CN109192315B - 基于加权核回归和封装式偏差搜索的综合年龄检测系统 - Google Patents

基于加权核回归和封装式偏差搜索的综合年龄检测系统 Download PDF

Info

Publication number
CN109192315B
CN109192315B CN201810655429.2A CN201810655429A CN109192315B CN 109192315 B CN109192315 B CN 109192315B CN 201810655429 A CN201810655429 A CN 201810655429A CN 109192315 B CN109192315 B CN 109192315B
Authority
CN
China
Prior art keywords
age
sample
module
pathological
samples
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
Application number
CN201810655429.2A
Other languages
English (en)
Other versions
CN109192315A (zh
Inventor
李勇明
肖洁
王品
郑源林
颜芳
李新科
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University
Original Assignee
Chongqing University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chongqing University filed Critical Chongqing University
Priority to CN201810655429.2A priority Critical patent/CN109192315B/zh
Publication of CN109192315A publication Critical patent/CN109192315A/zh
Application granted granted Critical
Publication of CN109192315B publication Critical patent/CN109192315B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Public Health (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Pure & Applied Mathematics (AREA)
  • Operations Research (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Pathology (AREA)
  • Artificial Intelligence (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

本发明提供了一种基于加权核回归和封装式偏差搜索的综合年龄检测系统，其特征在于包括：数据采集设备、实际年龄输入设备、存储器、预处理模块、特征压缩模块、传统年龄估计模块、病理年龄估计模块、加权核回归模块以及结果输出模块。其效果是：该系统克服了传统年龄估计方法与病理年龄估计方法的不足，在提高估计年龄分类能力同时有效地控制了正常人的实际年龄估计误差。整个框架算法原理明确，实现方便，对健康人或病人的年龄及健康状态的探测更具有科学依据，可靠度高，可行性强。

