CN110555472A - 基于主动学习的心电信号数据标注方法 - Google Patents

基于主动学习的心电信号数据标注方法 Download PDF

Info

Publication number
CN110555472A
CN110555472A CN201910793589.8A CN201910793589A CN110555472A CN 110555472 A CN110555472 A CN 110555472A CN 201910793589 A CN201910793589 A CN 201910793589A CN 110555472 A CN110555472 A CN 110555472A
Authority
CN
China
Prior art keywords
labeling
model
data
probability
electrocardiosignal
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.)
Granted
Application number
CN201910793589.8A
Other languages
English (en)
Other versions
CN110555472B (zh
Inventor
洪申达
傅兆吉
周荣博
俞杰
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.)
Voice Of Anhui Medical Technology Co Ltd
Original Assignee
Voice Of Anhui Medical Technology Co Ltd
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 Voice Of Anhui Medical Technology Co Ltd filed Critical Voice Of Anhui Medical Technology Co Ltd
Priority to CN201910793589.8A priority Critical patent/CN110555472B/zh
Publication of CN110555472A publication Critical patent/CN110555472A/zh
Application granted granted Critical
Publication of CN110555472B publication Critical patent/CN110555472B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明提出的一种基于主动学习的心电信号数据标注方法，首先通过样本训练获得标注模型，然后通过标注模型对未人工标注的心电信号数据进行模型标注。本发明中，标注模型F通过简单的标注概率模型H和固定的标注函数组成，对标注模型F的训练实际上也是对标注概率模型H的训练。本发明中，在标注模型F训练过程中，通过对标注概率模型H的输出的不确定度的计算挑选评估数据，使得标注模型F的稳定度的计算更加准确可靠。本发明提出的一种基于主动学习的心电信号数据标注方法，通过评估数据的针对性选择，降低了标注模型F的训练过程中人工标注工作量，并提高了标注模型的训练效率和标注精确度。

Description

基于主动学习的心电信号数据标注方法
技术领域
本发明涉及大数据分析技术领域，尤其涉及一种基于主动学习的心电信号数据标注方法。
背景技术
心电信号数据在病理诊断方面非常重要，但是绝大部分采集的心电信号是没有经过标注的。例如，重症监护病房ICU内对病人24小时不间断地采集心电信号数据，只有是医生查房的时候，或者出现非常紧急的情况，才有可能“标注”采集的数据，其他时候都被直接存放到了HIS系统中。心电科医生分析(也就是“标注”)一份60秒的心电信号的报告，花费在数十元人民币。标注10000例数据(这个数据量实际还远未达到深度学习方法的训练需求)就需要花费数十万元。一个心电科医生一天大约可以阅读200份报告，标注10000例数据需要50天。可见，心电信号数据进行人工标注的，人工成本和时间成本均居高不下。
随着人工智能的不断发展，基于数据的人工智能在心电信号分析领域取得了瞩目的初步成效。相关的人工智能产品也受到了医院、体检中心、心电设备供应厂商、智能硬件厂商等的高度关注。
发明内容
基于背景技术存在的技术问题，本发明提出了一种基于主动学习的心电信号数据标注方法。
本发明提出的一种基于主动学习的心电信号数据标注方法，首先通过样本训练获得标注模型，然后通过标注模型对未人工标注的心电信号数据进行模型标注；
通过样本训练获得标注模型的方法为：
首先建立标注概率模型H，用于标注每一条心电信号数据对应的预测概率，并建立用于根据预测概率计算标注结果的标注函数，然后结合标注概率模型H和标注函数建立标注模型F；
根据样本数据的人工标注对标注模型F进行训练更新，且同时更新标注概率模型H进行更新；
根据更新后的标注概率模型H计算所有未人工标注的心电信号数据的预测概率，并根据预测概率计算不确定度；获取对应的不确定度最大的nh个心电信号数据作为评估数据，根据更新后的标注模型F对评估数据进行人工标注，并对各评估数据进行人工标注；
根据人工标注与模型标注一致的评估数据占比评估标注模型F的稳定度p；通过补充样本对标注模型F和标注概率模型H进行更新，直至稳定度p达到预设阈值a。
优选的，通过补充样本对标注模型F和标注概率模型H进行更新的具体方式为：当稳定度p小于阈值a，则将评估数据作为补充样本，并通过补充样本和对应的人工标注对标注模型F和标注概率模型H进行更新。
优选的，通过样本训练获得标注模型的方法具体包括：
S1、收集心电信号数据并建立初始数据集合X＝{x1，x2，...xn}，n表示收集的心电信号数据数量，d为每条心电信号数据的长度，c为心电信号的导联数；
S2、构建标注概率模型H，其输入为心电信号数据xi，输出为心电信号数据xi对应的预测概率zi；设置标注函数，标注函数的输入为预测概率zi，其输出为标注结果yi；结合标注概率模型H和标注函数建立标注模型F，标注模型F的输入为心电信号数据xi，输出为标注结果yi；
S3、从X中随机选取部分心电信号数据作为样本数据进行人工标注，并建立样本数据集台获得样本数据集合Xyes中每一条样本数据xj的标注结果yj并建立样本标注集合Yyes；
S4、根据样本数据集合Xyes和样本标注集合Yyes对标注模型F进行更新，并根据更新后的标注模型F的参数对标注概率模型H进行更新；
S5、对初始数据集合X中未标注的心电信号数据xk，通过当前的标注模型F进行模型标注yk，并通过标注概率模型H标注预测概率zk；计算各预测概率zk的不确定度ek，获取不确定度最大的nh个不确定度对应的心电信号数据xk作为评估数据；
S6、对评估数据进行人工标注，并统计人工标注与模型标注一致的评估数据数量ne，计算ne与nh的比值作为标注模型F的稳定度P；判断稳定度P是否大于预设的阈值a，是，则保存标注模型F；
S7、否，则将评估数据和对应的人工标注分别补充到集合Xyes和样本标注集合Yyes，然后返回步骤S4。
优选的，步骤S2中，预测概率zj为由m个概率值组成的长度为m的行向量，且m个概率值之和为1；标注函数为：yi为与预测概率zi等长的行向量；yi有且仅有一个位置标注为1，其余位置为0，且yi中标注为1的位置为zi中最大值对应的位置。
优选的，计算各预测概率zk的不确定度ek的方式为：使用熵值度量计算预测概率zk的不确定度ek，计算公式为：zk[j]表示预测概率zk中第j个概率值，c为计算常数。
优选的，c为自然常数，或者c＝10。
优选的，步骤S3中，20≤nyes≤100≤n。
优选的，步骤5中，20≤nh≤100，nh≤n-nyes。
优选的，nh＝nyes。
优选的，0.8≤a＜1。
本发明提出的一种基于主动学习的心电信号数据标注方法，通过评估数据的针对性选择，降低了标注模型F的训练过程中人工标注工作量，并提高了标注模型的训练效率和标注精确度。通过本方法训练获得的标注模型可对心电信号数据进行自动标注，可对心电信号数据进行高精确度的自动标注，减少需要人工标注的数据量，加快标注过程，减少时间和人力成本。
本发明中，标注模型F通过简单的标注概率模型H和固定的标注函数组成，对标注模型F的训练实际上也是对标注概率模型H的训练。本发明中，在标注模型F训练过程中，通过对标注概率模型H的输出的不确定度的计算挑选评估数据，使得标注模型F的稳定度的计算更加准确可靠；同时还保证了对标注模型F进一步修正时，保证补充样本的针对性选择。
附图说明
