CN111324659B - 一种针对时序医疗数据的可视化推荐方法及系统 - Google Patents
一种针对时序医疗数据的可视化推荐方法及系统 Download PDFInfo
- Publication number
- CN111324659B CN111324659B CN202010125418.0A CN202010125418A CN111324659B CN 111324659 B CN111324659 B CN 111324659B CN 202010125418 A CN202010125418 A CN 202010125418A CN 111324659 B CN111324659 B CN 111324659B
- Authority
- CN
- China
- Prior art keywords
- visual
- data
- recommendation
- view
- feature
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/26—Visual data mining; Browsing structured data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2457—Query processing with adaptation to user needs
-
- 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
- G16H70/00—ICT specially adapted for the handling or processing of medical references
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种针对时序医疗数据的可视化推荐方法及系统,包括:将采集的时序医疗数据处理为标准格式,获取导入数据库中的数据类别特征;基于已统计分析图表类型,将可视化元素拆分为若干视觉编码通道,不同编码通道对应视觉呈现元素,不同编码通道预设若干种视图绘制方法;根据可视化编码通道内容,获取可视化视觉编码,获取多元化配置结果;根据多元化配置结果,完成可视化推荐;其中,可视化推荐包括:单变量视图推荐、关联特征对视图推荐、替换视图推荐、替换视图推荐。本发明能够实现可视化编码的推荐,可增强推荐结果的针对性以及实用性。
Description
技术领域
本发明属于时序数据的数据分析技术领域,特别涉及一种针对时序医疗数据的可视化推荐方法及系统。
背景技术
传统的医疗事件序列数据具有数据量大、种类繁多,利用率低,时间精度不一的特点。此外,在临床回顾性研究中,往往需要时序数据集挖掘关联关系。目前传统的方法,使用Excel等电子表格或SPSS软件进行数据分析,这些传统的方法在数据的获取、数据清洗和处理,以及获得数据分析的结果上会受到一定程度的限制,且耗时耗力,对海量时序医疗数据里隐含的深层信息难以充分挖掘。
目前,在分析过程中,医疗人员往往需要对临床数据进行病理分析,研究病理类型等各因素之间的关系,考虑如何导入正确格式的医疗数据,如何处理数据以及如何展示数据间的关系等问题,这些都是传统医疗数据分析的不便之处。近年来流行的机器学习方法由于其黑盒性质难以让医疗人员理解数据预测的整个分析过程,使得其可信度降低,单纯的机器学习方法去处理数据难以推广普及。
随着互联网的迅猛发展,信息爆炸式增长,人们无法快速从海量信息中找到有价值的信息。可视化在一定程度上解决了人们信息审查的需求。在时序医疗数据的分析领域内,数据可视化分析是一种强有力的帮助医疗人员进行医疗数据分析的方法。就目前的医疗数据分析领域而言,可视化的方法仍未得到广泛的使用。国内医疗大数据可视化的研究和应用均处于探索阶段,一般的医疗数据系统仅提供医疗信息和数据的列表,不提供可视化图形分析的功能。如果医疗人员希望手动创建可视化图形,那么就必须要去学习图形设计原理相关的知识,掌握可视化的编码规范;且手动对可视化图表进行创建的过程非常耗时耗力。
统计分析技术帮助人们从统计学角度分析数据特征,但是无法捕捉数据间关系。已有的数据分析方式只考虑数据本身特征,未考虑数据关联关系。面对时序海量数据,如何快速准确找到观察数据集发现数据间关系,仍是一个问题。
综上,亟需一种新的针对时序医疗数据的可视化推荐方法及系统。
发明内容
本发明的目的在于提供一种针对时序医疗数据的可视化推荐方法及系统,以解决上述存在的一个或多个技术问题。本发明通过特征选择和相关性分析的算法来实现时序医疗数据中关键特征的选择,再利用可视化视觉编码查询语言的原理,结合数据特征选择的结果,实现可视化编码的推荐,能够增强推荐结果的针对性以及实用性。
为达到上述目的,本发明采用以下技术方案:
本发明的一种针对时序医疗数据的可视化推荐方法,包括以下步骤:
步骤1,将采集的时序医疗数据集处理为标准格式,获取导入数据库中的数据类别特征;其中,处理过程包括:整理、清洗、筛选、去噪;
步骤2,根据步骤1中得到的数据类别特征,基于已统计分析图表类型,将可视化元素拆分为若干视觉编码通道,不同编码通道对应视觉呈现元素,不同编码通道预设若干种视图绘制方法;根据可视化编码通道内容,获取可视化视觉编码;
步骤3,拖拽感兴趣的数据特征到自定义可视化配置模块,拖拽数据到配置项上实现自定义可视化的配置,根据步骤2获得的可视化视觉编码的配置格式,获取多元化配置结果;
步骤4,根据多元化配置结果,完成可视化推荐;其中,可视化推荐包括:单变量视图推荐、关联特征对视图推荐、替换视图推荐、替换视图推荐。
本发明的进一步改进在于,步骤1中包括:
步骤1.1,通过数据拼接、数据类映射方式处理时序医疗数据为规定的字符型、日期型、数值型格式;
步骤1.2,将时序医疗数据中的重复值、缺失值与异常值进行处理;
步骤1.3,通过后台数据处理系统实现数据集的导入,获取导入数据库中的数据类别特征。
本发明的进一步改进在于,步骤2中包括:
步骤2.1,获取可视化编码通道内容;其中,用来抽象可视化元素的通道包括:
图表类型:柱形图、散点图、饼图、折线图、箱型图、误差图;
坐标轴:X轴、Y轴、极坐标;