Description

基于加权核回归和封装式偏差搜索的综合年龄检测系统
技术领域
本发明涉及生物医学电子中的信息检测技术，属于生物信息检测与人工智能的交叉技术，具体涉及一种基于加权核回归和封装式偏差搜索的综合年龄检测系统。
背景技术
医疗数据中蕴含着许多非常有价值的信息资源，这些资源对于相关病例的诊疗以及医学方面的研究发展都具有非常重要的意义。医疗数据挖掘用于年龄检测和分类诊断已被证明是一种有效方式。研究表明，年龄与疾病发生发展过程有着紧密联系。年龄是一种高质量的特征，其可以深度刻画疾病状态和变化过程，具有全局性、深刻性、稳定性等优点，是潜在的高效标记物，目前已成为研究热点。
目前通过医疗数据挖掘估计年龄信息实现疾病检测和诊断已取得了一定成效，现有技术主要是传统年龄估计方法与病理年龄估计方法两种，但是这些方法都存在一定问题。传统年龄估计方法存在以下问题：1)训练回归模型的过程中未利用疾病患者样本；2)估计年龄随着疾病状态的不同而改变，实际年龄与估计年龄之间的偏差也因疾病的状态不同而改变，因此将实际年龄作为训练标签是不合理的；3)直接通过最小化误差函数MAE搜索最优检测模型。MAE是指估计年龄与实际年龄之间的平均绝对误差，最小化MAE就是使估计年龄逼近实际年龄。因此，传统年龄估计方法不利于提高估计年龄的分类能力，而病理年龄估计方法未考虑对正常人实际年龄估计误差的控制。
现有技术无法兼顾估计提高年龄分类能力与有效控制正常人实际年龄估计误差这个两个指标，存在对估计年龄指标考虑不足的问题。
发明内容
本申请通过提供一种加权核回归和封装式偏差搜索的综合年龄检测系统，解决现有的技术无法兼顾估计提高年龄分类能力与有效控制正常人实际年龄估计误差的问题。
为达到上述目的，本发明采用的技术方案如下：
一种基于加权核回归和封装式偏差搜索的综合年龄检测系统，其关键在于包括：
数据采集设备：用于采集医疗数据，并将采集到的医疗数据输入到存储器中；
实际年龄输入设备：用于输入实际年龄信息到存储器中；
存储器：用于存储样本数据库；
预处理模块：从存储器的各个数据库中获取医疗数据并进行数据清洗；
特征压缩模块：对数据进行压缩，去掉冗余特征；
传统年龄估计模块：基于正常人样本建立回归模型，训练标签为实际年龄，通过最小化估计年龄和实际年龄差异进行模型训练；
病理年龄估计模块：基于所有类别样本建立回归模型，引入年龄偏差表征病理年龄和实际年龄差异，训练标签为实际年龄加年龄偏差，通过最大化分类准确率来搜索最优年龄偏差，并将得到的最优年龄偏差封装至病理年龄估计模型中；
加权核回归模块：用于对传统年龄估计模块输出传统年龄和病理年龄估计模块输出的病理年龄进行加权集成，得到综合年龄检测结果；
结果输出模块：用于输出所述综合年龄检测结果。
进一步地，所述存储器中设有PA样本数据库、NC样本数据库以及待测样本数据库；
所述PA样本数据库：用于存储疾病患者医疗数据和对应的实际年龄信息；
所述NC样本数据库：用于存储正常人的医疗数据和对应的实际年龄信息；
所述待测样本数据库：用于存储未确诊对象的医疗数据和对应的实际年龄信息；
当然，也可以增加NC和PA之间的过渡状态，则病理年龄检测中的分类问题则从二分类转化为多分类，后续的年龄偏差参数则由2个转为多个。
进一步地，所述预处理模块从存储器的各个数据库中获取医疗数据，通过数据清洗手段删除重复信息、纠正错误并提供数据一致性，得到最终的有效医学特征。
进一步地，所述传统年龄估计模块和所述病理年龄估计模块中回归模型均采用SVR模型。
进一步地，所述病理年龄估计模块中回归器的适应度函数值由年龄估计值的可分度距离或相关性系数值来表征。
进一步地，所述病理年龄估计模块先利用PA样本数据库和NC样本数据库中的数据进行训练，设定正常人的年龄偏差p在(pmin,pmax)范围内变化，疾病患者的年龄偏差q在(qmin,qmax)范围内变化，p，q的变化步径为Δ，Δ≤1，选定训练样本和验证样本，将训练样本的医学特征和实际年龄加上偏差作为SVR模型输入，获得训练后的SVR模型，保存SVR模型参数；基于训练后的SVR模型和验证样本，输出验证样本的年龄估计值，根据验证样本年龄估计值计算适应度函数值，保存该适应度函数值及对应的偏差组合(p,q)；通过在(pmin,pmax)和(qmin,qmax)范围内按预设步进轮询，寻找所有(p,q)组合中适应度函数值最大值，得到全局最优的模型参数和年龄偏差组合(popt,qopt)，从而得到最佳病理年龄估计模型。
