CN112071434B - 一种异常体温序列检测方法 - Google Patents
一种异常体温序列检测方法 Download PDFInfo
- Publication number
- CN112071434B CN112071434B CN202010769307.3A CN202010769307A CN112071434B CN 112071434 B CN112071434 B CN 112071434B CN 202010769307 A CN202010769307 A CN 202010769307A CN 112071434 B CN112071434 B CN 112071434B
- Authority
- CN
- China
- Prior art keywords
- body temperature
- neural network
- user
- fully
- data
- 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
- 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
- G16H50/80—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for detecting, monitoring or modelling epidemics or pandemics, e.g. flu
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Epidemiology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Primary Health Care (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种异常体温序列检测新方法,属于智能医疗领域。针对每个用户,首先以30分钟作为间隔进行采样,选取30分钟内的体温数据的均值作为采样结果。然后将每个用户在采样时间段内测量的所有采样温度值,构成各用户的体温序列,并对体温数据进行预处理,滤除无效值并用插值算法填充数据缺失位置,得到完整体温序列。将完整体温序列根据医院检测结果进行标记,得到各用户的标签。最后按照十折交叉验证的方式将带有标签的用户数据划分为训练集和验证集,利用训练集训练全连接神经网络,并利用验证集进行验证。利用训练好的全连接神经网络预测待检测用户的体温序列对应的感染情况。本发明判断更加精准,操作简便,灵活性较强。
Description
技术领域
本发明属于智能医疗领域,涉及基于深度学习的序列分类技术,尤其是一种异常体温序列检测新方法。
背景技术
新冠病毒具有极强的传染性,并且在感染初期不会表现出非常明显的症状,这使得新冠病毒感染者的排查非常困难。
但是,家庭环境缺乏必要的检测手段,通常只能通过测量体温来判断自己的健康状态,而导致发热的原因有很多,发热患者中只有很少一部分是新冠病毒感染者。所以,设计一种简易的新冠感染者早期检测技术十分有必要性。
目前,对新冠感染者的第一道筛查标准是:体温是否超过37.3摄氏度。这一方案过于简单,没有利用到体温序列中每个数据点之间的相关性;而且它还有非常明显的缺陷:容易与季节性感冒或者与其他原因导致的发热相混淆;并且无症状感染者的出现使得这一方法在安全性上也存在风险,可能导致有感染者被遗漏。
判断连续体温序列是否存在异常情况的关键在于:如何充分利用同一序列中不同时间体温数据之间的相关性。人体的体温在一天中会随着时间而变化,当人处于不同的健康条件下时,体温的变化会表现出特定模式,因此,通过体温序列来判断发热是否由特定病毒引起或是否为无症状感染者具有一定可行性。
目前采用的常规方法是:使用传统统计特征(极差、方差等)来对体温序列进行描述,这样做需要耗费大量精力进行模型设计,并且泛用性较差,难以同时识别异常发热患者和无症状感染者。
发明内容
针对目前方法无法同时识别异常发热患者和无症状感染者的问题,本发明提出了一种异常体温序列检测新方法,泛用性较强。
所述的异常体温序列检测方法,包括以下步骤:
步骤一、针对每个用户,以30分钟作为间隔进行采样,选取30分钟内的体温数据的均值作为采样结果。
步骤二、将每个用户在采样时间段内测量的所有采样温度值,构成各用户的体温序列。
步骤三、对采样后的体温数据进行预处理,滤除无效值并用插值算法填充数据缺失位置,得到完整体温序列;
预处理是指:针对无效值滤除,针对缺失值进行填充;
填充的方法为:为每一个缺失位置,根据其相邻的最近有效数值,设定一个有特定均值和方差的高斯分布,使用这一分布中随机采样的数值作为填充值。
步骤四、将每个用户的完整体温序列根据医院检测结果进行标记,得到各用户的标签;