视觉配置项:颜色、大小、图标类型、图例、XY轴位置;
数据转换:考虑对最小值、最大值、平均值、方差进行计算;
数据分箱:根据选择的范围对数据聚合计算;
步骤2.2,根据步骤2.1获取到的可视化编码通道内容,将通道内容抽象为标准JSON格式进行配置,实现从视觉编码通道到配置文件的过程,获取可视化视觉编码。
本发明的进一步改进在于,步骤3中包括:
步骤3.1,根据步骤2获得的可视化基本配置项文件,加载初始维度树,默认观察角度单变量视图,可视化展示模块显示由后端指定的可视化图形;
步骤3.2,在维度树中选择感兴趣数据特征,拖拽不同特征至X轴或Y轴;
步骤3.3,选择可视化展示的统计分析图表类型;
步骤3.4,选填视觉配置项以及统计函数类型;
步骤3.5,选择生成图表的方式,包括:过滤、绘图、重置;每一种生成图表的方式均依照选择生成可视化配置结果;
步骤3.6,根据步骤3.5获得的可视化配置结果,将该数据特征传到后端系统,以该数据特征作为特征选择算法的输入;在后端处理数据集,集合P={p1,p2,…,pn}表示为收集的n条诊疗记录;其中,每个记录pi包括[{d1:v1},{d2:v2},…,{dm,vm}]特征,dm为记录特征名,vm表示对应特征的值;根据输入的特征数据,生成n×m的特征矩阵。
本发明的进一步改进在于,步骤3中,当需要对特征数据范围进行过滤时,跳过步骤3.1,在自定义可视化配置模块选择过滤选项,在弹出的窗口中输入不同特征数据的需要范围进行数据过滤。
本发明的进一步改进在于,步骤4中,包括:
单变量视图推荐,包括:对数据集进行分析,提供多个单个特征的分析视图;
关联特征对视图推荐,包括:对数据集进行分析,提供关联特征对,提取数据中最小冗余最大相关的维度进行二维可视化图形的推荐;
相关特征视图推荐,包括:选择一项或多项数据之后,基于选择的特征推荐出与其具有显著相关性最高的四个数据特征,并输出描述其相关性的二维可视化图形;
替换视图推荐,包括:可视化图形的样式不是最理想的图形情况时,替换可视化图形的样式,并展示替换之后的可视化图形。
本发明的进一步改进在于,步骤4中,
当配置单一维度时,选择单变量视图推荐,包括:
根据可视化配置结果,判断是否单一的选择了X轴或者Y轴作为配置项;其中,如若为否定结果,则从数据集中选择具有代表性的四个单变量数据,对其可视化,将单变量可视化推荐展示在前端界面中;如若为肯定结果,对于n×m的特征矩阵,采用UmRMR算法,得到特征中的排名前k的特征和数据,结果返回前端;
对于返回的每个特征,考虑特征所在维度的数据类型,根据图表类型排序规则确定图表类型;根据视图通道编码规则,对于单变量视图采用标记类型为tick,数据用x通道进行展示,确定每个特征对应视图;
当未配置观察维度时,选择关联特征对视图推荐,包括:
对于n×m的特征矩阵,采用皮尔斯系数相关性分析方法计算所有特征的相关性,取排名前k个特征对,结果返回前端;
对于返回的特征对,考虑特征维度的数据类型,确定不同特征数据类型对应的视图编码通道,生成映射关系,将每个映射与每个标记类型相结合,生成每个编码候选;确定标记类型是否适合给定的映射;分配符合标准的标记类型,确定推荐视图。
本发明的进一步改进在于,步骤4中,
有两个维度输入时,选择相关特征视图推荐时,包括:
以选择维度为标签,对于n×m的特征矩阵,采用mRMR算法计算所有特征与已选特征的相关性,取排名前k个相关特征,结果返回前端;
对于返回的特征,修改可视化编码的说明符为隐式;
确定不同特征数据类型对应的视图编码通道,生成映射关系,将其中每个映射与每个标记类型相结合,生成每个编码候选;确定支持的标记类型集;分配符合标准的标记类型,确定推荐视图;
有两个维度输入时,选择替换视图推荐时,包括:
对于n×m的特征矩阵,使用通配符替换编码通道和标记类型,使用相似编码进行分组;基于感知有效性指标对生成的编码进行排序,展示最终结果。
本发明的一种针对时序医疗数据的可视化推荐系统,包括:
数据维度选择模块,用于将采集的时序医疗数据集处理为标准格式,获取导入数据库中的数据类别特征;其中,处理过程包括:整理、清洗、筛选、去噪;
自定义可视化配置模块,用于根据得到的数据类别特征,基于已统计分析图表类型,将可视化元素拆分为若干视觉编码通道,不同编码通道对应视觉呈现元素,不同编码通道预设若干种视图绘制方法;根据可视化编码通道内容,获取可视化视觉编码;拖拽感兴趣的数据特征到自定义可视化配置模块,拖拽数据到配置项上实现自定义可视化的配置,根据获得的可视化视觉编码的配置格式,获取多元化配置结果;
推荐和可视化展示模块,用于根据多元化配置结果,完成可视化推荐;其中,可视化推荐角度包括:单变量视图推荐、关联特征对视图推荐、替换视图推荐、替换视图推荐;用于展示在自定义可视化的配置模块配置完成后推荐生成的图形。
与现有技术相比,本发明具有以下有益效果:
本发明提供了一种针对时序医疗数据的可视化推荐方法,传统方法获得数据分析的结果上会受到相当一定程度的限制,并且耗时耗力,对海量时序医疗数据里隐含的深层信息难以充分挖掘,深度学习模型的黑盒性质忽视了结果的可解释性,使得处理方法难以大面积推广,可信度差。本发明在医疗数据的分析领域内,使用数据可视化分析方法,利用可视化编码规范快速有效地将海量的医疗数据展示为可视化图形,简化数据分析流程,视觉图形以其直观、易于理解、易读的特点可以使医疗人员更加清楚地了解医疗数据的分布,数据的特征与相互之间的联系,帮助医疗人员快速高效的获得各种医疗数据之间的关系图表,增强了方法的可解释性,易于推广,被非专业人员接受。