图1为本发明提出的一种基于主动学习的心电信号数据标注方法流程图；
图2为本发明中通过样本训练获得标注模型的方法流程图。
具体实施方式
参照图1，本发明提出的一种基于主动学习的心电信号数据标注方法，首先通过样本训练获得标注模型，然后通过标注模型对未人工标注的心电信号数据进行模型标注。
本方法中，通过样本训练获得标注模型的方法为：首先建立标注概率模型H，用于标注每一条心电信号数据对应的预测概率，并建立用于根据预测概率计算标注结果的标注函数，然后结合标注概率模型H和标注函数建立标注模型F；根据样本数据的人工标注对标注模型F进行训练更新，且同时更新标注概率模型H进行更新；根据更新后的标注概率模型H计算所有未人工标注的心电信号数据的预测概率，并根据预测概率计算不确定度；获取对应的不确定度最大的nh个心电信号数据作为评估数据，根据更新后的标注模型F对评估数据进行人工标注，并对各评估数据进行人工标注；根据人工标注与模型标注一致的评估数据占比评估标注模型F的稳定度p；通过补充样本对标注模型F和标注概率模型H进行更新，直至稳定度p达到预设阈值a。
如此，本实施方式中，标注模型F通过简单的标注概率模型H和固定的标注函数组成，对标注模型F的训练实际上也是对标注概率模型H的训练。本实施方式中，在标注模型F训练过程中，通过对标注概率模型H的输出的不确定度的计算挑选评估数据，使得标注模型F的稳定度的计算更加准确可靠；同时还保证了对标注模型F进一步修正时，保证补充样本的针对性选择。
本实施方式中，通过评估数据的针对性选择，降低了标注模型F的训练过程中人工标注工作量，并提高了标注模型的训练效率和标注精确度。通过本方法训练获得的标注模型可对心电信号数据进行自动标注，可对心电信号数据进行高精确度的自动标注，减少需要人工标注的数据量，加快标注过程，减少时间和人力成本。
本实施方式中，通过补充样本对标注模型F和标注概率模型H进行更新的具体方式为：当稳定度p小于阈值a，则将评估数据作为补充样本，并通过补充样本和对应的人工标注对标注模型F和标注概率模型H进行更新。本实施方式中，0.8≤a＜1。
具体的，本实施方式中，通过样本训练获得标注模型的方法具体包括：
S1、收集心电信号数据并建立初始数据集合X＝{x1，x2，...xn}，n表示收集的心电信号数据数量，d为每条心电信号数据的长度，c为心电信号的导联数。
具体的，本实施方式中，通过在数据预处理时，将心电信号数据长度统一，有利于提高模型训练效率和数据标注精确度。
S2、构建标注概率模型H，其输入为心电信号数据xi，输出为心电信号数据xi对应的预测概率zi；设置标注函数，标注函数的输入为预测概率zi，其输出为标注结果yi；结合标注概率模型H和标注函数建立标注模型F，标注模型F的输入为心电信号数据xi，输出为标注结果yi。
本实施方式中，标注函数为固定函数。具体的，本实施方式中，预测概率zi为由m个概率值组成的长度为m的行向量，记作且m个概率值之和为1，记作|zi|1＝1。即，标注概率模型H对应每一条心电信号数据xi输出m个概率值，m个概率值组成行向量zi。
标注函数为：yi为与预测概率zi等长的行向量；yi有且仅有一个位置标注为1，其余位置为0，且yi中标注为1的位置为zi中最大值对应的位置，即：
yi[j]表示行向量yi中第j个值，zi[j]表示行向量zi中第j个值，max(zi[j])表示行向量zi中最大的概率值。
具体的，标注函数记作：yi＝assign(zi)；
标注模型F为：yi＝F(xi)＝assign(H(xi))。
S3、从X中随机选取部分心电信号数据作为样本数据进行人工标注，并建立样本数据集合获得样本数据集合Xyes中每一条样本数据xj的标注结果yj并建立样本标注集合Yyes。本实施方式中，20≤nyes≤100≤n。具体的，本实施方式中，设r1＝nyes/n，可见，r1为取值大于0小于1的数值，具体实施时，r1的取值接近于0，以减少人工标注工作量。
S4、根据样本数据集合Xyes和样本标注集合Yyes对标注模型F进行更新，并根据更新后的标注模型F的参数对标注概率模型H进行更新。具体的，本实施方式中，由于标注函数确定，故而获得标注模型F的参数后，可直接根据标注模型F的参数获得标注概率模型H的参数，从而实现标注概率模型H与标注模型F的同步更新。
S5、对初始数据集合X中未标注的心电信号数据xk，通过当前的标注模型F进行模型标注yk，并通过标注概率模型H标注预测概率zk；计算各预测概率zk的不确定度ek，获取不确定度最大的nh个不确定度对应的心电信号数据xk作为评估数据。具体的，本实施方式中，20≤nh≤100，nh≤n-nyes。
现有技术中，在标注概率模型的训练过程中，有许多方法可根据预测概率计算不确定度。本实施方式中，使用熵值度量计算预测概率zk的不确定度ek，计算公式为：zk[j]表示预测概率zk中第j个概率值，其中c为计算常数，具体可选择自然常数或者10。
S6、对评估数据进行人工标注，并统计人工标注与模型标注一致的评估数据数量ne，计算ne与nh的比值作为标注模型F的稳定度P；判断稳定度P是否大于预设的阈值a，是，则保存标注模型F。
具体的，本实施方式中，考虑到标注概率模型H与标注模型F在工作上的独立性，对心电信号数据xk的标注结果yk和预测概率zk同时进行标注；具体实施时，也可先通过标注概率模型H计算心电信号数据xk的预测概率zk，然后挑选出评估数据后，仅对评估数据进行模型标注，以降低模型标注工作量。
