CN110841143B - 一种用于预测输液管路状态的方法及系统 - Google Patents
一种用于预测输液管路状态的方法及系统 Download PDFInfo
- Publication number
- CN110841143B CN110841143B CN201911006461.9A CN201911006461A CN110841143B CN 110841143 B CN110841143 B CN 110841143B CN 201911006461 A CN201911006461 A CN 201911006461A CN 110841143 B CN110841143 B CN 110841143B
- Authority
- CN
- China
- Prior art keywords
- output
- pipeline
- neural network
- output value
- layer
- 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
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
- A61M5/00—Devices for bringing media into the body in a subcutaneous, intra-vascular or intramuscular way; Accessories therefor, e.g. filling or cleaning devices, arm-rests
- A61M5/14—Infusion devices, e.g. infusing by gravity; Blood infusion; Accessories therefor
- A61M5/168—Means for controlling media flow to the body or for metering media to the body, e.g. drip meters, counters ; Monitoring media flow to the body
- A61M5/16831—Monitoring, detecting, signalling or eliminating infusion flow anomalies
- A61M5/16854—Monitoring, detecting, signalling or eliminating infusion flow anomalies by monitoring line pressure
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
- A61M5/00—Devices for bringing media into the body in a subcutaneous, intra-vascular or intramuscular way; Accessories therefor, e.g. filling or cleaning devices, arm-rests
- A61M5/14—Infusion devices, e.g. infusing by gravity; Blood infusion; Accessories therefor
- A61M5/168—Means for controlling media flow to the body or for metering media to the body, e.g. drip meters, counters ; Monitoring media flow to the body
- A61M5/16831—Monitoring, detecting, signalling or eliminating infusion flow anomalies
- A61M2005/16863—Occlusion detection
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
- A61M2205/00—General characteristics of the apparatus
- A61M2205/33—Controlling, regulating or measuring
- A61M2205/3327—Measuring
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
- A61M2205/00—General characteristics of the apparatus
- A61M2205/33—Controlling, regulating or measuring
- A61M2205/3331—Pressure; Flow
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
- A61M2205/00—General characteristics of the apparatus
- A61M2205/50—General characteristics of the apparatus with microprocessors or computers
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Vascular Medicine (AREA)
- Anesthesiology (AREA)
- Heart & Thoracic Surgery (AREA)
- Hematology (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Infusion, Injection, And Reservoir Apparatuses (AREA)
Abstract
本申请公开了一种用于预测输液管路状态的方法及系统,包括:采集输液管路内的连续压力值;对连续压力值进行转换,得到向量数据;对向量数据进行预处理,得到输入数据;将输入数据输入卷积神经网络,得到卷积输出值;将输出值输入循环神经网络确定管路未来状态。通过将输液管路内的实时压力值进行预处理来降低环境、材料、药物等可变因素的影响,提高本方法的适用性和鲁棒性;利用卷积神经网络提取高级特征,提高了预测结果的稳定性和准确性;将卷积神经网络的输出作为循环神经网络的输入,充分利用循环神经网络对时间顺序的敏感性,根据数据的变化情况计算出更精准的管路堵塞时间点和管路疏通的时间点,确定管路未来状态。
Description
技术领域
本申请涉及医疗器械领域,尤其涉及一种用于预测输液管路状态的方法及系统。
背景技术
注药泵类型的医疗器械产品在临床使用时会发生管路堵塞的情况,如果不能及时处理,对患者有一定的医疗风险存在。现有的堵塞报警方法较为传统,往往依据预设阈值,且只有在阻塞发生后才能报警,增加患者的医疗风险。
综上所述,需要提供一种能够预测输液管路状态的方法及系统。
发明内容
为解决以上问题,本申请提出了一种用于预测输液管路状态的方法及系统。
一方面,本申请提出一种用于预测输液管路状态的方法,包括:
采集输液管路内的连续压力值;
对连续压力值进行转换,得到向量数据;
对所述向量数据进行预处理,得到输入数据;
将所述输入数据输入卷积神经网络,得到卷积输出值;
将输出值输入循环神经网络确定管路未来状态。
优选地,所述将所述输入数据输入卷积神经网络,得到卷积输出值,包括:
S1,提取输入数据的特征;
S2,使用激活函数对所述特征或子序列信息进行非线性变换,得到输出信号;
S3,将所述输出信号输入池化层进行池化,提取子序列信息;
S4,若所述子序列信息不是最后一个池化层输出的,则执行S2至S3,若所述子序列信息是最后一个池化层输出的,则所述子序列信息作为特征信息;
S5,计算特征信息的激活值;
S6,使用激活函数对所述激活值进行计算,得到卷积输出值。
优选地,所述将输出值输入循环神经网络确定管路未来状态,包括:
使用隐藏层t时刻输入的所述卷积输出值和t-1时刻隐藏层的输出确定循环输出值;
将所述循环输出值发送至输出层,确定管路未来状态。
优选地,所述预处理包括:去噪、归一化和/或标准化。
优选地,所述管路未来状态包括:管路堵塞情况和管路疏通情况。
优选地,在所述将所述输入数据输入卷积神经网络,得到卷积输出值之前,还包括:
对卷积神经网络进行训练。
优选地,在所述将输出值输入循环神经网络确定管路未来状态之前,还包括:
对循环神经网络进行训练。
第二方面,本申请提出一种用于预测输液管路状态的系统,包括:
采集模块,用于采集输液管路内的连续压力值;
预处理模块,用于对连续压力值进行转换,得到向量数据,对所述向量数据进行预处理,得到输入数据;
第一预测模块,用于将所述输入数据输入卷积神经网络,得到卷积输出值;
第二预测模块,用于将输出值输入循环神经网络确定管路未来状态。
优选地,所述第一预测模块,具体用于提取输入数据的特征;使用激活函数对所述特征或子序列信息进行非线性变换,得到输出信号;将所述输出信号输入池化层进行池化,提取子序列信息;若所述子序列信息不是最后一个池化层输出的,则重复上述操作,若所述子序列信息是最后一个池化层输出的,则所述子序列信息作为特征信息;计算特征信息的激活值;使用激活函数对所述激活值进行计算,得到卷积输出值。
优选地,所述第二预测模块,具体用于使用隐藏层t时刻输入的所述卷积输出值和t-1时刻隐藏层的输出确定循环输出值;将所述循环输出值发送至输出层,确定管路未来状态。
本申请的优点在于:根据连续压力值,使用卷积神经网络和循环神经网络确定管路未来状态;根据管路未来的堵塞或疏通状态,能够提前采取相应措施进行处理,降低环境因素的影响,给患者和临床医生带来安全保护和便利。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选事实方案的目的,而并不认为是对本申请的限制。而且在整个附图中,用同样的参考符号表示相同的部件。在附图中:
图1是本申请提供的一种用于预测输液管路状态的方法的步骤示意图;
图2是本申请提供的一种用于预测输液管路状态的方法的示意图;
图3是本申请提供的一种用于预测输液管路状态的方法的卷积神经网络的结构示意图;
图4是本申请提供的一种用于预测输液管路状态的方法的循环神经网络的结构示意图;
图5是本申请提供的一种用于预测输液管路状态的系统的示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施方式。虽然附图中显示了本公开的示例性实施方式,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反,提供这些实施方式是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
根据本申请的实施方式,提出一种用于预测输液管路状态的方法,如图1所示,包括:包括:
S101,采集输液管路内的连续压力值;
S102,对连续压力值进行转换,得到向量数据;
S103,对向量数据进行预处理,得到输入数据;
S104,将输入数据输入卷积神经网络,得到卷积输出值;
S105,将输出值输入循环神经网络确定管路未来状态。
将输入数据输入卷积神经网络,得到卷积输出值,包括:
S1,提取输入数据的特征;
S2,使用激活函数对特征或子序列信息进行非线性变换,得到输出信号;
S3,将所述输出信号输入池化层进行池化,提取子序列信息;
S4,若所述子序列信息不是最后一个池化层输出的,则执行S2至S3,若所述子序列信息是最后一个池化层输出的,则所述子序列信息作为特征信息;
S5,计算特征信息的激活值;
S6,使用激活函数对激活值进行计算,得到卷积输出值。
