州皓智天诚信息科技有限公司 | 一种科技项目申报线上服务终端 |
| CN112151134B (zh) * | 2020-09-11 | 2021-10-01 | 哈尔滨灵迅医药科技有限公司 | 一种基于大数据模型的临床研究数据管理平台及方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102917038A (zh) * | 2012-10-10 | 2013-02-06 | 江苏物联网研究发展中心 | 基于云计算的医疗物联网远程服务系统 |
| CN105373704A (zh) * | 2015-12-02 | 2016-03-02 | 济南市儿童医院 | 一种基于云计算的临床路径管理系统及其方法 |
| CN105389482A (zh) * | 2015-09-28 | 2016-03-09 | 深圳华大基因科技服务有限公司 | 一种基于云平台的大数据分析方法 |
-
2016
- 2016-03-13 CN CN201610140249.1A patent/CN105825046B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102917038A (zh) * | 2012-10-10 | 2013-02-06 | 江苏物联网研究发展中心 | 基于云计算的医疗物联网远程服务系统 |
| CN105389482A (zh) * | 2015-09-28 | 2016-03-09 | 深圳华大基因科技服务有限公司 | 一种基于云平台的大数据分析方法 |
| CN105373704A (zh) * | 2015-12-02 | 2016-03-02 | 济南市儿童医院 | 一种基于云计算的临床路径管理系统及其方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105825046A (zh) | 2016-08-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105825046B (zh) | 一种医疗数据的收集及处理方法及装置 | |
| Cao et al. | Enhancing remote sensing image retrieval using a triplet deep metric learning network | |
| Montini et al. | Trip purpose identification from GPS tracks | |
| CN103995889A (zh) | 图片分类方法及装置 | |
| CN102663435B (zh) | 基于半监督的垃圾图片过滤方法 | |
| CN110020714B (zh) | 模型训练及数据分析方法、装置、设备以及存储介质 | |
| Zhao et al. | Scene classification via latent Dirichlet allocation using a hybrid generative/discriminative strategy for high spatial resolution remote sensing imagery | |
| Wan et al. | Life-space characterization from cellular telephone collected GPS data | |
| CN105718873A (zh) | 基于双目视觉的人流分析方法 | |
| CN103279760B (zh) | 一种植物检疫幼虫实时分类方法 | |
| CN111325153B (zh) | 一种基于多维数据的学生行为特征智能分析方法 | |
| CN107203761B (zh) | 基于高分辨率卫星影像的道路宽度估计方法 | |
| CN104156729B (zh) | 一种教室人数统计方法 | |
| CN108565017A (zh) | 一种宫颈病变的临床决策系统及其方法 | |
| Li et al. | Vehicle detection in remote sensing images using denoizing-based convolutional neural networks | |
| Agarwal et al. | Detection of potential mosquito breeding sites based on community sourced geotagged images | |
| Chen et al. | Learning a two-stage CNN model for multi-sized building detection in remote sensing images | |
| CN114399634B (zh) | 基于弱监督学习的三维图像分类方法、系统、设备及介质 | |
| Wan et al. | Addressing location uncertainties in GPS‐based activity monitoring: A methodological framework | |
| CN109086794A (zh) | 一种基于t-lda主题模型的驾驶行为模式识方法 | |
| CN108304889A (zh) | 一种基于深度学习的全数字乳腺成像图像放射组学方法 | |
| Miao et al. | Integration of satellite images and open data for impervious surface classification | |
| CN104537392B (zh) | 一种基于判别性语义部件学习的对象检测方法 | |
| CN104268214B (zh) | 一种基于微博用户关系的用户性别识别方法及系统 | |
| CN110837859A (zh) | 一种融合多维度医疗数据的肿瘤精细分类系统及方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |