CN111387938A - 一种基于特征重排一维卷积神经网络的病人心衰死亡风险预测系统 - Google Patents
一种基于特征重排一维卷积神经网络的病人心衰死亡风险预测系统 Download PDFInfo
- Publication number
- CN111387938A CN111387938A CN202010079912.8A CN202010079912A CN111387938A CN 111387938 A CN111387938 A CN 111387938A CN 202010079912 A CN202010079912 A CN 202010079912A CN 111387938 A CN111387938 A CN 111387938A
- Authority
- CN
- China
- Prior art keywords
- heart failure
- patient
- feature
- rearrangement
- neural network
- 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
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Abstract
本发明公开了一种基于特征重排一维卷积神经网络的病人心衰死亡风险预测系统,该方法包括以下步骤:从医院电子病历系统获取心衰病人原始数据集;对获取的数据集进行特征工程预处理,其中包括对取得的原始数据集进行独热编码映射,得到疾病相关信息特征集,与原始数据集中的病人心衰死亡标签构成相应的病人心衰死亡数据集;在该数据集上基于卡方相关性分析进行特征重排,将特征按与病人心衰死亡相关性的大小,从高到低降序排列,并筛选出重排特征子集;利用卷积神经网络进行病人心衰死预测的训练本发明有益于辅助心衰疾病诊疗,改善病人的临床看护情况。
Description
技术领域
本发明涉及人工智能辅助医疗决策领域,特别是涉及一种基于特征重排一维卷积神经网络的病人心衰死亡风险预测系统。
背景技术
心力衰竭是一种严重的心脏类疾病,具有高发病率和高死亡率的特点,近年来心力衰竭症状成为老年人入院看护的主要原因之一。有数据表明,心力衰竭这一疾病的两性患病率约为2.5%左右,其中有39.4%的人为超过60岁的老年人。根据美国心血管疾病报告的结果显示,从2012年到2030年,预计老年人心力衰竭的患病率将增加46%,而这会导致约800万心衰病人的增长。在中国,心力衰竭也是心血管疾病中导致住院的常见诱因之一,自20世纪70年代以来,心力衰竭及其住院治疗的病患数量迅速增加,心力衰竭流行率的增长也必然将导致其死亡率的上升。但是,心力衰竭这一疾病的防患效果远大于治疗效果。对于心力衰竭死亡风险的早期发现,可以辅助医生进行相应的医疗决策,提高这类病患的看护周期,从而进一步降低罹患心力衰竭病人的死亡率。也就是说,对于心力衰竭死亡风险的早期发现,一方面可以辅助医院进行医疗资源的倾斜,另一方面有助于延长心理衰竭病人的生命。
近年来,随着机器学习的快速发展,人工智能的应用已经扩展到各个领域,如供应链需求分析,神经影像学,蛋白质组学,电子测试,饮食结构研究,人类服务以及基因组学。过去的研究表明,机器学习在不同领域的迁移应用,都起到了积极的作用。而随着机器学习的更进一步发展,深度学习技术应运而生。深度学习技术有着对大规模数据处理能力强,对图像识别敏感,对多源数据迁移学习能力高效的特定,由于深度学习技术的这些特点,越来越多的医学领域的研究人员都尝试引入深度学习方法来协助进行医学研究。例如,研究人员已将贝叶斯网络引入卫生保健领域,引入深度学习方法来分析医学图像,用决策树来对疾病进行分类等等。而这其中,卷积神经网络已被证明在医学图像分析和生物医学自然语言处理中出类拔萃的效果。对于一些简单的医学图像识别任务,深度学习的结果甚至已经超越了人类自身的辨识能力,而所有这些研究都表明了将机器学习尤其是深度学习方法应用于医学领域的必要性和可能性。
对于心力衰竭这一疾病,已经有大量的研究者将多种传统机器学习建模的技术应用于心力衰竭的早期发现,这些机器学习建模技术包括了逻辑回归,多层感知机,支持向量机等等。然而前人的研究依然存在着一定的不足之处:前人的研究往往忽略了影响心力衰竭这一疾病的特征之间存在一定的相关性,因而没有给机器学习建模技术以足够的结构信息;心力衰竭疾病数据中往往存在着不平衡性,这是由于疾病重症病人的病例是少数的,而这正是影响心衰死亡风险预测的最大阻碍。针对这两个问题,我们提出了一种基于特征重排一维卷积神经网络的病人心衰死亡风险预测系统,在其中引入了特征重排来挖掘数据中的结构信息,并且引入了深度学习技术中的一维神经网络来处理较大大规模的数据,与此同时,通过将搭建的神经网络损失调整为聚焦损失(Focal loss)来缓解心力衰竭疾病中的数据不平衡问题,提高少数类的检出率。这一基于特征重排一维卷积神经网络的病人心衰死亡风险预测系统最终得以辅助医院的医疗决策,帮助发现有因心力衰竭死亡风险的病人,改善他们的医护周期,从而延长这类病人的生命。