本发明的可视化推荐方法,使用数据可视化技术,对医疗数据进行深入的观察和分析,推荐相关度最高的特征视图;首先,基于医学统计学的基础,采集病史病历记录,预处理为标准的时序数据文件,随后通过后台数据处理系统实现数据集的导入,获取导入数据库中的数据类别特征;其次,抽象可视化编码通道,基于已统计分析图表类型,将可视化元素拆分为若干视觉编码通道,不同编码通道对应视觉呈现元素,不同通道预设若干种视图绘制方法;接下来,进行自定义可视化配置,用户拖拽感兴趣的数据特征到自定义可视化配置模块,拖拽数据到配置项上实现自定义可视化的配置,获取多元化配置结果;最后进行可视化视图推荐,在系统的视图推荐模块,复选框中的可视化推荐方式分为单变量视图推荐、关联特征对视图推荐、相关特征视图推荐、替换视图推荐,用户可以从不同角度对数据集进行观察研究,挖掘数据集特征和不同维度关联特征,后端会根据对应的特征选择算法,寻找最优特征子集,获取关键特征维度及数据,再利用可视化视觉编码查询语言的原理,结合数据特征选择的结果,从而快速得到关键视图,弥补了非专业人士在手动创建图形时,必须花费时间去学习图形设计原理相关的知识,掌握可视化的编码规范的缺陷,节省时间人力成本,提高数据的利用率以及分析时间。本发明的可视化推荐系统,通过将数据维度选择模块、自定义可视化配置模块、可视化展示模块、可视化视图推荐模块、历史操作管理模块高度衔接,为医疗人员提供了相关视图推荐功能选项,由用户交互来选择不同的推荐方法,可增强推荐结果的针对性以及实用性;添加了历史操作管理模块,保留用户的历史操作,方便追溯对比不同操作的结果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面对实施例或现有技术描述中所需要使用的附图做简单的介绍;显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来说,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例的一种针对时序医疗数据的可视化推荐方法的流程示意框图;
图2是本发明实施例中,针对单变量视图推荐的流程示意框图;
图3是本发明实施例中,针对时序医疗数据的可视化推荐系统的基本模块结构示意图。
图4是本发明实施例的一种针对时序医疗数据的可视化推荐系统的流程示意图;
具体实施方式
为使本发明实施例的目的、技术效果及技术方案更加清楚,下面结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述;显然,所描述的实施例是本发明一部分实施例。基于本发明公开的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的其它实施例,都应属于本发明保护的范围。
请参阅图1,本发明实施例的一种针对时序医疗数据的可视化推荐方法,包括以下步骤:
步骤1,数据采集与预处理:从医疗机构采集所需数据,主要数据为病史病历记录,包括的数据类别具体分为:住院病案首页提取信息、骨密度检查项、骨代谢检查项;将数据筛选整理成标准格式,获得导入数据库中的数据类别特征;其中,整理过程包括:对收集的时序医疗数据集进行整理、清洗、筛选和去噪。
优选的,步骤1具体包括以下步骤:
步骤1.1,首先,通过数据拼接、数据类映射方式处理数据为规定的字符型、日期型、数值型格式;
步骤1.2,将数据中的重复值、缺失值与异常值进行处理;
步骤1.3,通过后台数据处理系统实现数据集的导入,获取导入数据库中的数据类别特征。
步骤2,抽象可视化编码通道:根据步骤1中得到的数据类别特征,基于已统计分析图表类型,具体包括:柱形图(对应医学统计分析中的条图)、散点图、饼图(圆图)、折线图、箱型图、误差图几类;将可视化元素拆分为若干视觉编码通道,不同编码通道对应视觉呈现元素,不同通道预设若干种视图绘制方法。
优选的,步骤2具体包括以下步骤:
步骤2.1,总结了如下所示通道,用来抽象可视化元素:
(1)图表类型:柱形图(对应医学统计分析中的条图)、散点图、饼图(圆图)、折线图、箱型图、误差图;
(2)坐标轴:X轴、Y轴、极坐标;
(3)视觉配置项:颜色、大小、图标类型、图例、XY轴位置;
(5)数据转换:考虑对最小值、最大值、平均值、方差进行计算;
(6)数据分箱:根据用户选的范围对数据聚合计算;
步骤2.2,根据步骤2.1中获取到的可视化编码通道内容,将通道内容抽象为标准JSON格式进行配置,实现了从视觉编码通道到配置文件的过程,获取可视化视觉编码。
对于以上可视化编码通道,我们最终抽象为如下格式进行配置:
实现了从视觉编码通道到配置文件的过程。
步骤3,自定义可视化配置:用户拖拽感兴趣的数据特征到自定义可视化配置模块,拖拽数据到配置项上实现自定义可视化的配置,根据步骤2中获得的可视化视觉编码的配置格式,获取多元化配置结果;
其中,步骤3具体包括以下步骤:
步骤3.1,系统界面初始化:根据步骤2获得的可视化基本配置项文件,加载初始维度树,默认观察角度单变量视图,可视化展示模块自动显四个由后端指定的可视化图形;
步骤3.2,在页面模块最左侧生成的维度树中选择感兴趣数据特征,拖拽不同特征至X轴或者Y轴;
步骤3.3,选择可视化展示的统计分析图表类型;
步骤3.4,选填包括行数、列数、颜色、大小、图标类型这些视觉配置项以及统计函数类型;
步骤3.5,选择一种生成图表的方式,包括过滤、绘图、重置,如果需要对特征数据范围做进一步严格过滤,则无需进行步骤3.2,直接在自定义可视化配置模块选择过滤选项,在弹出的窗口中输入不同特征数据的需要范围进行数据过滤,此过滤为所有数据的全点位搜索模式,按照数据的不同类型展示不同的过滤框;如果无需过滤,选择绘图生成图表展示在可视化展示模块即可;如果想初始化配置,选择重置。每一种生成图表的方式都会依照用户所做选择生成最后的可视化配置结果;
步骤3.6,根据步骤3.5中得到的可视化配置结果,将该特征传到后端系统,以该数据特征作为特征选择算法的输入。在后端处理数据集,集合P={p1,p2,…,pn}表示为收集的n条诊疗记录。其中,每个记录pi包括[{d1:v1},{d2:v2},…,{dm,vm}]特征,dm为记录特征名,vm表示对应特征的值;根据输入的特征数据,生成n×m的特征矩阵。
步骤4,可视化视图推荐:根据步骤3.6中在后端得到的可视化配置结果,在系统的视图推荐模块,复选框中的可视化推荐方式分为:
(1)单变量视图推荐:该观察角度为医疗数据分析人员对数据集进行分析,提供多个单个特征的分析视图,推荐其可能感兴趣的数据特征。通过提供该特征的一维可视化图形,鼓励探索数据集中不同的特征领域。
(2)关联特征对视图推荐:为医疗数据分析人员对数据集进行分析,提供关联特征对,提取数据中最小冗余最大相关的维度进行二维可视化图形的推荐。
(3)相关特征视图推荐:当医疗数据分析人员在系统中选择了一项或多项数据之后,相关视图推荐模块就可以基于用户所选择的特征推荐出与其具有显著相关性最高的四个数据特征,并输出描述其相关性的二维可视化图形。