标签分为四类:无异常、普通发热、异常发热和无症状感染。
步骤五、按照十折交叉验证的方式将带有标签的用户数据划分为训练集和验证集;
步骤六、利用训练集训练全连接神经网络,并利用验证集进行验证;
具体步骤如下:
步骤601、构建全连接神经网络;
所述的全连接神经网络包括三层全连接层和两层BatchNorm归一化层,以及 Log-Softmax层,其中每个全连接层后连接一个BatchNorm归一化层,最后的全连接层连接Log-Softmax层;
步骤602、首先确定一组全局超参数,对神经网络中的所有权重进行随机初始化;
步骤603、将训练集数据输入到全连接神经网络中,使用全连接神经网络的当前权重,计算每个训练集的分类概率;
步骤604、使用交叉熵损失函数计算每个训练集的分类概率和各训练数据对应的标签之间的误差;
步骤605、利用反向传播算法将误差传播到每个权重上,计算出权重更新的梯度,并使用随机梯度下降算法将梯度再次更新到各权重上。
步骤606、返回步骤603,利用更新的权重再次计算训练集的分类概率和与标签的差值,进行权重的更新,直至全连接神经网络的输出达到稳定状态。
步骤607、将验证集数据输入全连接神经网络,计算输出结果并计算与验证集标签的正确率。
步骤608、对验证集的正确率取平均,作为当前超参数的性能评估指标。
步骤609、返回步骤602,不断调整全局超参数,寻找能获得最高正确率的超参数,全连接神经网络训练完毕。
步骤七、利用训练好的全连接神经网络预测待检测用户的体温序列对应的感染情况。
首先,将全连接神经网络的最后一层去除,并加载最高正确率的超参数对应的网络权重。
然后,对待检测新用户进行连续体温采样和预处理。
将预处理后的待检测数据输入到加载后的全连接神经网络中,得到一个长度为4的浮点数向量,分别对应无异常、普通发热、异常发热以及无症状感染。
输出向量中数值最大位置所对应的类别即为该待检测用户的分类结果。
本发明的有益效果主要在于以下几个方面:
1.一种异常体温序列检测新方法,利用连续体温序列判断特定病毒感染情况,相比于仅使用体温绝对值的方式更加精准。
2.一种异常体温序列检测新方法,采用连续体温序列自动插值,在操作上较为简便,灵活性较强。
3.一种异常体温序列检测新方法,使用神经网络进行特征提取与分类大幅简化了算法设计难度,并且泛用性较强,可以同时检测无症状感染者。
附图说明
图1是本发明一种异常体温序列检测新方法的原理图;
图2是本发明一种异常体温序列检测新方法的流程图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明,下面结合附图对本发明作进一步的详细和深入描述。
本发明提出一种基于深度学习的异常体温序列检测方法,结合了数据预处理及深度神经网络分类技术,通过连续体温数据序列判断是否感染特定病毒。如图1所示,包括以下步骤:首先、在用户体温数据库中抽取带标签的连续体温序列,构成训练集与验证集;对体温数据进行预处理,滤除无效数据,并利用插值算法补全缺失位置;然后、构建神经网络分类模型,使用训练集和验证集数据进行权重调优;最后、利用优化后的神经网络模型预测连续体温序列所属类别。
所述的异常体温序列检测方法,如图2所示,包括以下步骤:
步骤一、针对每个用户,以30分钟作为间隔进行采样,选取30分钟内的体温数据的均值作为采样结果。
提取每个用户在固定时间点所测量的温度值构成特征描述序列,由于人的体温是连续变化的,在短时间内变化通常不大,过于稠密的采样方式会导致体温序列中存在大量冗余,所以体温采样间隔设定为30分钟,每30分钟中体温数据的均值作为一次采样结果。同时因为用户多在白天佩戴体温监测设备,夜晚获取的测量结果中无效数据过多,所以采样时间段应尽量避开夜晚(如早6点至晚10点),一天共需采样32个数据点。
步骤二、将每个用户在采样时间段内测量的所有采样温度值,构成各用户的体温序列。
对于一个用户,通过数据库总体情况来选择一个有效数据较多的时段,通常为早晨6点至晚上10点,将这一时间段按照半个小时一组进行分组,每组中的体温数据取平均值作为一次采样结果,按照时间顺序将多个采样结果排列,构成体温序列。
步骤三、对采样后的体温数据进行预处理,滤除无效值并用插值算法填充数据缺失位置,得到完整体温序列;
对于序列中存在的无效值和缺失值,结合同一用户在前后相邻采样点的个人体温和全体用户体温分布进行插值处理。
考虑到实际的应用场景中,由于环境原因及用户佩戴方法可能不规范,体温库中包含一定量的无效数据和缺失值,如20摄氏度等不可能存在的人类体温。首先对体温数据进行初步过滤,将其中明显不合理的体温数据过滤掉。过滤后的体温数据通过插值算法来填充其中的缺失位置,保证每条体温序列的完整性。
具体的插值算法为:首先找到距离要填充的缺失位置最近的两个有效数据,根据缺失位置到两个有效数值的时间距离,利用线性加权的方式计算出一个均值,公式如下:
其中d0表示缺失位置到前一有效位置的时间距离,T0表示前一有效位置的体温数值,d1表示缺失位置到后一有效位置的时间距离,T1表示后一有效位置的体温数值。
以Tavg为均值构建一个高斯分布,选取一个合适的方差,使得随机变量的值落在两端有效位置数值构成的区间内的概率为95%。从上述高斯分布进行一次采样,采样值即为缺失位置的填充值。
步骤四、将每个用户的完整体温序列根据医院检测结果进行标记,得到各用户的标签;
体温序列的标签根据医院检测结果进行标记,分为四类:无异常、普通发热、异常发热和无症状感染。
步骤五、按照十折交叉验证的方式将带有标签的用户数据划分为训练集和验证集;
步骤六、利用训练集训练全连接神经网络,并利用验证集进行验证;
利用经过预处理的带标签数据,构建全连接神经网络模型并利用随机梯度下降算法对其进行调优,通过交叉验证的方式寻找最优解并保存下来。
具体步骤如下:
步骤601、构建全连接神经网络;
输入为代表体温数据的32维浮点数向量,网络结构如下表所示(由低到高排列):
表中序号1至序号4的都包含ReLU激活函数。
步骤602、首先确定一组全局超参数,根据超参数对神经网络中的所有权重进行随机初始化。
神经网络的每层中都包含大量权重,等效为浮点数矩阵;神经网络的计算过程等效为输入值和网络权重的相乘相加。
步骤603、将十折交叉验证划分的训练集数据输入到全连接神经网络中,使用全连接神经网络的当前权重,计算每个训练集的分类概率;
步骤604、使用交叉熵损失函数计算每个训练集的类别输出概率和各训练数据的标签之间的误差;
初始的权重是随机的,所以初始状态下神经网络的输出结果也是随机的,导致存在误差。神经网络的输出结果是输入特征属于特定类别的概率(类似0.1,0.3,0.4,0.2),与真实标签(类似0,0,1,0)之间存在误差,为一个数值。
步骤605、利用反向传播算法将误差传播到每个权重上,计算出权重更新的梯度,并使用随机梯度下降算法将梯度更新到各权重上。
步骤606、返回步骤603,利用更新的权重再次计算训练集的分类概率和与标签的差值,进行权重的更新,直至全连接神经网络的输出达到稳定状态。
多次迭代直至网络输出达到稳定状态。
步骤607、将十折交叉验证划分的验证集数据输入全连接神经网络,计算输出结果相较于验证集标签的正确率。
步骤608、对验证集的正确率取平均,作为当前超参数的性能评估指标。
以准确率作为指标评估网络输出和真实标签的符合程度,十个正确率取平均值作为当前超参数的性能评估指标。
步骤609、返回步骤602,不断调整更改全局超参数,重复除构建神经网络外的全部过程,寻找能获得最高正确率的超参数,全连接神经网络训练完毕。
步骤七、利用训练好的全连接神经网络预测待检测用户的体温序列对应的感染情况。
对于待检测用户,采用与训练数据相同的采样与预处理方式获取连续体温序列,再输入到已训练好的全连接神经网络中进行预测,通过网络输出结果来判断该体温序列对应的健康状况。
首先,将全连接神经网络的最后一层损失函数去除,并加载步骤六中最佳超参数对应的网络权重。
网络输入为代表体温数据的32维浮点数向量,网络结构除最后一层外与步骤601中的网络相同,如下表所示。
序号 | 类型 |
1 | 全连接 |
2 | BatchNorm归一化 |
3 | 全连接 |
4 | BatchNorm归一化 |
5 | 全连接 |
表中序号1至序号4的都包含ReLU激活函数。网络构建完毕后加载步骤32中所保存的网络参数。
然后,对待检测新用户进行连续体温采样和预处理,获得测试用的体温序列。
运用与步骤一到步骤三相同的采样及预处理方法,对待检测的连续体温数据进行预处理。
将预处理后的待检测数据输入到加载后的全连接神经网络中,网络输出使用Softmax函数进行处理,得到一个长度为4的浮点数向量,每个位置分别对应无异常、普通发热、异常发热以及无症状感染中的一种。
输出向量中数值代表分类概率,概率最大的一个位置即为该待检测用户的分类结果。
为了避免使本说明书的描述限于冗繁,在本说明书中的描述中,可能对可在上述参考文献或其它现有技术资料中获得的部分技术细节进行了省略、简化、变通等处理,这对于本领域的技术人员来说是可以理解的,并且这不会影响本说明书的公开充分性。在此,将上述参考文献通过引用而全文合并于此。
综上所述,本领域的技术人员能够理解,对本发明的上述实施例能够做出各种修改、变型、以及替换,其均落入如所附权利要求限定的本发明的保护范围。
Claims (4)
1.一种异常体温序列检测方法,其特征在于,包括以下步骤:
步骤一、针对每个用户,以30分钟作为间隔进行采样,选取30分钟内的体温数据的均值作为采样结果;
步骤二、将每个用户在采样时间段内测量的所有采样温度值,构成各用户的体温序列;
步骤三、对采样后的体温数据进行预处理,滤除无效值并用插值算法填充数据缺失位置,得到完整体温序列;
步骤四、将每个用户的完整体温序列根据医院检测结果进行标记,得到各用户的标签;