将输出值输入循环神经网络确定管路未来状态,包括:
使用隐藏层t时刻输入的卷积输出值和t-1时刻隐藏层的输出确定循环输出值;
将循环输出值发送至输出层,确定管路未来状态。
预处理包括:去噪、归一化和/或标准化。
管路未来状态包括:管路堵塞情况和管路疏通情况。
在将输入数据输入卷积神经网络,得到卷积输出值之前,还包括:
对卷积神经网络进行训练。
在将输出值输入循环神经网络确定管路未来状态之前,还包括:
对循环神经网络进行训练。
采用卷积神经网络(CNN)和循环神经网络(RNN)相结合的技术,对电子注药泵、镇痛泵、化疗泵、输液装置等输液管路实时采集其输液管路内的连续压力值,对采集到的连续压力值进行智能分析并预测将来发生堵塞的时间和堵塞发生后管路疏通的时间分析。
下面,对本申请的实施方式进行进一步说明,如图2所示。
实时采集输液管路内的连续压力值,并将该连续压力值转化成向量数据I。
向量数据I包括:数据矩阵或数据集合。
采用标准化、归一化方法对一段时间内(例如10秒钟)的向量数据进行处理,得到输入数据向量数据I进行处理,此操作可以提高算法模型的鲁棒性。
一段时间的时长可以根据需要进行设定。
将标准化、归一化处理后的数据(输入数据)传送到卷积神经网络。
如图3所示,该卷积神经网络包含一系列的卷积层、池化层和全连接层,通过卷积层提取输入数据的特征,使用激活函数对所述特征或子序列信息进行非线性变换,得到输出信号。在每个池化层之前,可以包括一个或多个卷积层。先进行卷积运算可以学习到鲁棒性较高的特征(子序列信息);然后对得到的特征进行池化操作,可以进一步缓解卷积层运算对位置的过渡敏感性并降低数据输出维度(减少下一层的计算量)。通过重复几次卷积和池化组合操作,可以得到更好的结果。
卷积层与池化层的数量可以根据需要设定。
卷积层将输入数据和该层若干个卷积核做卷积运算得到对应的特征输出:
其中Si,j为卷积运算得到的一个输出值(特征),X为输入的数据,K为卷积核。
使用激活函数对得到的特征进行非线性变换,得到输出信号Fconv:
Fconv=σ(S)=σ(X*K)
其中σ是激活函数,*表示卷积运算。
对卷积层的输出信号Fconv进行池化操作,从Fconv中提取出子序列信息,此运算还可以降低数据长度。
使用激活函数对子序列信息进行非线性变换,得到输出信号,对输出信号进行池化,提取子序列信息;若所述子序列信息不是最后一个池化层输出的,,则对当前得到的子序列信息继续执行上述操作,提取子序列信息;若所述子序列信息是最后一个池化层输出的,则此子序列信息作为特征信息。特征信息更加抽象。
将得到的特征信息传入全连接层。
全连接层可以为多个,即卷积神经网络中可以包括多个全连接层。
全连接层先计算特征信息的激活值,然后通过激活函数得到全连接层的卷积输出值。
卷积神经网络将得到的卷积输出值(高级特征)传送到循环神经网络进行预测分析。
上述方法还能够用于卷积神经网络的训练。
如图4所示,循环神经网络将卷积输出值输入隐藏层,使用隐藏层t时刻输入的所述卷积输出值和t-1时刻隐藏层的输出确定循环输出值。
在隐藏层将t时刻的输入和t-1时刻隐藏层的输出一并进行运行,公式如下:
Ht=σ(Xconv_tWxh+Ht-1Whh+bh)
其中Ht(如图4所示的H_t)为t时刻的隐藏层激活函数的输出,Wxh为t时刻与输入Xconv_t对应的权重矩阵;Ht-1为t-1时刻隐藏层激活函数的输出,Whh表示在t时刻如何使用Ht-1的权重参数,bh为偏移量,Xconv_t为卷积输出值。
将循环输出值发送至输出层,确定管路未来状态。
通过下式计算出输出层的输出(管路未来状态):
Ot=HtWhq+bq
其中,Whq为输出层的权重,bq为输出层的偏移量。
图4中,O_t表示在输出层的Ot,从输出层输出的各时刻数据为各时刻的循环输出值。
经过以上的步骤计算既可以预测输液管路堵塞,又可以预估输液管路疏通的情况。
管路未来状态包括未来某一时刻,管路堵塞情况和/或管路疏通情况。
上述步骤还能够用于循环神经网络的训练。
根据本申请的实施方式,还提出一种用于预测输液管路状态的系统,如图5所示,包括:
采集模块101,用于采集输液管路内的连续压力值;
预处理模块102,用于对连续压力值进行转换,得到向量数据,对向量数据进行预处理,得到输入数据;
第一预测模块103,用于将输入数据输入卷积神经网络,得到卷积输出值;
第二预测模块104,用于将输出值输入循环神经网络确定管路未来状态。
第一预测模块,具体用于提取输入数据的特征;使用激活函数对特征或子序列信息进行非线性变换,得到输出信号;将所述输出信号输入池化层进行池化,提取子序列信息;若所述子序列信息不是最后一个池化层输出的,则重复上述操作,若所述子序列信息是最后一个池化层输出的,则所述子序列信息作为特征信息;计算特征信息的激活值;使用激活函数对激活值进行计算,得到卷积输出值。
第二预测模块,具体用于使用隐藏层t时刻输入的所述卷积输出值和t-1时刻隐藏层的输出确定循环输出值;将循环输出值发送至输出层,确定管路未来状态。
本申请的方法中,通过将输液管路内的实时压力值通过一系列标准化、归一化的处理来降低环境、材料、药物等可变因素的影响,提高本方法的适用性和鲁棒性;利用卷积神经网络观察数据流中高级特征信息(卷积输出值),支持大数据量的运算,提高了预测结果的稳定性和准确性;将卷积神经网络的输出作为循环神经网络的输入,充分利用循环神经网络对时间顺序的敏感性,根据数据的变化情况计算出更加准确的堵塞发生时间,同时可以计算管路堵塞时间点和管路疏通的时间点,确定管路未来状态;根据管路未来的堵塞或疏通状态,能够提前采取相应措施进行处理,降低环境因素的影响,给患者和临床医生带来安全保护和便利,具有很好的实用性和适用性。
以上所述,仅为本申请较佳的具体实施方式,但本申请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申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (8)