(4)替换视图推荐:当医疗数据分析人员在创建一个二维的可视化图形时,会存在因为对可视化编码知识不足而导致所得到的可视化图形的样式不是其最理想的图形的情况。可视化视图推荐模块中的替换视图推荐可以自动为用户替换可视化图形的样式,并把这些替换之后的可视化图形展现给用户,帮助用户寻找到更好的可视化效果,可视化相关视图推荐系统可以得到并输出不同样式的该二维可视化图形供用户选择。
用户可以从不同角度对数据集进行观察研究,挖掘数据集特征和不同维度关联特征,提取数据中最小冗余最大相关的维度,当数据分析人员在获取可视化图形后,相关视图推荐功能模块将会为他们提供所需要的推荐结果,寻找最优特征子集,获取关键特征维度及数据。
请参阅图2,本发明实施例中,当用户选择单一维度或者未选择观察维度时,用户可以在复选框中选择单变量视图推荐和关联特征对视图推荐两个观察角度:
步骤4.1,当用户配置单一维度,可选择单变量视图推荐,前端将该设置项传到后端;
其中,步骤4.1具体包括以下步骤:
步骤4.1.1,根据步骤3.6的可视化配置结果,判断中用户是否单一的选择了X轴或者Y轴作为配置项;
步骤4.1.2,根据步骤4.1.1的结果,如若步骤4.1.1为否定结果,相关视图推荐系统将会从数据集中选择具有代表性的四个单变量数据,对其可视化,将单变量可视化推荐展示在前端界面中,为用户开展数据分析和可视化工作提供一个基本的方向;
步骤4.1.3,根据步骤4.1.1的结果,如若步骤4.1.1为肯定结果,对于n×m的特征矩阵,采用UmRMR算法,得到特征中的排名前k的特征和数据(这里k对应最后得到的视图数),结果返回前端;
步骤4.1.4,根据步骤4.1.3得到的每个推荐特征,首先考虑特征所在维度的数据类型,根据图表类型排序规则确定图表类型。其次,根据视图通道编码规则,对于单变量视图可以采用mark为tick,数据用x通道进行展示。最终确定每个特征对应视图。
步骤4.2,当用户未配置观察维度,可选择关联特征对视图推荐,前端将该设置项传至后端。
其中,步骤4.2具体包括以下步骤:
步骤4.2.1,对于n×m的特征矩阵,采用皮尔斯系数相关性分析方法计算所有特征的相关性,取排名前k个特征对,结果返回前端;
步骤4.2.2,根据步骤4.2.1得到的特征对,首先考虑特征维度的数据类型,根据表1规则确定不同特征特征数据类型对应的视图编码编码通道,生成一组映射关系,将其中每个映射与每个标记类型相结合,生成每个编码候选;其次根据表2筛选确定一个标记类型是否适合给定的映射,是否需要一些编码通道;确定了支持的标记类型集之后,根据表3,分配最符合标准的标记类型,最终确定推荐视图。其中,表1为Compass中每种数据类型的允许编码通道,按感知有效性等级排序;表2为标记类型所需和允许的编码通道;表3,允许基于x和y通道的数据类型的标记类型,N、O、T、Q分别表示定类型、定序型、时间型、定量型。
用户可以选择上述推荐视图进行进一步观察,也可以自由选择维度,自主绘图。当自定义视图模块有两个维度输入时,用户可以选择相关特征视图推荐和替换视图推荐两个视角对数据进行观察研究。
步骤4.3,当用户选择相关特征视图推荐时,前端将该设置项传至后端;
其中,步骤4.3具体包括以下步骤:
步骤4.3.1,以选择维度为标签,对于n×m的特征矩阵,采用mRMR算法计算所有特征与已选特征的相关性,取排名前k个相关特征,结果返回前端;
步骤4.3.2对于4.3.1步得到的特征,修改可视化编码的说明符为隐式。当可视化编码的mark属性设置为隐式,意味着系统会枚举所有可能的mark类型(例如bar、line、area、point)。
步骤4.3.3,根据表1规则确定不同特征特征数据类型对应的视图编码编码通道,生成一组映射关系,将其中每个映射与每个标记类型相结合,生成每个编码候选;其次根据表2筛选确定一个标记类型是否适合给定的映射,是否需要一些编码通道;确定了支持的标记类型集之后,根据表3,分配最符合标准的标记类型,最终确定推荐视图。
步骤4.4,当用户选择替换视图推荐时,前端将该设置项传至后端,对于n×m的特征矩阵,使用通配符来替换编码通道(channel)和标记类型(mark),使用相似编码来进行分组,并基于感知有效性指标对生成的编码进行排序,对最终结果在可视化推荐模块展示出来。
表1.Compass中每种数据类型的允许编码通道,按感知有效性等级排序;
表2.标记类型所需和允许的编码通道
表3.允许基于x和y通道的数据类型的标记类型
请参阅图3,本发明实施例的一种针对时序医疗数据的可视化推荐系统,包括:
数据维度选择模块,表示数据的维度树部分,主要的数据类型包含时间型、字符型、数值型,由住院病案首页提取信息、骨密度检查项、骨代谢检查项三部分数据组成,由用户进行维度的搜索和观察维度的选择;
自定义可视化配置模块,用户通过拖拽数据到配置项上实现自定义可视化的配置,主要包括柱形图(对应医学统计分析中的条图)、散点图、饼图(圆图)、折线图、箱型图、误差图、气泡图;
可视化展示模块,根据用户在自定义可视化配置模块中选择的最终可视化配置结果,绘出配置完成后生成的图形,展示在自定义可视化的配置模块;
可视化视图推荐模块,通过特征选择和相关性分析的算法来实现时序医疗数据中关键特征的选择,再利用可视化视觉编码查询语言的原理,结合数据特征选择的结果,从而实现可视化编码的推荐。在系统的视图推荐模块,复选框中的可视化推荐方式包括单变量视图推荐、关联特征对视图推荐、相关特征视图推荐、替换视图推荐。当数据分析人员在获取可视化图形后,相关视图推荐功能模块将会为他们提供所需要的推荐结果,寻找最优特征子集,获取关键特征维度及数据;
历史操作管理模块,系统将每一个用户操作保存到list,并将每一个观察角度设置项和自定义模块配置项保存在数据库中。用户通过再次点击某一次历史记录条目,可视化展示模块以及可视化视图推荐模块会重新绘制展示新的图形,方便用户横向对比各种配置选项结果。
本发明实施例的系统是基于医疗数据的自定义可视化系统,该系统的主要系统架构包括前端模块与后端模块两个部分。其中,前端模块的是基于Angular框架实现的,其主要任务是提供自定义可视化系统的用户界面和前端服务模块,用户界面包括自定义可视化配置项,医疗数据的层级结构,可视化视图生成和相关视图的生成的功能;服务模块包括获取用户选择的配置项,服务器请求数据以及可视化编码查询功能。前端模块为用户提供了自定义可视化的界面和服务,在实现快速自定义可视化过程中,医疗人员通过拖拽所需要的医疗数据项到可视化配置栏中,前端的服务模块可以获取到该配置,依据该配置进行可视化编码查询,然后在前端页面中进行可视化图形的展示。同时,前端也可以将用户指定的配置传到后端模块进行数据请求,将获得的经过后端处理的数据作为编码查询的数据项,然后依据用户选择的推荐方式查询相关可视化编码,得到的相关视图展示在前端页面的相关视图模块中。
本发明基于Angular前段框架以及后端Flask框架搭建,用户使用时,仅需常规的浏览器即可完成相关操作,无须安装其他附带软件。同时,该平台不受操作系统的限制,可用于Windows、Mac和Linux等多种操作平台。
本发明的时序数据数据整理、数据维度选择模块、可视化视图推荐模块由后端Python语言实现,自定义可视化配置模块、可视化展示模块、历史操作管理模块由前端Angular框架中实现。前端Angular使用数据双向绑定,允许模型层(Model)与视图层(View)之间的数据实现自动同步,提升了系统的可测试性,具有依赖注入的设计模式,某个对象依赖的其他对象不需要手动创建,框架会自动创建所依赖的对象并注入进来,这使得前端的代码可以提高重用性与灵活性,大量的操作可以放在客户端,同时模块化设计,高内聚低耦合,在网站的对用户请求的响应方面反应更加快速,为后端的设计减少了负担,也为前端的维护工作提供了便利。后端Flask框架具有简单易用,配置灵活,低耦合等优点,不需要借助其他软件,只要安装了Python的IDE,在命令行直接运行即可,同时路由函数的需求也只需要通过在Python中导入相应的包即可,对于小型,简单的Web系统开发较为适用。
本发明提供了搜索结果四个方面的可视化展现,同时根据用户交互行为为用户推荐相关性最高的医疗数据特征,方便医疗人员对数据的分析,在临床做出更精准的诊断。本发明中,进行基于医疗大数据的自定义可视化系统的架构设计、总结医疗统计分析规律、数据处理、自定义可视化模块的设计、相关视图推荐模块的设计以及系统功能的实现。
实施例:
请参阅图4,本发明实施例的一种针对时序医疗数据的可视化推荐系统,应用于医疗数据分析领域,包括以下步骤:
步骤1,数据采集与预处理:从医疗机构采集所需数据,将数据筛选整理成标准格式,包括:对收集的时序医疗数据集进行整理、清洗、筛选和去噪,首先,通过数据拼接、数据类映射方式处理数据为规定的字符型、日期型、数值型格式,随后将数据中的重复值、缺失值与异常值进行处理,随后通过后台数据处理系统实现数据集的导入,获取导入数据库中的数据类别特征;
步骤2,抽象可视化编码通道:根据步骤1中得到的数据类别特征,将可视化元素拆分为若干视觉编码通道,不同编码通道对应视觉呈现元素,不同通道预设若干种视图绘制方法。
步骤2具体包括以下步骤:
步骤2.1,总结了如下所示通道,用来抽象可视化元素:
(1)图表类型:柱形图(对应医学统计分析中的条图)、散点图、饼图(圆图)、折线图、箱型图、误差图;
(2)坐标轴:X轴、Y轴、极坐标;
(3)视觉配置项:颜色、大小、图标类型、图例、XY轴位置;
(5)数据转换:考虑对最小值、最大值、平均值、方差进行计算;
(6)数据分箱:根据用户选的范围对数据聚合计算;
步骤2.2,根据步骤2.1中获取到的可视化编码通道内容,将通道内容抽象为标准JSON格式进行配置,实现了从视觉编码通道到配置文件的过程,获取可视化视觉编码。实现从视觉编码通道到配置文件的过程。
步骤3,自定义可视化配置:用户拖拽感兴趣的数据特征到自定义可视化配置模块,拖拽数据到配置项上实现自定义可视化的配置,根据步骤2中获得的可视化视觉编码的配置格式,获取多元化配置结果;
其中,步骤3具体包括以下步骤:
步骤3.1,系统界面初始化:根据步骤2获得的可视化基本配置项文件,加载初始维度树,默认观察角度为单变量视图,可视化展示模块自动显四个由后端指定的可视化图形;
步骤3.2,在页面模块最左侧生成的维度树中选择乳腺癌患者的骨代谢数据,将T-25(OH)D项拖拽到X,将βCross项拖拽到Y;
步骤3.3,选择图表样式为柱形图,不考虑选填项,完成可视化配置;
步骤3.4,选择一种生成图表的方式为绘图,可视化系统将自动生成乳腺癌患者T-25(OH)D和βCross项的二维柱形图;
步骤3.5,根据步骤3.4中得到的可视化配置结果,将该特征传到后端系统,以该数据特征作为特征选择算法的输入。在后端处理数据集,集合P={p1,p2,…,pn}表示为收集的n条诊疗记录。其中,每个记录pi包括[{d1:v1},{d2:v2},…,{dm,vm}]特征,dm为记录特征名,vm表示对应特征的值;根据输入的特征数据,生成n×m的特征矩阵;
步骤4,可视化视图推荐:根据步骤3.5中在后端得到的可视化配置结果,在系统的可视化视图推荐模块,复选框中的可视化推荐方式分为单变量视图推荐、关联特征对视图推荐、相关特征视图推荐、替换视图推荐。用户可以从不同角度对数据集进行观察研究,挖掘数据集特征和不同维度关联特征,当数据分析人员在获取可视化图形后,相关视图推荐功能模块将会为他们提供所需要的推荐结果,分析人员可以在得到的自定义可视化视图的基础上,浏览和选择这些推荐结果,这些结果可以为他们进行医疗数据的可视化分析过程提供更有延展性的信息。
其中,步骤4具体包括以下步骤:
步骤4.1,在可视化视图推荐模块中,选择复选框中视图推荐方式为替换视图推荐,前端将该设置项传至后端;
步骤4.2,根据步骤3.5中在后端得到的可视化配置结果,将可视化编码的mark属性设置为隐式,将显示与所选的T-25(OH)D项以及βCross项不同的推荐特征生成的视图,
步骤4.3,根据步骤3.5中在后端得到的可视化配置结果,首先考虑特征所在维度的数据类型,根据图表类型排序规则确定图表类型。其次,根据数据类型对x/y,size,color,text,column/row等编码通道进行排序,按照得分高低对视图进行排序,使用相似编码来进行分组,并基于感知有效性指标对生成的编码进行排序;
步骤4.4,将步骤4.3的排序结果返回前端,在可视化视图推荐模块处自动生成了两个修改编码后的可视化图表,T-25(OH)D项的编码通道(channel)替换为颜色(color),βCross项的视图标记(mark)替换为跳动点,数据聚合方式(aggregate)替换为均值(mean)生成第一个推荐图表;
步骤4.5,将T-25(OH)D项的编码通道(channel)替换为y轴,βCross项的视图标记(mark)替换为散点,数据聚合方式(aggregate)替换为平均数(average)生成第二个推荐图表。更改编码后,相关视图推荐模块提供相同数据的不同样式的可视化结果,供用户选择。
步骤5,系统将每一个用户操作保存到list,并将每一个观察角度设置项和自定义模块配置项保存在数据库中。在客户端的历史操作管理模块同步地按时间排序纵向展示用户选择的自定义可视化的配置,用户通过再次点击某一次历史记录条目,可视化展示模块以及可视化视图推荐模块会重新绘制展示新的图形。
综上,本发明公开了一种针对时序数据分析的可视化推荐方法及系统,进行基于医疗大数据的自定义可视化系统的架构设计、总结医疗统计分析规律、数据处理、自定义可视化模块的设计、相关视图推荐模块的设计以及系统功能的实现。具体包括以下步骤:首先,基于医学统计学的基础,采集病史病历记录,预处理为标准的时序数据文件,随后通过后台数据处理系统实现数据集的导入,获取导入数据库中的数据类别特征;其次,抽象可视化编码通道,基于已统计分析图表类型,将可视化元素拆分为若干视觉编码通道,不同编码通道对应视觉呈现元素,不同通道预设若干种视图绘制方法;接下来,进行自定义可视化配置,用户拖拽感兴趣的数据特征到自定义可视化配置模块,拖拽数据到配置项上实现自定义可视化的配置,获取多元化配置结果;最后进行可视化视图推荐,在系统的视图推荐模块,复选框中的可视化推荐方式分为单变量视图推荐、关联特征对视图推荐、相关特征视图推荐、替换视图推荐,用户可以从不同角度对数据集进行观察研究,挖掘数据集特征和不同维度关联特征,后端会根据对应的特征选择算法,寻找最优特征子集,获取关键特征维度及数据,再利用可视化视觉编码查询语言的原理,结合数据特征选择的结果,从而快速得到关键视图,在可视化视图推荐功能模块中展示推荐结果。弥补了非专业人士在手动创建图形时,必须花费时间去学习图形设计原理相关的知识,掌握可视化的编码规范的缺陷,节省时间人力成本,提高数据的利用率以及分析时间。
不同于现有方法获得数据分析的结果上会受到相当一定程度的限制,并且耗时耗力,对海量时序医疗数据里隐含的深层信息难以充分挖掘,黑盒操作可信度低,本发明在医疗数据的分析领域内,使用数据可视化分析方法,利用可视化编码规范快速有效地将海量的医疗数据展示为可视化图形,简化数据分析流程,视觉图形以其直观、易于理解、易读的特点可以使医疗人员更加清楚地了解医疗数据的分布,数据的特征与相互之间的联系,帮助医疗人员快速高效的获得各种医疗数据之间的关系图表。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员依然可以对本发明的具体实施方式进行修改或者等同替换,这些未脱离本发明精神和范围的任何修改或者等同替换,均在申请待批的本发明的权利要求保护范围之内。
Claims (9)
1.一种针对时序医疗数据的可视化推荐方法,其特征在于,包括以下步骤:
步骤1,将采集的时序医疗数据处理为标准格式,获取导入数据库中的数据类别特征;其中,处理过程包括:整理、清洗、筛选、去噪;
步骤2,根据步骤1中得到的数据类别特征,基于已统计分析图表类型,将可视化元素拆分为若干视觉编码通道,不同编码通道对应视觉呈现元素,不同编码通道预设若干种视图绘制方法;根据可视化编码通道内容,获取可视化视觉编码;
步骤3,拖拽感兴趣的数据特征到自定义可视化配置模块,拖拽数据到配置项上实现自定义可视化的配置,根据步骤2获得的可视化视觉编码的配置格式,获取多元化配置结果;
步骤4,根据多元化配置结果,完成可视化推荐;其中,可视化推荐包括:单变量视图推荐、关联特征对视图推荐、相关特征视图推荐、替换视图推荐。
2.根据权利要求1所述的一种针对时序医疗数据的可视化推荐方法,其特征在于,步骤1中包括:
步骤1.1,通过数据拼接、数据类映射方式处理时序医疗数据为规定的字符型、日期型、数值型格式;
步骤1.2,将时序医疗数据中的重复值、缺失值与异常值进行处理;
步骤1.3,通过后台数据处理系统实现数据集的导入,获取导入数据库中的数据类别特征。
3.根据权利要求1所述的一种针对时序医疗数据的可视化推荐方法,其特征在于,步骤2中包括:
步骤2.1,获取可视化编码通道内容;其中,用来抽象可视化元素的通道包括:
图表类型:柱形图、散点图、饼图、折线图、箱型图、误差图;
坐标轴:X轴、Y轴、极坐标;
视觉配置项:颜色、大小、图标类型、图例、XY轴位置;
数据转换:考虑对最小值、最大值、平均值、方差进行计算;
数据分箱:根据选择的范围对数据聚合计算;
步骤2.2,根据步骤2.1获取到的可视化编码通道内容,将通道内容抽象为标准JSON格式进行配置,实现从视觉编码通道到配置文件的过程,获取可视化视觉编码。
4.根据权利要求3所述的一种针对时序医疗数据的可视化推荐方法,其特征在于,步骤3中包括:
步骤3.1,根据步骤2获得的可视化基本配置项文件,加载初始维度树,默认观察角度单变量视图,可视化展示模块显示由后端指定的可视化图形;
步骤3.2,在维度树中选择感兴趣数据特征,拖拽不同特征至X轴或Y轴;
步骤3.3,选择可视化展示的统计分析图表类型;
步骤3.4,选填视觉配置项以及统计函数类型;
步骤3.5,选择生成图表的方式,包括:过滤、绘图、重置;每一种生成图表的方式均依照选择生成可视化配置结果;
步骤3.6,根据步骤3.5获得的可视化配置结果,将该数据特征传到后端系统,以该数据特征作为特征选择算法的输入;在后端处理数据集,集合P={p1,p2,…,pn}表示为收集的n条诊疗记录;其中,每个记录pi包括[{d1:v1},{d2:v2},…,{dm,vm}]特征,dm为记录特征名,vm表示对应特征的值;根据输入的特征数据,生成n m的特征矩阵。
5.根据权利要求4所述的一种针对时序医疗数据的可视化推荐方法,其特征在于,步骤3中,当需要对特征数据范围进行过滤时,跳过步骤3.1,在自定义可视化配置模块选择过滤选项,在弹出的窗口中输入不同特征数据的需要范围进行数据过滤。