步骤五、按照十折交叉验证的方式将带有标签的用户数据划分为训练集和验证集;
步骤六、利用训练集训练全连接神经网络,并利用验证集进行验证;
具体步骤如下:
步骤601、构建全连接神经网络;
所述的全连接神经网络包括三层全连接层和两层BatchNorm归一化层,以及Log-Softmax层,其中每个全连接层后连接一个BatchNorm归一化层,最后的全连接层连接Log-Softmax层;
步骤602、首先确定一组全局超参数,对神经网络中的所有权重进行随机初始化;
步骤603、将训练集数据输入到全连接神经网络中,使用全连接神经网络的当前权重,计算每个训练集的分类概率;
步骤604、使用交叉熵损失函数计算每个训练集的分类概率和各训练数据对应的标签之间的误差;
步骤605、利用反向传播算法将误差传播到每个权重上,计算出权重更新的梯度,并使用随机梯度下降算法将梯度再次更新到各权重上;
步骤606、返回步骤603,利用更新的权重再次计算训练集的分类概率和与标签的差值,进行权重的更新,直至全连接神经网络的输出达到稳定状态;
步骤607、将验证集数据输入全连接神经网络,计算输出结果并计算与验证集标签的正确率;
步骤608、对验证集的正确率取平均,作为当前超参数的性能评估指标;
步骤609、返回步骤602,不断调整全局超参数,寻找能获得最高正确率的超参数,全连接神经网络训练完毕;
步骤七、利用训练好的全连接神经网络预测待检测用户的体温序列对应的感染情况。
2.如权利要求1所述的一种异常体温序列检测方法,其特征在于,步骤三中所述的预处理是指:针对无效值滤除,针对缺失值进行填充;
填充的方法为:为每一个缺失位置,根据其相邻的最近有效数值,设定一个有特定均值和方差的高斯分布,使用这一分布中随机采样的数值作为填充值。
3.如权利要求1所述的一种异常体温序列检测方法,其特征在于,步骤四中所述的标签分为四类:无异常、普通发热、异常发热和无症状感染。
4.如权利要求1所述的一种异常体温序列检测方法,其特征在于,所述的步骤七具体为:
首先,将全连接神经网络的最后一层去除,并加载最高正确率的超参数对应的网络权重;
然后,对待检测新用户进行连续体温采样和预处理;
将预处理后的待检测数据输入到加载后的全连接神经网络中,得到一个长度为4的浮点数向量,分别对应无异常、普通发热、异常发热以及无症状感染;
输出向量中数值最大位置所对应的类别即为该待检测用户的分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010769307.3A CN112071434B (zh) | 2020-08-03 | 2020-08-03 | 一种异常体温序列检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010769307.3A CN112071434B (zh) | 2020-08-03 | 2020-08-03 | 一种异常体温序列检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112071434A CN112071434A (zh) | 2020-12-11 |
CN112071434B true CN112071434B (zh) | 2022-11-29 |
Family
ID=73657008
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010769307.3A Active CN112071434B (zh) | 2020-08-03 | 2020-08-03 | 一种异常体温序列检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112071434B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113017831A (zh) * | 2021-02-26 | 2021-06-25 | 上海鹰瞳医疗科技有限公司 | 人工晶体植入术后拱高预测方法及设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105962906A (zh) * | 2016-06-14 | 2016-09-28 | 广州视源电子科技股份有限公司 | 一种体温测量方法及装置 |
CN110544530A (zh) * | 2018-05-29 | 2019-12-06 | 浙江清华柔性电子技术研究院 | 体温数据预测装置及其体温数据预测模型构建方法 |