发明内容
心力衰竭是一种常见心血管疾病,在各个年龄层中都有发现;心力衰竭的特点是发病快、难根治、需预防,医学上对于心力衰竭发生的预测还较为欠缺,而当心力衰竭发生时,往往会危害患者的生命,严重时甚至会导致死亡。因此,对于心力衰竭病患死亡风险的预测有着巨大的应用价值;近年来,机器学习技术被广泛应用于疾病诊断和预防,心力衰竭作为一个常见病,也亟需相应的方法来进行诊断;另一方面,医学数据有着高维性和难表示的特点,且病患样本的分布往往不平衡,这些都为机器学习分类带来了困难。针对医学数据的特点,为了达到对心力衰竭病患死亡风险预测的目的,本发明提供了一种基于特征重排一维卷积神经网络的病人心衰死亡风险预测系统。
本发明解决其技术问题所采用的技术方案,从医院电子病历系统获取心衰病人原始数据集,对获取的心衰病人原始数据集进行特征工程预处理,其中包括对取得的原始数据集按照四个类别即常规,诊断,疾病,实验检验,分别进行数值化映射,将映射后的四大类特征子集与原始数据集中表示病人是否因心力衰竭死亡的标签组合,得到疾病相关信息特征集。通过提出重排滑窗卷积方法,对获取的疾病相关信息特征计算标签相关性,根据标签相关性进行约减特征重排操作,生成新的重排特征子集。搭建卷积神经网络模型,将得到的重排特征子集输入该模型,利用滑窗卷积运算,生成基于重排特征子集的抽象特征,再利用这些特征,训练出网络相应的参数。为网络引入焦点损失,使得神经网络更偏好难分类样本和患病样本的挖掘,进一步提高分类器的判别精确度。测试过程中,利用训练好的模型上线到病人心衰死亡风险预测系统,辅助疾病诊疗。
本发明解决其技术问题所采用的技术方案还可以进一步完善。对于输入的心衰病人原始数据,通过特征工程的手段进行预处理,对四个类别即常规,诊断,疾病,实验检验的特征统计各特征的类别数,统计每一种类别型特征包含的类别数量K,将该类别特征进行独热编码映射,得到对应的独热编码,将每一类别特征都用其独热编码进行重新表示。将映射后的四大类特征子集与原始数据集中表示病人是否因心力衰竭死亡的标签组合,得到疾病相关信息特征集。进一步对获取的疾病相关信息所有特征计算标签相关性,根据特征的不同得分,降序重新排列所有的特征,选择其中排名靠前的特征构造重排特征子集。搭建卷积神经网络模型,将得到的重排特征子集输入该模型,利用滑窗卷积运算,生成基于重排特征子集的抽象特征,再利用这些特征,训练出网络相应的参数。为网络引入焦点损失,使得神经网络更偏好难分类样本和患病样本的挖掘,进一步提高分类器的判别精确度。测试过程中,将测试子集输入到训练好的网络中,得到测试集上病人是否会因心力衰竭死亡的预测标签,评估所得网络对病人心衰死亡风险预测的精准程度。
本发明有益的效果是:利用特征重排卷积生成更优的带序特征组合,结合焦点损失和多层神经网络,通过多轮迭代训练和参数优化,设计出预测心力衰竭病患死亡风险的神经网络分类方法。该方法针对实际医学问题,利用深度学习方法,缓解了医学数据的不平衡、难表示,并且得到了良好分类结果,可以被用于辅助疾病诊疗,预测心力衰竭病患的死亡风险。
附图说明
图1是本发明整体流程图。
图2是本发明的网络框架图;
具体实施方式
下面将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。
本发明提供了一种基于特征重排一维卷积神经网络的病人心衰死亡风险预测系统,包括以下部分:
第一步:从医院的电子病历系统提取罹患心力衰竭的病人脱敏记录。这些提取的记录应遵循以下准则:(1)提取的记录应包含ICD-10-CM中关于心力衰竭疾病的相关症状及治疗诊断。(2)提取的记录所涉及的病人应在住院的前两天内至少有使用过一种对心力衰竭的治疗方法。(3)要求按照“住院中、出院后一个月、出院后一年内”这三个时间窗口进行观察,相应的平均随访时间要达到一年。基于以上准则,从而可以从医院电子病历系统中得到可以用于心力衰竭死亡风险预测的原始数据。
第二步,对从医院电子病历系统提取得到的原始数据进行特征工程处理。按照第一步中的准则,从医院电子病历系统中提取的数据包括以下几类信息:年龄、性别、诊断信息、用药信息和检查信息,在这些信息中,除了年龄信息外,其余信息都是类别信息,也就是说对于性别其取值为{“男”,“女”}的两类,对于检查信息其值域为{“某项检查呈阳性”,“某项检查呈阴性”}的两类,对于用药信息其值域为{“使用了某药物”,“未使用某药物”}两类,而对于诊断信息其值域为{“某项化学诊断偏高”,“某项化学诊断正常”,“某项化学诊断偏低”}。
对于这些类别信息,我们使用独热编码的方式进行转化,对于包含K个类别的类别型特征,将其所有K个类别列为向量形式,即[k1,k2,…,kK],假设一个样本的该类别型取值特征为ks,其中s∈[1,K],则该样本这一类别特征的独热编码为[0,0,0,…,ks=1,..,0,0]。即该样本这一类别特征除了ks处,其余都置为0。当K=2时,不进行维度拓充,当K=3时,需要对原来的维度进行拓充。
对于性别、用药信息和检查信息,这些信息被表示为一维的0或1,从而表示其值域中的两类,也就是其独热编码为[1/0];而对于诊断信息,“某项化学诊断偏高”被映射为[1,0,0],“某项化学诊断正常”被映射为[0,1,0],“某项化学诊断偏低”被映射为[0,0,1]。
在经过独热编码处理后,将连续型特征、独热编码表示的类别型特征、原始数据集中表示病人是否因心力衰竭死亡的标签构成新的病人心衰死亡数据集XD,其特征维度为D,
该数据集可以表示为其中N为样本数也就是罹患心力衰竭的病人住院记录数量,D为独热编码处理后的类别型特征及连续型特征的总维度数。y为数据分类标记。定义负类为多数类样本,正类为少数类样本。将所有训练样本按照每一列是一个样本的规则合成一个数据矩阵XD进行存储。
在该数据集上基于卡方相关性分析进行特征重排,卡方相关性分析的计算如下:
首先确定需要计算卡方相关性的某一特征Xt,t∈D,设表示病人是否因心力衰竭死亡标签为Y,假设特征Xt的值域为{Xt1,Xt2,....},而标签Y的值域为{0,1},可列出样本频数矩阵:
总计为r+1行c+1列的矩阵,其中每行为特征Xt取值,每列为标签Y的取值,最后一行、一列为每行每列的总和。
而卡方统计量的计算公式:
其中Oi,j第i行、第j列所代表单元格的实际取值,Ei,j为的通过极大似然估计得到的期望计算方法为:
通过以上方法,计算数据集XD中所有D维特征和病人是否因心力衰竭死亡标签Y的相关性,每一个维度与Y的卡方统计量值,根据这一值的大小,从大到小重新对XD的维度顺序进行重排。选择其中排名靠前的前d维特征,构成特征子集其中d≤D,将其存储为Xd的矩阵形式。
第三步,利用一维卷积神经网络进行病人心衰死预测的训练和测试,该一维卷积神经网络的损失函数被调整为焦点损失(Focal loss)。在进行网络训练前,首先要将Xd中的数据进行最大最小归一化,这是由于性别、诊断信息、用药信息和检查信息这类信息经过独热编码后各维度取值范围在0-1之间,但年龄的取值范围在0-120之间,这会影响年龄这维属性在网络中的权重,因此对数据矩阵Xd,令其每一列都做如下最大最小归一化:
其中Xmin为该列最小值,Xmax为该列最大值,经过这一归一化,类别特征的值不发生变化,只有年龄被缩放到了0-1的区间内。
然后,搭建基于一维卷积的神经网络,该网络的结构为:
输入层-一维重排卷积层(3*1*256)-批归一化层(BN)-激活函数relu-一维最大池化(stride=2)-平压层(Flatten)-神经元层(256)-批归一化层(BN)-激活函数tanh-神经元层(128)-批归一化层(BN)-激活函数sigmoid-输出神经元层(1)-激活函数sigmoid。网络各层的具体输入及输出见说明书附图。
该网络的损失函数为焦点损失(Focal loss),其计算方法为:
FL(pt)=-αt(1-pt)γlog(pt)
其中αt和γ为可认为调整的超参数,而pt的计算方法为:
其中p∈[0,1]表示由网络输出的类别为1的概率,在本病人心衰死亡风险预测系统,网络输出类别为1表示病人存在因为心力衰竭而死亡的风险。y∈Y,表示数据中某一样本真实的类别,类别为1表示病人存在因为心力衰竭而死亡的风险,类别为0则相反。
将归一化后的特征子集Xd按照样本随机划分为训练,验证及测试这三个数据子集,其中包含的样本数分别为70%,15%及15%。
预设迭代轮数epoch,对该神经网络进行迭代训练,直至迭代次数达到预设迭代轮数epoch,根据验证子集的结果反复调整网络的参数,直至得到该网络的最优参数,完成网络训练。
将测试子集输入到训练好的网络中,得到测试集上病人是否会因心力衰竭死亡的预测标签,评估所得网络对病人心衰死亡风险预测的精准程度。
将实际的来自于罹患心力衰竭疾病病人的电子病历系统记录通过本系统的所述的数据处理方式进行处理,将处理后的数据输入到本系统的神经网络中,最终给出病人因罹患心力衰竭遭受死亡的风险概率,将高概率的病人汇报给医生进行相关进一步的诊断和决策。
以上对本发明所提供的一种基于特征重排一维卷积神经网络的病人心衰死亡风险预测系统进行了详细介绍,本文中对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其思想;同时,依据本发明的思想,在具体实施方式及应用范围上会进行变化、修改和变形,综上所述,本说明书内容不应理解为对本发明的限定。
Claims (4)
1.一种基于特征重排一维卷积神经网络的病人心衰死亡风险预测系统,其特征在于,包括以下步骤:
S1,从医院电子病历系统获取心衰病人原始数据集,对获取的心衰病人原始数据集进行特征工程预处理,其中包括对取得的原始数据集按照四个类别即常规,诊断,疾病,实验检验,分别进行数值化映射,将映射后的四大类特征子集与原始数据集中表示病人是否因心力衰竭死亡的标签组合,得到疾病相关信息特征集XD。
S2,提出重排滑窗卷积方法,对获取的疾病相关信息特征XD计算标签相关性,根据标签相关性进行约减特征重排操作,生成新的重排特征子集Xd,其中d∈D。
S3,搭建神经网络模型,将得到的重排特征子集Xd输入该模型,训练出相应的参数,利用训练好的模型上线到病人心衰死亡风险预测系统,辅助疾病诊疗。
2.根据权利要求1所述的一种基于特征重排一维卷积神经网络的病人心衰死亡风险预测系统,其特征在于,步骤S1包括以下步骤:
S11,对获取的心衰病人原始数据集特征进行归类,将其分为常规,诊断,疾病,实验测试四大特征。
S12,对于常规,诊断,疾病,实验测试这四大特征,统计每一种特征包含的类别数量K,将该类别特征进行独热编码映射,得到1×K的独热编码,将每一类别特征都用其独热编码进行重新表示,其中诊断特征和疾病特征被映射为{0,1},用0表示阴性,1表示阳性,检验映射为{(1,0,0),(0,1,0),(0,0,1)}的独热集,其中(1,0,0)表示检验水平低,(0,1,0)检验水平正常,(0,0,1)表示检验水平超标。
S13,将映射后的四大类特征子集与原始数据集中表示病人是否因心力衰竭死亡的标签构成疾病相关信息特征集XD,其特征维度为D。
3.根据权利要求1所述的一种基于特征重排一维卷积神经网络的病人心衰死亡风险预测系统,其特征在于,步骤S2包括以下步骤:
S21,在疾病相关信息特征集XD上进行D维特征与表示病人是否因心力衰竭死亡标签的相关性的迭代计算,首先确定需要计算某一特征Xt,t∈D,设表示病人是否因心力衰竭死亡标签为Y,假设特征Xt的值域为{Xt1,Xt2,....},而标签Y的值域为{0,1},可列出样本频数矩阵
总计为r+1行c+1列的矩阵,其中每行为特征Xt取值,每列为标签Y的取值,最后一行、一列为每行每列的总和,利用以下的计算公式:
其中Oi,j第i行、第j列所代表单元格的实际取值,Ei,j为的通过极大似然估计得到的期望计算方法为:
S22,由此,迭代计算所有的特征Xt,可构成特征X的分数集,Xscore,根据Xscore,对每个Xt进行约减重排,即降序排列所有特征Xt,选择其中排名靠前的前d维特征,从而构造重排特征子集Xd,而后进行输入到网络中进行滑窗卷积,获取抽象特征集。
4.根据权利要求1所述的一种基于特征重排一维卷积神经网络的病人心衰死亡风险预测系统,其特征在于,步骤S3包括以下步骤:
S31,对得到的重排特征子集Xd作最大最小归一化;
S32,搭建卷积神经网络模型,其结构为调整为,输入层-一维重排卷积层(S21-s22中的方法)-批归一化层(BN)-激活函数relu-一维最大池化-平压层(Flatten)-神经元层(256)-批归一化层(BN)-激活函数tanh-神经元层(128)-批归一化层(BN)-激活函数sigmoid-输出神经元层(1)-激活函数sigmoid。
S33,将归一化后的重排特征子集Xd按照样本,随机划分为训练,验证及测试这三个数据子集,其中包含的样本数分别为60%,20%及20%。
S34,将从归一化后的重排特征子集Xd中划分出来的训练子集及验证子集输入到所搭建的特征重排一维卷积神经网络模型中,并调整损失函数为焦点损失(Focal loss),该损失可表示为FL(pt)=-αt(1-pt)γlog(pt)
其中αt和γ为可认为调整的超参数,而pt的计算方法为:
其中p∈[0,1]表示由网络输出的类别为1的概率,在本病人心衰死亡风险预测系统,网络输出类别为1表示病人存在因为心力衰竭而死亡的风险。y∈Y,表示数据中某一样本真实的类别,类别为1表示病人存在因为心力衰竭而死亡的风险,类别为0则相反。
S35,预设迭代轮数epoch,对特征重排一维卷积神经网络模型进行迭代训练,直至迭代次数达到预设迭代轮数epoch,根据验证子集的结果反复调整网络的参数,直至得到该网络的最优参数,完成网络训练。
S36,将测试子集输入到训练好的网络中,得到测试集上病人是否会因心力衰竭死亡的预测标签,评估所得网络对病人心衰死亡风险预测的精准程度。
S37,上线模型到病人心衰死亡风险预测系统,辅助疾病诊疗。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010079912.8A CN111387938B (zh) | 2020-02-04 | 2020-02-04 | 一种基于特征重排一维卷积神经网络的病人心衰死亡风险预测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010079912.8A CN111387938B (zh) | 2020-02-04 | 2020-02-04 | 一种基于特征重排一维卷积神经网络的病人心衰死亡风险预测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111387938A true CN111387938A (zh) | 2020-07-10 |
CN111387938B CN111387938B (zh) | 2023-06-23 |
Family
ID=71411470
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010079912.8A Active CN111387938B (zh) | 2020-02-04 | 2020-02-04 | 一种基于特征重排一维卷积神经网络的病人心衰死亡风险预测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111387938B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112820368A (zh) * | 2021-01-13 | 2021-05-18 | 中国人民解放军国防科技大学 | 重症患者数据集的构建方法、系统、设备和存储介质 |
CN112992356A (zh) * | 2021-03-30 | 2021-06-18 | 太原理工大学 | 一种基于卷积层特征重排和svm的心力衰竭预测方法及装置 |
CN113506039A (zh) * | 2021-08-03 | 2021-10-15 | 杭银消费金融股份有限公司 | 一种基于智能ai机器学习的用于风险预测方法及装置 |
CN113723704A (zh) * | 2021-09-07 | 2021-11-30 | 东莞理工学院 | 一种基于连续和分级混合数据的水质快速预测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103837677A (zh) * | 2013-12-25 | 2014-06-04 | 北京乐普医疗科技有限责任公司 | 检测心脏标记物的试纸条及制备方法和检测方法 |
US20140343438A1 (en) * | 2013-05-20 | 2014-11-20 | Cardiac Pacemakers, Inc. | Methods and apparatus for detecting heart failure event using patient chronic conditions |
CN106611216A (zh) * | 2016-12-29 | 2017-05-03 | 北京旷视科技有限公司 | 基于神经网络的计算方法及装置 |
WO2018143540A1 (ko) * | 2017-02-02 | 2018-08-09 | 사회복지법인 삼성생명공익재단 | 인공신경망을 이용한 위암의 예후 예측 방법, 장치 및 프로그램 |
CN108814584A (zh) * | 2018-04-12 | 2018-11-16 | 深圳竹信科技有限公司 | 心电信号检测方法、终端和计算机可读存储介质 |
CN109659033A (zh) * | 2018-12-18 | 2019-04-19 | 浙江大学 | 一种基于循环神经网络的慢性疾病病情变化事件预测装置 |
CN109700463A (zh) * | 2019-03-12 | 2019-05-03 | 四川大学 | 一种脑磁图癫痫棘波识别方法和系统 |
WO2019178617A1 (en) * | 2018-03-15 | 2019-09-19 | Digibrain4, Inc. | Dento-craniofacial clinical cognitive diagnosis and treatment system and method |
-
2020