6.根据权利要求4所述的一种针对时序医疗数据的可视化推荐方法,其特征在于,步骤4中,包括:
单变量视图推荐,包括:对数据集进行分析,提供多个单个特征的分析视图;
关联特征对视图推荐,包括:对数据集进行分析,提供关联特征对,提取数据中最小冗余最大相关的维度进行二维可视化图形的推荐;
相关特征视图推荐,包括:选择一项或多项数据之后,基于选择的特征推荐出与其具有显著相关性最高的四个数据特征,并输出描述其相关性的二维可视化图形;
替换视图推荐,包括:可视化图形的样式不是最理想的图形情况时,替换可视化图形的样式,并展示替换之后的可视化图形。
7.根据权利要求4所述的一种针对时序医疗数据的可视化推荐方法,其特征在于,步骤4中,
当配置单一维度时,选择单变量视图推荐,包括:
根据可视化配置结果,判断是否单一的选择了X轴或者Y轴作为配置项;其中,如若为否定结果,则从数据集中选择具有代表性的四个单变量数据,对其可视化,将单变量可视化推荐展示在前端界面中;如若为肯定结果,对于n m的特征矩阵,采用UmRMR算法,得到特征中的排名前k的特征和数据,结果返回前端;
对于返回的每个特征,考虑特征所在维度的数据类型,根据图表类型排序规则确定图表类型;根据视图通道编码规则,对于单变量视图采用标记类型为tick,数据用x通道进行展示,确定每个特征对应视图;
当未配置观察维度时,选择关联特征对视图推荐,包括:
对于n m的特征矩阵,采用皮尔斯系数相关性分析方法计算所有特征的相关性,取排名前k个特征对,结果返回前端;
对于返回的特征对,考虑特征维度的数据类型,确定不同特征数据类型对应的视图编码通道,生成映射关系,将每个映射与每个标记类型相结合,生成每个编码候选;确定标记类型是否适合给定的映射;分配符合标准的标记类型,确定推荐视图。
8.根据权利要求4所述的一种针对时序医疗数据的可视化推荐方法,其特征在于,步骤4中,
有两个维度输入时,选择相关特征视图推荐,包括:
以选择维度为标签,对于n m的特征矩阵,采用mRMR算法计算所有特征与已选特征的相关性,取排名前k个相关特征,结果返回前端;
对于返回的特征,修改可视化编码的说明符为隐式;
确定不同特征数据类型对应的视图编码通道,生成映射关系,将其中每个映射与每个标记类型相结合,生成每个编码候选;确定支持的标记类型集;分配符合标准的标记类型,确定推荐视图;
有两个维度输入时,选择替换视图推荐时,包括:
对于n m的特征矩阵,使用通配符替换编码通道和标记类型,使用相似编码进行分组;基于感知有效性指标对生成的编码进行排序,展示最终结果。
9.一种针对时序医疗数据的可视化推荐系统,其特征在于,包括:
数据维度选择模块,用于将采集的时序医疗数据集处理为标准格式,获取导入数据库中的数据类别特征;其中,处理过程包括:整理、清洗、筛选、去噪;
自定义可视化配置模块,用于根据得到的数据类别特征,基于已统计分析图表类型,将可视化元素拆分为若干视觉编码通道,不同编码通道对应视觉呈现元素,不同编码通道预设若干种视图绘制方法;根据可视化编码通道内容,获取可视化视觉编码;拖拽感兴趣的数据特征到自定义可视化配置模块,拖拽数据到配置项上实现自定义可视化的配置,根据获得的可视化视觉编码的配置格式,获取多元化配置结果;
推荐和可视化展示模块,用于根据多元化配置结果,完成可视化推荐;其中,可视化推荐角度包括:单变量视图推荐、关联特征对视图推荐、相关特征视图推荐、替换视图推荐;用于展示在自定义可视化的配置模块配置完成后推荐生成的图形。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010125418.0A CN111324659B (zh) | 2020-02-27 | 2020-02-27 | 一种针对时序医疗数据的可视化推荐方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010125418.0A CN111324659B (zh) | 2020-02-27 | 2020-02-27 | 一种针对时序医疗数据的可视化推荐方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111324659A CN111324659A (zh) | 2020-06-23 |
CN111324659B true CN111324659B (zh) | 2023-05-02 |
Family
ID=71172147
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010125418.0A Active CN111324659B (zh) | 2020-02-27 | 2020-02-27 | 一种针对时序医疗数据的可视化推荐方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111324659B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116157074A (zh) * | 2020-08-24 | 2023-05-23 | 深圳迈瑞生物医疗电子股份有限公司 | 超声成像系统和超声图像分析方法 |
CN112256789B (zh) * | 2020-10-19 | 2022-06-17 | 杭州比智科技有限公司 | 数据智能可视化分析方法和装置 |
CN112749224A (zh) * | 2020-12-31 | 2021-05-04 | 清华大学 | 一种面向任务的可视化推荐方法及装置 |
CN114331284B (zh) * | 2021-12-31 | 2023-02-10 | 深圳市凯东源现代物流股份有限公司 | 一种基于云计算的智能仓储服务管理系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060112123A1 (en) * | 2004-11-24 | 2006-05-25 | Macnica, Inc. | Spreadsheet user-interfaced business data visualization and publishing system |