若分类数不是正常人与病人的两分类问题，而是多分类问题的话，年龄偏差参数则由(p,q)参数变为多个参数。
进一步地，所述可分度距离计算方式为
Figure GDA0002608421470000041
其中：
Figure GDA0002608421470000042
是第一类样本估计年龄均值，
Figure GDA0002608421470000043
是第二类样本估计年龄均值，
Figure GDA0002608421470000044
是所有样本估计年龄均值，
Figure GDA0002608421470000045
是第一类样本集合中第j个样本的估计年龄，
Figure GDA0002608421470000046
是第二类样本集合中第k个样本的估计年龄，P1是第一类样本数目与总样本数目的比值，P2是第二类样本数目与总样本数目的比值，N1是第一类样本的数量，N2是第二类样本数量；
所述相关性系数的计算方式为
Figure GDA0002608421470000047
各个变量计算方式为：
Figure GDA0002608421470000048
其中：
Figure GDA0002608421470000049
是第j个样本的估计年龄，
Figure GDA00026084214700000410
表示N个样本估计年龄的平均值，lj是第j个样本的真实年龄，
Figure GDA00026084214700000411
表示N个样本真实年龄的平均值，N为样本数量。
进一步地，所述加权核回归模型是传统年龄估计模块和病理年龄估计模块的凸组合，即传统年龄的权重w1范围从0到1，病理年龄的权重w2范围从1到0，约束为w1+w2＝1。其表示式如下。
yIAE(w1,w2)＝w1yTAE+w2yPAE
其中，yTAE表示传统年龄估计值，yPAE为根据可分度准则1或2的病理年龄估计值。
与现有技术相比，本发明具有的技术效果或优点是：
充分利用医疗数据中蕴含着的信息资源，结合实际年龄信息，基于可分度距离与相关性系数对传统年龄估计模型与病理年龄估计模型进行训练、优化，并将传统年龄估计模型与病理年龄估计模型加权融合，所得综合年龄检测模型能够有效估计被测对象的综合年龄。整个系统原理简单，实现方便，对疾病的探测更具有科学依据，可靠度高，可行性强。
附图说明
图1为本发明的系统原理框图；
图2为基于封装式年龄偏差搜索的病理年龄估计模块的流程图。
具体实施方式
下面结合附图及具体实施例对本发明的工作原理和显著效果作进一步说明。
如图1-图2所示，一种基于加权核回归和封装式偏差搜索的综合年龄检测系统，包括：
数据采集设备：用于采集医疗数据，并将采集到的医疗数据输入到存储器中；
实际年龄输入设备：用于输入实际年龄信息到存储器中；
存储器：用于存储样本数据库，本实施例中的存储器中设有PA样本数据库、NC样本数据库以及待测样本数据库；所述PA样本数据库：用于存储疾病患者医疗数据和对应的实际年龄信息；
所述NC样本数据库：用于存储正常人的医疗数据和对应的实际年龄信息；
所述待测样本数据库：用于存储未确诊对象的医疗数据和对应的实际年龄信息；
预处理模块：从存储器的各个数据库中获取医疗数据并进行数据清洗；
特征压缩模块：对数据进行压缩，去掉冗余特征；
传统年龄估计模块：基于正常人样本建立回归模型，训练标签为实际年龄，通过最小化估计年龄和实际年龄差异进行模型训练；
病理年龄估计模块：基于所有类别样本建立回归模型，引入年龄偏差表征病理年龄和实际年龄差异，训练标签为实际年龄加年龄偏差，通过最大化分类准确率来搜索最优年龄偏差，并将得到的最优年龄偏差封装至病理年龄估计模型中；
加权核回归模块：用于对传统年龄估计模块输出传统年龄和病理年龄估计模块输出的病理年龄进行加权集成，得到综合年龄检测结果；