S7、否，则将评估数据和对应的人工标注分别补充到集合Xyes和样本标注集合Yyes，然后返回步骤S4。
具体的，本实施方式中，nh＝nyes，以保证每一次标注模型F更新时，样本数据的等数增加，进一步提高模型训练效率。
以上所述，仅为本发明涉及的较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种基于主动学习的心电信号数据标注方法，其特征在于，首先通过样本训练获得标注模型，然后通过标注模型F对未人工标注的心电信号数据进行模型标注；
通过样本训练获得标注模型的方法为：
首先建立标注概率模型H，用于标注每一条心电信号数据对应的预测概率，并建立用于根据预测概率计算标注结果的标注函数，然后结合标注概率模型H和标注函数建立标注模型F；
根据样本数据的人工标注对标注模型F进行训练更新，且同时更新标注概率模型H进行更新；
根据更新后的标注概率模型H计算所有未人工标注的心电信号数据的预测概率，并根据预测概率计算不确定度；获取对应的不确定度最大的nh个心电信号数据作为评估数据，根据更新后的标注模型F对评估数据进行人工标注，并对各评估数据进行人工标注；
根据人工标注与模型标注一致的评估数据占比评估标注模型F的稳定度p；通过补充样本对标注模型F和标注概率模型H进行更新，直至稳定度p达到预设阈值a。
2.如权利要求1所述的基于主动学习的心电信号数据标注方法，其特征在于，通过补充样本对标注模型F和标注概率模型H进行更新的具体方式为：当稳定度p小于阈值a，则将评估数据作为补充样本，并通过补充样本和对应的人工标注对标注模型F和标注概率模型H进行更新。
3.如权利要求2所述的基于主动学习的心电信号数据标注方法，其特征在于，通过样本训练获得标注模型的方法具体包括：
S1、收集心电信号数据并建立初始数据集合X＝{x1，x2，...xn}，n表示收集的心电信号数据数量，d为每条心电信号数据的长度，c为心电信号的导联数；
S2、构建标注概率模型H，其输入为心电信号数据xi，输出为心电信号数据xi对应的预测概率zi；设置标注函数，标注函数的输入为预测概率zi，其输出为标注结果yi；结合标注概率模型H和标注函数建立标注模型F，标注模型F的输入为心电信号数据xi，输出为标注结果yi；
S3、从X中随机选取部分心电信号数据作为样本数据进行人工标注，并建立样本数据集合获得样本数据集合xyes中每一条样本数据xj的标注结果yj并建立样本标注集合Yyes；
S4、根据样本数据集合Xyes和样本标注集合Yyes对标注模型F进行更新，并根据更新后的标注模型F的参数对标注概率模型H进行更新；
S5、对初始数据集合X中未标注的心电信号数据xk，通过当前的标注模型F进行模型标注yk，并通过标注概率模型H标注预测概率zk；计算各预测概率zk的不确定度ek，获取不确定度最大的nh个不确定度对应的心电信号数据xk作为评估数据；
S6、对评估数据进行人工标注，并统计人工标注与模型标注一致的评估数据数量ne，计算ne与nh的比值作为标注模型F的稳定度P；判断稳定度P是否大于预设的阈值a，是，则保存标注模型F；
S7、否，则将评估数据和对应的人工标注分别补充到集合Xyes和样本标注集合Yyes，然后返回步骤S4。
4.如权利要求3所述的基于主动学习的心电信号数据标注方法，其特征在于，步骤S2中，预测概率zi为由m个概率值组成的长度为m的行向量，且m个概率值之和为1；标注函数为：yi为与预测概率zi等长的行向量；yi有且仅有一个位置标注为1，其余位置为0，且yi中标注为1的位置为zi中最大值对应的位置。
5.如权利要求4所述的基于主动学习的心电信号数据标注方法，其特征在于，计算各预测概率zk的不确定度ek的方式为：使用熵值度量计算预测概率zk的不确定度ek，计算公式为：zk[j]表示预测概率zk中第j个概率值，c为计算常数。
6.如权利要求5所述的基于主动学习的心电信号数据标注方法，其特征在于，c为自然常数，或者c＝10。
7.如权利要求3所述的基于主动学习的心电信号数据标注方法，其特征在于，步骤S3中，20≤nyes≤100≤n。
8.如权利要求7所述的基于主动学习的心电信号数据标注方法，其特征在于，步骤5中，20≤nh≤100，nh≤n-nyes。
9.如权利要求8所述的基于主动学习的心电信号数据标注方法，其特征在于，nh＝nyes。
10.如权利要求3所述的基于主动学习的心电信号数据标注方法，其特征在于，0.8≦a﹤1。
CN201910793589.8A 2019-08-27 2019-08-27 基于主动学习的心电信号数据标注方法 Active CN110555472B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910793589.8A CN110555472B (zh) 2019-08-27 2019-08-27 基于主动学习的心电信号数据标注方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910793589.8A CN110555472B (zh) 2019-08-27 2019-08-27 基于主动学习的心电信号数据标注方法