US9299173B2 (en) * | 2011-06-07 | 2016-03-29 | International Business Machines Corporation | Automatic selection of different visualizations for the organization of multivariate data |
CN108846066B (zh) * | 2018-06-06 | 2020-01-24 | 上海计算机软件技术开发中心 | 一种可视化的数据分析方法及系统 |
-
2020
- 2020-02-27 CN CN202010125418.0A patent/CN111324659B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111324659A (zh) | 2020-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111324659B (zh) | 一种针对时序医疗数据的可视化推荐方法及系统 | |
Kehrer et al. | Visualization and visual analysis of multifaceted scientific data: A survey | |
Bernard et al. | Motionexplorer: Exploratory search in human motion capture data based on hierarchical aggregation | |
Walker et al. | Timenotes: a study on effective chart visualization and interaction techniques for time-series data | |
Lam et al. | Seven guiding scenarios for information visualization evaluation | |
Xie et al. | VAET: A visual analytics approach for e-transactions time-series | |
Klemm et al. | Interactive visual analysis of image-centric cohort study data | |
US20100153372A1 (en) | 3d visualization system for web survey | |
US20110175905A1 (en) | Infoshape: displaying multidimensional information | |
CN103942198B (zh) | 用于挖掘意图的方法和设备 | |
Liu et al. | SocialBrands: Visual analysis of public perceptions of brands on social media | |
CN110603596B (zh) | 基因组数据分析系统和方法 | |
Deng et al. | VisImages: A fine-grained expert-annotated visualization dataset | |
Ganglberger et al. | BrainTrawler: A visual analytics framework for iterative exploration of heterogeneous big brain data | |
Isenberg et al. | Toward a deeper understanding of visualization through keyword analysis | |
Xia et al. | Exploring linear projections for revealing clusters, outliers, and trends in subsets of multi-dimensional datasets | |
Wu et al. | SEQIT: visualizing sequences of interest in eye tracking data | |
EP2348403A1 (en) | Method and system for analyzing a legacy system based on trails through the legacy system | |
Zhang et al. | Enconvis: A unified framework for ensemble contour visualization | |
Bae et al. | Visual data analysis | |
Peng et al. | TargetingVis: visual exploration and analysis of targeted advertising data | |
Bernold et al. | preha: Establishing Precision Rehabilitation with Visual Analytics. | |
Alnjar | Data visualization metrics between theoretic view and real implementations: A review | |
Wu et al. | Hummod browser: An exploratory visualization tool for the analysis of whole-body physiology simulation data | |
CN113297836A (zh) | 影像报告标签评估方法、装置、计算机设备和存储介质 |
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 |