结果输出模块：用于输出所述综合年龄检测结果。
以心脏综合年龄估计为例，在存储器中存储了274例样本，其中，PA样本数据库中有90例确认为心脏病患者的心脏医疗数据和对应的实际年龄，随机选取45例为训练样本，剩余45例为验证样本；NC样本数据库中有90正常人的心脏医疗数据和对应的实际年龄，随机选取45例为训练样本，剩余45例为验证样本；待测样本数据库中有94例样本作为测试样本，其中有47例心脏病患者的心脏医疗数据和对应的实际年龄，47例正常人的心脏医疗数据和对应的实际年龄。
由于医疗数据或来自医院或来自公共数据库或来自自己采集的心脏医疗数据，因此可能会存在大部分重复信息或一些不重要的数据，而心脏病变的主要体现在静息血压(mmHg)、血清胆固醇含量(mg/dl)、最大心率(次/分钟)、通过透视着色的主要血管(0-3)的数量等12个特征上，具体信息可见表1。因此，该系统中的预处理模块主要对获取到的医疗数据进行数据清洗，留下这12个特征，组成一个12维的特征向量。
采用特征压缩算法可去掉12维的特征向量中的冗余信息。为方便，本实施例采用无特征压缩。
表1.心脏医疗数据的12个主要特征
Figure GDA0002608421470000071
本实施例采用SVR模型作为回归模型进行心脏综合年龄估计，核函数采用线性核函数。
传统年龄估计模块，利用预处理后的PA样本数据库和NC样本数据库中的正常人医疗数据进行训练，训练标签为实际年龄，通过最小化估计年龄和实际年龄差异进行模型训练，得到最佳传统年龄估计模型。
利用PA样本数据库和NC样本数据库中的数据进行训练，设定正常人的年龄偏差p在(pmin,pmax)为[-10,10]范围内变化，疾病患者的年龄偏差q在(qmin,qmax)为[-10,10]范围内变化，p，q的变化步径为Δ，Δ＝1。选定训练样本和验证样本，将训练样本的医学特征和实际年龄加上偏差作为SVR模型输入，获得训练后的SVR模型，保存SVR模型参数；基于训练后的SVR模型和验证样本，输出验证样本的年龄估计值，根据验证样本年龄估计值计算适应度函数值，保存该适应度函数值及对应的偏差组合(p,q)；通过在(pmin,pmax)和(qmin,qmax)范围内按预设步进轮询，寻找所有(p,q)组合中适应度函数值最大值，得到全局最优的模型参数和年龄偏差组合(popt,qopt)，基于可分度距离评价准则
Figure GDA0002608421470000081
得到的(popt,qopt)为(-7.7,7.67)；基于相关性系数评价准则
Figure GDA0002608421470000082
得到的(popt,qopt)为(-7.63,7.73)，从而得到最佳病理年龄估计模型。
加权核回归模块将传统年龄估计模型和病理年龄估计模型进行加权融合，TAE的权重w1范围从0到1，PAE的权重w2范围从1到0，约束为w1+w2＝1；将传统年龄检测模块与病理年龄检测模块得到的估计年龄输入加权核回归模块；基于即满足正常人实际年龄估计误差无显著增大甚至降低又满足估计年龄分类能力显著提高双重条件，搜索最优权重组合(w1,w2)，最终得到综合年龄估计值。表2列出了最优权重组合(w1,w2)。注：TAE为传统年龄检测方法，IAE为本专利所述加权综合年龄检测方法。
表2.实验结果对比
Figure GDA0002608421470000083
如表2所示，本方法获得5个加权综合年龄。这些综合年龄对于传统方法检测的年龄来说，具有如下优点：1)对于两种分类评价准则来说，本专利检测的综合年龄都要更优(对于λ1，均大于0.3216；对于λ2，均大于0.4802)，且具有显著性差异水平(p<0.05)。2)针对健康人的年龄估计偏差来说，本专利检测的综合年龄大部分情况下要比传统方法更优，无显著性差异水平(p>0.05)。3)本专利可以通过调节权重，获得更有利于满足检测需求的检测年龄，具有更好的灵活性。
应当指出的是，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的普通技术人员在本发明的实质范围内所做出的变化、改性、添加或替换，也应属于本发明的保护范围。