Publications (2)

Publication Number Publication Date
CN110555472A true CN110555472A (zh) 2019-12-10
CN110555472B CN110555472B (zh) 2023-02-03

Family

ID=68738295

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910793589.8A Active CN110555472B (zh) 2019-08-27 2019-08-27 基于主动学习的心电信号数据标注方法

Country Status (1)

Country Link
CN (1) CN110555472B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111820890A (zh) * 2020-07-24 2020-10-27 武汉中旗生物医疗电子有限公司 一种心电信号质量标注方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080147574A1 (en) * 2006-12-14 2008-06-19 Xerox Corporation Active learning methods for evolving a classifier
CN107291708A (zh) * 2016-03-30 2017-10-24 《中国学术期刊（光盘版）》电子杂志社有限公司 一种基于文本的自动识别文献研究的方法
CN110009057A (zh) * 2019-04-16 2019-07-12 四川大学 一种基于深度学习的图形验证码识别方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080147574A1 (en) * 2006-12-14 2008-06-19 Xerox Corporation Active learning methods for evolving a classifier
CN107291708A (zh) * 2016-03-30 2017-10-24 《中国学术期刊（光盘版）》电子杂志社有限公司 一种基于文本的自动识别文献研究的方法
CN110009057A (zh) * 2019-04-16 2019-07-12 四川大学 一种基于深度学习的图形验证码识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王莉等: "基于改进BP神经网络的心电信号分类方法", 《电子技术应用》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111820890A (zh) * 2020-07-24 2020-10-27 武汉中旗生物医疗电子有限公司 一种心电信号质量标注方法及装置

Also Published As

Publication number Publication date
CN110555472B (zh) 2023-02-03

Similar Documents

Publication Publication Date Title
US11553874B2 (en) Dental image feature detection
US11144825B2 (en) Interpretable deep learning framework for mining and predictive modeling of health care data
Goolsby Likelihood-based parameter estimation for high-dimensional phylogenetic comparative models: overcoming the limitations of “distance-based” methods
CN110767279A (zh) 基于lstm的电子健康记录缺失数据补全方法及系统
CN110993096B (zh) 一种脓毒血症的预警装置、设备及存储介质
CN114864088B (zh) 一种基于医疗健康的数字孪生建立方法、装置和存储介质
CN113538334A (zh) 一种胶囊内窥镜图像病变识别装置及训练方法
CN110456050B (zh) 便携式智能数字化寄生虫体外诊断仪
CN110555472B (zh) 基于主动学习的心电信号数据标注方法
CN111429985A (zh) 电子病历数据处理方法及系统
CN117034142B (zh) 一种不平衡医疗数据缺失值填充方法及系统
CN117497149A (zh) 一种基于人工智能的医院管理方法及系统
CN110473636B (zh) 基于深度学习的智能医嘱推荐方法及系统
CN116884612A (zh) 疾病风险等级的智能分析方法、装置、设备及存储介质
CN116797572A (zh) 基于多模态数据的类风湿关节炎活动度分级装置
CN116350196A (zh) 基于深度学习的无创血压值预测方法及系统
CN116543917A (zh) 一种针对异构时间序列数据的信息挖掘方法
CN114048320B (zh) 一种基于课程学习的多标签国际疾病分类训练方法
WO2021103623A1 (zh) 一种脓毒血症的预警装置、设备及存储介质
CN115240843A (zh) 基于结构因果模型的公平性预测系统
CN112669973B (zh) 基于大数据深度学习的疾病协同递进预测方法和机器人
CN110911011A (zh) 一种脓毒血症的预警装置、设备及存储介质
Bruckers et al. Cluster analysis for repeated data with dropout: Sensitivity analysis using a distal event
CN111462893A (zh) 一种提供诊断依据的中文病历辅助诊断方法及系统
CN109388253A (zh) 护理记录录入方法、装置、设备及计算机可读存储介质

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