- 2020-02-04 CN CN202010079912.8A patent/CN111387938B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140343438A1 (en) * | 2013-05-20 | 2014-11-20 | Cardiac Pacemakers, Inc. | Methods and apparatus for detecting heart failure event using patient chronic conditions |
CN105228513A (zh) * | 2013-05-20 | 2016-01-06 | 心脏起搏器股份公司 | 用于检测心力衰竭的方法和装置 |
CN103837677A (zh) * | 2013-12-25 | 2014-06-04 | 北京乐普医疗科技有限责任公司 | 检测心脏标记物的试纸条及制备方法和检测方法 |
CN106611216A (zh) * | 2016-12-29 | 2017-05-03 | 北京旷视科技有限公司 | 基于神经网络的计算方法及装置 |
WO2018143540A1 (ko) * | 2017-02-02 | 2018-08-09 | 사회복지법인 삼성생명공익재단 | 인공신경망을 이용한 위암의 예후 예측 방법, 장치 및 프로그램 |
WO2019178617A1 (en) * | 2018-03-15 | 2019-09-19 | Digibrain4, Inc. | Dento-craniofacial clinical cognitive diagnosis and treatment system and method |
CN108814584A (zh) * | 2018-04-12 | 2018-11-16 | 深圳竹信科技有限公司 | 心电信号检测方法、终端和计算机可读存储介质 |
CN109659033A (zh) * | 2018-12-18 | 2019-04-19 | 浙江大学 | 一种基于循环神经网络的慢性疾病病情变化事件预测装置 |
CN109700463A (zh) * | 2019-03-12 | 2019-05-03 | 四川大学 | 一种脑磁图癫痫棘波识别方法和系统 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112820368A (zh) * | 2021-01-13 | 2021-05-18 | 中国人民解放军国防科技大学 | 重症患者数据集的构建方法、系统、设备和存储介质 |
CN112992356A (zh) * | 2021-03-30 | 2021-06-18 | 太原理工大学 | 一种基于卷积层特征重排和svm的心力衰竭预测方法及装置 |
CN112992356B (zh) * | 2021-03-30 | 2022-04-26 | 太原理工大学 | 基于卷积层特征重排和svm的心力衰竭预测方法及装置 |
CN113506039A (zh) * | 2021-08-03 | 2021-10-15 | 杭银消费金融股份有限公司 | 一种基于智能ai机器学习的用于风险预测方法及装置 |
CN113723704A (zh) * | 2021-09-07 | 2021-11-30 | 东莞理工学院 | 一种基于连续和分级混合数据的水质快速预测方法 |
CN113723704B (zh) * | 2021-09-07 | 2023-04-18 | 东莞理工学院 | 一种基于连续和分级混合数据的水质快速预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111387938B (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Suo et al. | Deep patient similarity learning for personalized healthcare | |
US20220375611A1 (en) | Determination of health sciences recommendations | |
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 | |
CN111387938B (zh) | 一种基于特征重排一维卷积神经网络的病人心衰死亡风险预测系统 | |
Shahid et al. | A deep learning approach for prediction of Parkinson’s disease progression | |
Dabowsa et al. | A hybrid intelligent system for skin disease diagnosis | |
Mall et al. | Heart diagnosis using deep neural network | |
Hussain et al. | Novel deep learning architecture for predicting heart disease using CNN | |
Nasim et al. | A novel approach for polycystic ovary syndrome prediction using machine learning in bioinformatics | |
Kangra et al. | Comparative analysis of predictive machine learning algorithms for diabetes mellitus | |
Swarupa et al. | Disease prediction: smart disease prediction system using random forest algorithm | |
Thilakarathne et al. | Artificial Intelligence-Enabled IoT for Health and Wellbeing Monitoring | |
Shi et al. | Artificial neural networks: current applications in modern medicine | |
Teju et al. | Detection of diabetes melittus, kidney disease with ML | |
Prusty et al. | Comparative analysis and prediction of coronary heart disease | |
Zhang et al. | A time-sensitive hybrid learning model for patient subgrouping | |
Madanan et al. | Designing a hybrid artificial intelligent clinical decision support system using artificial neural network and artificial Bee Colony for predicting heart failure rate | |
Riyaz et al. | Ensemble Learning for Coronary Heart Disease Prediction | |
Manjunathan et al. | Cardiovascular disease prediction using enhanced support vector machine algorithm | |
Subramanian et al. | Wearable Sensor-Based Monitoring and Classification Using Deep Learning For Personalized Healthcare | |
Firthous et al. | Survey on using electronic medical records (EMR) to identify the health conditions of the patients | |
Priya et al. | A novel intelligent diagnosis and disease prediction algorithm in green cloud using machine learning approach | |
Saranya et al. | BD-MDL: BIPOLAR DISORDER DETECTION USING MACHINE LEANRING AND DEEP LEARNING | |
Jindal et al. | Design and Development of Cardiovascular Disease Prediction System Using Voting Classifier | |
Hafiz et al. | Heart Disease Prediction based on Machine learning Technique |
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 |