Claims (6)

1.一种基于加权核回归和封装式偏差搜索的综合年龄检测系统，其特征在于包括：
数据采集设备：用于采集医疗数据，并将采集到的医疗数据输入到存储器中；
实际年龄输入设备：用于输入实际年龄信息到存储器中；
存储器：用于存储样本数据库；
预处理模块：从存储器的各个数据库中获取医疗数据并进行数据清洗；
特征压缩模块：对数据进行压缩，去掉冗余特征；
传统年龄估计模块：基于正常人样本建立回归模型，训练标签为实际年龄，通过最小化估计年龄和实际年龄差异进行模型训练；
病理年龄估计模块：基于所有类别样本建立回归模型，引入年龄偏差表征病理年龄和实际年龄差异，训练标签为实际年龄加年龄偏差，通过最大化分类准确率来搜索最优年龄偏差，并将得到的最优年龄偏差封装至病理年龄估计模型中；
加权核回归模块：用于对传统年龄估计模块输出传统年龄和病理年龄估计模块输出的病理年龄进行加权集成，得到综合年龄检测结果；
结果输出模块：用于输出所述综合年龄检测结果；
所述存储器中设有PA样本数据库、NC样本数据库以及待测样本数据库；
所述PA样本数据库：用于存储疾病患者医疗数据和对应的实际年龄信息；
所述NC样本数据库：用于存储正常人的医疗数据和对应的实际年龄信息；
所述待测样本数据库：用于存储未确诊对象的医疗数据和对应的实际年龄信息；
所述病理年龄估计模块先利用PA样本数据库和NC样本数据库中的数据进行训练，设定正常人的年龄偏差p在(pmin,pmax)范围内变化，疾病患者的年龄偏差q在(qmin,qmax)范围内变化，p，q的变化步径为Δ，Δ≤1，选定训练样本和验证样本，将训练样本的医学特征和实际年龄加上偏差作为SVR模型输入，获得训练后的SVR模型，保存SVR模型参数；基于训练后的SVR模型和验证样本，输出验证样本的年龄估计值，根据验证样本年龄估计值计算适应度函数值，保存该适应度函数值及对应的偏差组合(p,q)；通过在(pmin,pmax)和(qmin,qmax)范围内按预设步进轮询，寻找所有(p,q)组合中适应度函数值最大值，得到全局最优的模型参数和年龄偏差组合(popt,qopt)，从而得到最佳病理年龄估计模型。
2.根据权利要求1所述的基于加权核回归和封装式偏差搜索的综合年龄检测系统，其特征在于，所述预处理模块从存储器的各个数据库中获取医疗数据，通过数据清洗手段删除重复信息、纠正错误并提供数据一致性，得到最终的有效医学特征。
3.根据权利要求1所述的基于加权核回归和封装式偏差搜索的综合年龄检测系统，其特征在于，所述传统年龄估计模块和所述病理年龄估计模块中回归模型均采用SVR模型。
4.根据权利要求1所述的基于加权核回归和封装式偏差搜索的综合年龄检测系统，其特征在于，所述病理年龄估计模块中回归器的适应度函数值由年龄估计值的可分度距离或相关性系数值来表征。
5.根据权利要求4所述的基于加权核回归和封装式偏差搜索的综合年龄检测系统，其特征在于，所述可分度距离计算方式为
Figure FDA0002608421460000021
其中：
Figure FDA0002608421460000031
Figure FDA0002608421460000032
是第一类样本估计年龄均值，
Figure FDA0002608421460000033
是第二类样本估计年龄均值，
Figure FDA0002608421460000034
是所有样本估计年龄均值，
Figure FDA0002608421460000035
是第一类样本集合中第j个样本的估计年龄，
Figure FDA0002608421460000036
是第二类样本集合中第k个样本的估计年龄，P1是第一类样本数目与总样本数目的比值，P2是第二类样本数目与总样本数目的比值，N1是第一类样本的数量，N2是第二类样本数量；
所述相关性系数的计算方式为
Figure FDA0002608421460000037
各个变量计算方式为：
Figure FDA0002608421460000038
其中：
Figure FDA0002608421460000039
是第j个样本的估计年龄，
Figure FDA00026084214600000310
表示N个样本估计年龄的平均值，lj是第j个样本的真实年龄，
Figure FDA00026084214600000311
表示N个样本真实年龄的平均值，N为样本数量。
6.根据权利要求1所述的基于加权核回归和封装式偏差搜索的综合年龄检测系统，其特征在于，所述加权核回归模型是传统年龄估计模块和病理年龄估计模块的凸组合，即传统年龄的权重w1范围从0到1，病理年龄的权重w2范围从1到0，约束为w1+w2＝1。
CN201810655429.2A 2018-06-23 2018-06-23 基于加权核回归和封装式偏差搜索的综合年龄检测系统 Active CN109192315B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810655429.2A CN109192315B (zh) 2018-06-23 2018-06-23 基于加权核回归和封装式偏差搜索的综合年龄检测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810655429.2A CN109192315B (zh) 2018-06-23 2018-06-23 基于加权核回归和封装式偏差搜索的综合年龄检测系统

Publications (2)