1.一种用于预测输液管路状态的方法,其特征在于,对输液管路内的连续压力值进行智能分析并预测将来发生堵塞的时间和堵塞发生后管路疏通的时间分析,包括:
采集输液管路内的连续压力值;
对连续压力值进行转换,得到向量数据;
对所述向量数据进行预处理,得到输入数据;
将所述输入数据输入卷积神经网络,得到卷积输出值;卷积神经网络包含一系列的卷积层、池化层和全连接层,通过卷积层提取输入数据的特征,使用激活函数对所述特征或子序列信息进行非线性变换,得到输出信号;在每个池化层之前包括一个或多个卷积层;
将输出值输入循环神经网络确定管路未来状态;
其中,将输出值输入循环神经网络确定管路未来状态,包括:
使用隐藏层t时刻输入的所述卷积输出值和t-1时刻隐藏层的输出确定循环输出值;将所述循环输出值发送至输出层,确定管路未来状态;
确定管路未来状态的公式为:Ot=HtWhq+bq;
2.根据权利要求1所述的方法,其特征在于,所述将所述输入数据输入卷积神经网络,得到卷积输出值,包括:
S1,提取输入数据的特征;
S2,使用激活函数对所述特征或子序列信息进行非线性变换,得到输出信号;
S3,将所述输出信号输入池化层进行池化,提取子序列信息;
S4,若所述子序列信息不是最后一个池化层输出的,则执行S2至S3,若所述子序列信息是最后一个池化层输出的,则所述子序列信息作为特征信息;
S5,计算特征信息的激活值;
S6,使用激活函数对所述激活值进行计算,得到卷积输出值。
3.根据权利要求1所述的方法,其特征在于,所述预处理包括:去噪、归一化和/或标准化。
4.如权利要求1所述的方法,其特征在于,所述管路未来状态包括:管路堵塞情况和管路疏通情况。
5.如权利要求1所述的方法,其特征在于,在所述将所述输入数据输入卷积神经网络,得到卷积输出值之前,还包括:
对卷积神经网络进行训练。
6.如权利要求1所述的方法,其特征在于,在所述将输出值输入循环神经网络确定管路未来状态之前,还包括:
对循环神经网络进行训练。
7.一种用于预测输液管路状态的系统,其特征在于,对输液管路内的连续压力值进行智能分析并预测将来发生堵塞的时间和堵塞发生后管路疏通的时间分析,包括:
采集模块,用于采集输液管路内的连续压力值;
预处理模块,用于对连续压力值进行转换,得到向量数据,对所述向量数据进行预处理,得到输入数据;
第一预测模块,用于将所述输入数据输入卷积神经网络,得到卷积输出值;卷积神经网络包含一系列的卷积层、池化层和全连接层,通过卷积层提取输入数据的特征,使用激活函数对所述特征或子序列信息进行非线性变换,得到输出信号;在每个池化层之前包括一个或多个卷积层;
第二预测模块,用于将输出值输入循环神经网络确定管路未来状态;
所述第二预测模块,具体用于使用隐藏层t时刻输入的所述卷积输出值和t-1时刻隐藏层的输出确定循环输出值;将所述循环输出值发送至输出层,确定管路未来状态;
确定管路未来状态的公式为:Ot=HtWhq+bq;
8.如权利要求7所述的系统,其特征在于,所述第一预测模块,具体用于提取输入数据的特征;使用激活函数对所述特征或子序列信息进行非线性变换,得到输出信号;将所述输出信号输入池化层进行池化,提取子序列信息;若所述子序列信息不是最后一个池化层输出的,则重复上述操作,若所述子序列信息是最后一个池化层输出的,则所述子序列信息作为特征信息;计算特征信息的激活值;使用激活函数对所述激活值进行计算,得到卷积输出值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911006461.9A CN110841143B (zh) | 2019-10-22 | 2019-10-22 | 一种用于预测输液管路状态的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911006461.9A CN110841143B (zh) | 2019-10-22 | 2019-10-22 | 一种用于预测输液管路状态的方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110841143A CN110841143A (zh) | 2020-02-28 |
CN110841143B true CN110841143B (zh) | 2022-03-08 |
Family
ID=69596724
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911006461.9A Active CN110841143B (zh) | 2019-10-22 | 2019-10-22 | 一种用于预测输液管路状态的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110841143B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113266559B (zh) * | 2021-05-21 | 2022-10-28 | 华能秦煤瑞金发电有限责任公司 | 一种基于神经网络的混凝土输送泵堵塞的无线检测方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8182461B2 (en) * | 2003-11-04 | 2012-05-22 | Smiths Medical Asd, Inc. | Syringe pump rapid occlusion detection system |
US20140236119A1 (en) * | 2013-02-15 | 2014-08-21 | Micrel Medical Devices S.A. | Method for Processing Infusion Data and an Infusion Pump System |
CN105546352A (zh) * | 2015-12-21 | 2016-05-04 | 重庆科技学院 | 基于声音信号的天然气管道微泄漏检测方法 |
CN109654383A (zh) * | 2018-11-06 | 2019-04-19 | 三川智慧科技股份有限公司 | 一种供水管道的泄露程度确定方法及系统 |
CN109555979B (zh) * | 2018-12-10 | 2020-03-17 | 清华大学 | 一种供水管网漏损监测方法 |
CN110251137A (zh) * | 2019-06-05 | 2019-09-20 | 长沙湖湘医疗器械有限公司 | 一种用于无创呼吸机的入睡检测方法及使用该方法的呼吸机 |
CN112348177B (zh) * | 2019-07-05 | 2024-01-09 | 安徽寒武纪信息科技有限公司 | 神经网络模型验证方法、装置、计算机设备和存储介质 |
-
2019
- 2019-10-22 CN CN201911006461.9A patent/CN110841143B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110841143A (zh) | 2020-02-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Learning graph structures with transformer for multivariate time-series anomaly detection in IoT | |
He et al. | A deep multi-signal fusion adversarial model based transfer learning and residual network for axial piston pump fault diagnosis | |
Ancona et al. | Radial basis function approach to nonlinear Granger causality of time series | |
Akter et al. | Comprehensive performance assessment of deep learning models in early prediction and risk identification of chronic kidney disease | |
CN113485302B (zh) | 基于多元时序数据的车辆运行过程故障诊断方法及系统 | |
WO2014144769A1 (en) | Fluid analyzer and associated methods | |
CN110399616A (zh) | 命名实体检测方法、装置、电子设备及可读存储介质 | |
CN114386521A (zh) | 时间序列数据的异常检测方法、系统、设备和存储介质 | |
CN110111885B (zh) | 属性预测方法、装置、计算机设备及计算机可读存储介质 | |
CN115062272A (zh) | 一种水质监测数据异常识别及预警方法 | |
CN110841143B (zh) | 一种用于预测输液管路状态的方法及系统 | |
CN111177224A (zh) | 一种基于条件式规整化流模型的时间序列无监督异常检测方法 | |
CN117094451B (zh) | 一种耗电量的预测方法、装置及终端 | |
Xu et al. | Global attention mechanism based deep learning for remaining useful life prediction of aero-engine | |
Bhaskar et al. | An approach for analysis and prediction of CKD using deep learning architecture | |
CN110866672B (zh) | 数据处理方法、装置、终端及介质 | |
CN116712048A (zh) | 血压测量方法、装置及相关设备 | |
Anbalagan et al. | Deep learning model using ensemble based approach for walking activity recognition and gait event prediction with grey level co-occurrence matrix | |
Zhou et al. | A dendritic neuron model for exchange rate prediction | |
CN110841142B (zh) | 一种用于预测输液管路堵塞的方法及系统 | |
CN116364203A (zh) | 一种基于深度学习的水质预测方法、系统和装置 | |
Do et al. | Rapid Response System Based on Graph Attention Network for Predicting In-Hospital Clinical Deterioration | |
Zhang et al. | A Deep Learning Approach to Diabetes Diagnosis | |
Eldele et al. | Tslanet: Rethinking transformers for time series representation learning | |
Batool et al. | An ensemble deep learning model for human activity analysis using wearable sensory 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 |