CN111243752A (zh) * | 2020-01-16 | 2020-06-05 | 四川大学华西医院 | 一种急性胰腺炎诱发器官衰竭的预测模型 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002061679A2 (en) * | 2001-01-31 | 2002-08-08 | Prediction Dynamics Limited | Neural network training |
-
2020
- 2020-08-03 CN CN202010769307.3A patent/CN112071434B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105962906A (zh) * | 2016-06-14 | 2016-09-28 | 广州视源电子科技股份有限公司 | 一种体温测量方法及装置 |
CN110544530A (zh) * | 2018-05-29 | 2019-12-06 | 浙江清华柔性电子技术研究院 | 体温数据预测装置及其体温数据预测模型构建方法 |
CN111243752A (zh) * | 2020-01-16 | 2020-06-05 | 四川大学华西医院 | 一种急性胰腺炎诱发器官衰竭的预测模型 |
Also Published As
Publication number | Publication date |
---|---|
CN112071434A (zh) | 2020-12-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106778014B (zh) | 一种基于循环神经网络的患病风险预测建模方法 | |
CN109785976A (zh) | 一种基于Soft-Voting的痛风病分期预测系统 | |
CN111951975B (zh) | 一种基于深度学习模型gpt-2的脓毒症早期预警方法 | |
CN105843733B (zh) | 一种大数据平台的性能检测方法及装置 | |
CN109767836A (zh) | 一种医学诊断人工智能系统、装置及其自我学习方法 | |
CN106250712A (zh) | 一种基于增量式神经网络模型的输尿管结石预测方法和预测系统 | |
CN107137093A (zh) | 一种包含异常血糖概率报警器的连续血糖监测设备 | |
Chen et al. | A deep learning feature fusion based health index construction method for prognostics using multiobjective optimization | |
CN112071434B (zh) | 一种异常体温序列检测方法 | |
CN106407699A (zh) | 一种基于增量式神经网络模型的冠心病预测方法和预测系统 | |
CN116796275A (zh) | 一种工业设备多模态时序异常检测方法 | |
CN116843080A (zh) | 一种基于机器学习的尿素生产碳元素足迹预测方法及系统 | |
CN112057053A (zh) | 一种基于svm的异常体温序列检测装置及方法 | |
CN106384012A (zh) | 一种基于增量式神经网络模型的过敏性皮炎预测方法和预测系统 | |
CN106384008A (zh) | 一种基于增量式神经网络模型的过敏性鼻炎预测方法和预测系统 | |
CN115204475A (zh) | 一种戒毒场所安全事件风险评估方法 | |
CN111709440B (zh) | 基于FSA-Choquet模糊积分的特征选择方法 | |
CN106202986A (zh) | 一种基于增量式神经网络模型的扁桃体炎预测方法和预测系统 | |
CN106250715A (zh) | 一种基于增量式神经网络模型的慢性咽喉炎预测方法和预测系统 | |
CN106407693A (zh) | 一种基于增量式神经网络模型的乙肝预测方法和预测系统 | |
CN106446561A (zh) | 一种基于增量式神经网络模型的荨麻疹预测方法和预测系统 | |
CN112784462A (zh) | 一种基于有限元法的水工结构应力变形预测系统 | |
CN106295239A (zh) | 一种基于增量式神经网络模型的脂肪肝预测方法和预测系统 | |
Saadah et al. | Fuzzy Time Series using Chen and Lee Model to Predict COVID-19 in Aceh Indonesia | |
Rino | Application of Neural Network Methods Based on Genetic Algorithm for Breast Cancer Prediction |
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 |