Publication Number Publication Date
CN109192315A CN109192315A (zh) 2019-01-11
CN109192315B true CN109192315B (zh) 2020-10-20

Family

ID=64948765

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810655429.2A Active CN109192315B (zh) 2018-06-23 2018-06-23 基于加权核回归和封装式偏差搜索的综合年龄检测系统

Country Status (1)

Country Link
CN (1) CN109192315B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112582067A (zh) * 2020-12-21 2021-03-30 安徽华米智能科技有限公司 基于大数据的年龄估计模型训练、年龄估计方法和装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104915560A (zh) * 2015-06-11 2015-09-16 万达信息股份有限公司 一种基于广义神经网络聚类的疾病病种诊疗方案预测方法
CN105512493A (zh) * 2015-12-22 2016-04-20 重庆大学 基于脑部病理年龄估计的脑疾病检测系统
CN106777891A (zh) * 2016-11-21 2017-05-31 中国科学院自动化研究所 一种数据特征选择和预测方法及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6678669B2 (en) * 1996-02-09 2004-01-13 Adeza Biomedical Corporation Method for selecting medical and biochemical diagnostic tests using neural network-related applications

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104915560A (zh) * 2015-06-11 2015-09-16 万达信息股份有限公司 一种基于广义神经网络聚类的疾病病种诊疗方案预测方法
CN105512493A (zh) * 2015-12-22 2016-04-20 重庆大学 基于脑部病理年龄估计的脑疾病检测系统
CN106777891A (zh) * 2016-11-21 2017-05-31 中国科学院自动化研究所 一种数据特征选择和预测方法及装置

Also Published As

Publication number Publication date
CN109192315A (zh) 2019-01-11

Similar Documents

Publication Publication Date Title
CN111292853B (zh) 基于多参数的心血管疾病风险预测网络模型及其构建方法
EP4002271A1 (en) Image segmentation method and apparatus, and storage medium
CN109833035B (zh) 脉搏波血压测量装置的分类预测数据处理方法
CN110246577B (zh) 一种基于人工智能辅助妊娠期糖尿病遗传风险预测的方法
CN111563891B (zh) 基于颜色认知的疾病预测系统
CN106682412A (zh) 一种基于医疗体检数据的糖尿病预测方法
CN112971802A (zh) 基于深度学习模型的心音信号检测方法及系统
CN112101413A (zh) 面向脑卒中风险预测的智能系统
CN109934179B (zh) 基于自动特征选择和集成学习算法的人体动作识别方法
CN110558960A (zh) 一种基于ptt和miv-ga-svr的连续血压无创监测方法
CN115063657B (zh) 基于异构特征融合的缺血性脑卒中发病风险预测模型
CN113133762B (zh) 一种无创血糖预测方法及装置
CN110299207A (zh) 用于慢性病检测中的基于计算机预测模型数据处理方法
CN117116477A (zh) 基于随机森林和XGBoost的前列腺癌患病风险预测模型的构建方法及系统
CN116369877A (zh) 一种基于光电容积脉搏波的无创血压估计方法
Zhang et al. A hybrid model for blood pressure prediction from a PPG signal based on MIV and GA-BP neural network
CN110575178B (zh) 一种运动状态判断的诊断监控综合医疗系统及其判断方法
CN114469120A (zh) 一种基于相似度阈值迁移的多尺度Dtw-BiLstm-Gan心电信号生成方法
CN114530228B (zh) 基于平滑处理及融合的血糖预测方法、系统及医疗设备
CN113729648B (zh) 一种基于多脉搏传感器的穿戴式脉诊手环系统
CN116564521A (zh) 一种慢性病风险评估模型建立方法、介质及系统
CN111466899A (zh) 一种基于mpga-miv-bp模型簇的连续血压无创监测方法
CN109192315B (zh) 基于加权核回归和封装式偏差搜索的综合年龄检测系统
CN115005768A (zh) 皮肤病图片分类方法、装置、产品及存储介质
Tucker et al. The pseudotemporal bootstrap for predicting glaucoma from cross-sectional visual field data

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant