CN112201355B - 一种健康评估迭代分类器模型的构建方法 - Google Patents
一种健康评估迭代分类器模型的构建方法 Download PDFInfo
- Publication number
- CN112201355B CN112201355B CN202011218273.5A CN202011218273A CN112201355B CN 112201355 B CN112201355 B CN 112201355B CN 202011218273 A CN202011218273 A CN 202011218273A CN 112201355 B CN112201355 B CN 112201355B
- Authority
- CN
- China
- Prior art keywords
- classifier
- health
- training
- weak
- user
- 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
- 230000036541 health Effects 0.000 title claims abstract description 64
- 238000010276 construction Methods 0.000 title claims abstract description 9
- 238000011156 evaluation Methods 0.000 title abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 44
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000013528 artificial neural network Methods 0.000 claims abstract description 9
- 239000000203 mixture Substances 0.000 claims description 9
- 238000013145 classification model Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 5
- 235000006694 eating habits Nutrition 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 19
- 238000005259 measurement Methods 0.000 description 8
- 230000004630 mental health Effects 0.000 description 6
- 201000010099 disease Diseases 0.000 description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 230000035945 sensitivity Effects 0.000 description 4
- 238000013210 evaluation model Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 206010042434 Sudden death Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 235000005686 eating Nutrition 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
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
- G16H50/30—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
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Evolutionary Biology (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Primary Health Care (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种健康评估迭代分类器模型的构建方法，收集健康数据并确定每种影响因素的数值区间标准，然后把收集的健康数据按照数值区间标准进行划分，标记类别；采用模糊集隶属度函数确定每种因素对用户健康的影响程度，构成训练所需的训练样本集；训练迭代分类器模型，所述迭代分类器模型采用若干个弱分类器集成强分类器，所述弱分类器采用BP神经网络结构。所述的迭代分类器采用多个弱分类器集成形成强分类器，不易在训练过程中造成过拟合情况。所述BP神经网络能对未处理过的噪声具有一定的容错能力，而且具有良好的泛化能力。本发明可以实现充分的对用户的健康进行分析，让用户直观地了解到自己的健康状况，及时发现影响健康的问题。
Description
技术领域
本发明属于健康评估的技术领域，具体涉及一种健康评估迭代分类器模型的构建方法。
背景技术
随着国家社会经济不断地发展，人们在衣食住行等各个方面得到了更好的供给，开始追求更好的身心健康品质。近几年，伴随国家城市化进程的加快，人们的工作、生活压力也不断增多，很多新闻播出“某员工猝死”、“某某抑郁”等等负面新闻，可以通过这些信息了解到健康对人们的重要性，为了防止出现不可挽回的局面，及时的发现健康变化，解决出现的危害是重中之重的事情。但是目前已有的健康评估方法大多数是从生物医学角度或者问卷调查方面进行的，存在较强的主观性和片面性，不能很好的对被评估者的健康状态进行评估。
目前的健康评估方法大致分为调查收集信息和生物医学各项参数检测。前者是通过大量的问卷形式对被评估者进行健康调查，问卷中的问答是由相关专家为了达到健康评估的目的设计的，但该方法过于依赖被评估者对自身健康状态的了解程度，主观性较强。后者是比较狭义的“健康”，是从生物医学角度解释健康观，健康就等于不患有任何疾病，但是广义上的健康应定义为生物医学上、精神上、社会形态上都处于完好状态，而且一个人的健康容易受到各种因素影响，比如饮食习惯、工作时间、医疗条件、生活习性等等，所以需要从各个方面对健康进行评估。
因此，急需提出一种将调查收集信息和生物医学各项参数检测相结合进行健康评估方法，从被评估者生存环境中的各个方面进行研究分析，及时发现影响健康的问题，从而快速解决这些问题，提高用户的身心健康。
发明内容
本发明的目的在于提供一种健康评估迭代分类器模型的构建方法，旨在解决上述问题，实现用户直观地了解自己的健康状况，并及时发现影响健康的问题。
本发明主要通过以下技术方案实现：
一种健康评估迭代分类器模型的构建方法，收集健康数据并确定每种影响因素的数值区间标准，然后把收集的健康数据按照数值区间标准进行划分，标记类别；采用模糊集隶属度函数确定每种因素对用户健康的影响程度，构成训练所需的训练样本集；训练迭代分类器模型，所述迭代分类器模型采用若干个弱分类器集成强分类器，所述弱分类器采用BP神经网络结构。验证迭代分类器模型精度，并选择最优的迭代分类器模型。
所述的迭代分类器采用多个弱分类器集成形成强分类器，不易在训练过程中造成过拟合情况。所述BP神经网络能对未处理过的噪声具有一定的容错能力，而且具有良好的泛化能力。本发明利用机器学习方法建立出一种能测控用户健康变化的评估模型，充分的对用户的健康进行分析，可以让用户直观地了解到自己的健康状况，及时发现影响健康的问题，从而快速解决这些问题，提高用户的身心健康。
本发明在使用过程中，收集用户的饮食习惯、工作时间、医疗条件、生活习性以及患病史等相关信息，可以通过咨询专家确定每种影响因素的数值区间标准，然后把这些信息按照数值区间标准进行划分，标记类别。
为了更好地实现本发明，进一步地，所述的数值区间标准是相关专家针对某影响健康的信息设定的区间范围，而且考虑到各种影响因素数值的不一致性，需将信息数值按相关指标进行归一化计算。
数值区间标准是由相关专家判断收集的某用户各项信息是否满足健康标准而定义的区间值。为了避免数据信息的不一致性带来的误差，需对信息进行归一化处理，如饮食方面的数值采用体质指数计算，公式如下：
公式中Kg为用户的体重，H为用户的身高。而生活习性可以采用国民幸福指数进行计算，计算公式为：
公式中II表示用户收入的递增，GC表示基尼系数，UR表示失业率，IN表示通货膨胀，可以充分的反映用户的生活质量和幸福程度。其他因素如工作时间按照一天工作时效计算，医疗条件采用医保普及率表示，患病史包含家族病史、重大疾病等生物医学信息。
为了更好地实现本发明，进一步地，所述模糊集隶属度函数通过高斯混合模型计算每个数据点的概率分布，再根据得到的概率分布赋予不同数据点重要程度不同的隶属度。
目前大多数模糊隶属度函数的研究都是基于样本点到类别中心点的距离构建的距离度量隶属度，离中心点距离越近隶属度越高，其设计直接影响分类器的性能。如果数据中出现离散点时，利用距离度量构建的隶属度函数会导致分类器分类方向倾向离散点，造成分类误差，降低分类精度。所以本发明设计的模糊隶属度函数不再使用距离度量为基准，而是使用聚类方法自动生成样本点的概率分布，并根据概率值赋予不同样本重要程度不同的隶属度，减弱隶属度函数对离散点、异常点的敏感度。本发明的聚类方法采用高斯混合模型，因为高斯混合模型是一种软聚类方法，可以得到样本点在高斯分布下的概率值，得到不同样本的重要程度。
为了更好地实现本发明，进一步地，训练迭代分类器模型主要包括以下步骤：
步骤S100：载入训练样本集，初始化分类器模型权重，训练弱分类器1；
步骤S200：按照设定的迭代次数训练弱分类器，达到最大迭代次数时，计算误差率et、更新权重αt；
步骤S300：使用更新之后的权重参数训练弱分类器2；
步骤S400：重复步骤S100-S300直至训练完所有弱分类器；
步骤S500：使用结合策略将所有弱分类器集成强分类器，并对强分类器进行精度测试，选择最优的分类模型。
为了更好地实现本发明，进一步地，所述步骤S500中，首先计算t次迭代之后每个弱分类模型的平均精度均值，并将平均精度均值作为每个弱分类器的权重w；利用加权投票法将多个弱分类器集成强分类器，公式为：
其中：Gk为弱分类器，k为弱分类器的索引，K为弱分类器总数。
为了更好地实现本发明，进一步地，权重αt的计算公式如下：
其中，R为分类器的类别数量，lr为分类器训练的学习率。所述lr设为0.001。
为了更好地实现本发明，进一步地，所述健康数据包括用户的饮食习惯、工作时间、医疗条件、生活习性以及患病史信息中的任意一种或者多种。
本发明的有益效果：
(1)本发明利用迭代分类器构造用户所处的社会公共卫生与环境和用户自身生物医学状态的健康评估模型，可以让用户直观地了解到自己的健康状况，及时发现影响健康的问题，从而快速解决这些问题，提高用户的身心健康，与现有技术相比，具有显著的进步。
(2)本发明设计的模糊隶属度函数不再使用距离度量为基准，而是使用聚类方法自动生成样本点的概率分布，并根据概率值赋予不同样本重要程度不同的隶属度，减弱隶属度函数对离散点、异常点的敏感度。
(3)本发明提出为每种影响健康的因素建立对应的隶属度，能确定各个因素对健康的影响程度，加快发现存在的问题的速度。
(4)结合策略采用改进的加权投票法，该方法能剔除分类错误的冗余弱分类器，提高分类精度和速度。
(5)所述BP神经网络能对未处理过的噪声具有一定的容错能力，而且具有良好的泛化能力。
附图说明
图1为本发明模型构建的流程图；
图2为生成样本集的流程图；
图3为迭代分类器模型训练流程图。
具体实施方式
实施例1：
一种健康评估迭代分类器模型的构建方法，如图1、图2所示，收集健康数据并确定每种影响因素的数值区间标准，然后把收集的健康数据按照数值区间标准进行划分，标记类别；采用模糊集隶属度函数确定每种因素对用户健康的影响程度，构成训练所需的训练样本集；训练迭代分类器模型，所述迭代分类器模型采用若干个弱分类器集成强分类器，所述弱分类器采用BP神经网络结构。
所述的迭代分类器采用多个弱分类器集成形成强分类器，不易在训练过程中造成过拟合情况。所述BP神经网络能对未处理过的噪声具有一定的容错能力，而且具有良好的泛化能力。本发明利用机器学习方法建立出一种能测控用户健康变化的评估模型，充分的对用户的健康进行分析，可以让用户直观地了解到自己的健康状况，及时发现影响健康的问题，从而快速解决这些问题，提高用户的身心健康。
实施例2：
本实施例是在实施例1的基础上进行优化，如图2所示，所述模糊集隶属度函数通过高斯混合模型计算每个数据点的概率分布，再根据得到的概率分布赋予不同数据点重要程度不同的隶属度。本发明提出为每种影响健康的因素建立对应的隶属度，能确定各个因素对健康的影响程度，加快发现存在的问题的速度。
目前大多数模糊隶属度函数的研究都是基于样本点到类别中心点的距离构建的距离度量隶属度，离中心点距离越近隶属度越高，其设计直接影响分类器的性能。如果数据中出现离散点时，利用距离度量构建的隶属度函数会导致分类器分类方向倾向离散点，造成分类误差，降低分类精度。所以本发明设计的模糊隶属度函数不再使用距离度量为基准，而是使用聚类方法自动生成样本点的概率分布，并根据概率值赋予不同样本重要程度不同的隶属度，减弱隶属度函数对离散点、异常点的敏感度。本发明的聚类方法采用高斯混合模型，因为高斯混合模型是一种软聚类方法，可以得到样本点在高斯分布下的概率值，得到不同样本的重要程度。
本实施例的其他部分与实施例1相同，故不再赘述。
实施例3：
本实施例是在实施例1或2的基础上进行优化，如图3所示，训练迭代分类器模型主要包括以下步骤：
步骤S100：载入训练样本集，初始化分类器模型权重，训练弱分类器1；
步骤S200：按照设定的迭代次数训练弱分类器，达到最大迭代次数时，计算误差率et、更新权重αt；
步骤S300：使用更新之后的权重参数训练弱分类器2；
步骤S400：重复步骤S100-S300直至训练完所有弱分类器；
步骤S500：使用结合策略将所有弱分类器集成强分类器，并对强分类器进行精度测试，选择最优的分类模型。
进一步地，首先计算t次迭代之后每个弱分类模型的平均精度均值，并将平均精度均值作为每个弱分类器的权重w；利用加权投票法将多个弱分类器集成强分类器，公式为：
其中：Gk为弱分类器，k为弱分类器的索引，K为弱分类器总数。
所述结合策略采用改进的加权投票法，该方法能剔除分类错误的冗余弱分类器，提高分类精度和速度。
进一步地，权重αt的计算公式如下：
其中，R为分类器的类别数量，lr为分类器训练的学习率，设为0.001。
本实施例的其他部分与上述实施例1或2相同，故不再赘述。
实施例4：
一种健康评估迭代分类器模型的构建方法，如图1-图3所示，主要包括以下步骤：
收集用户的饮食习惯、工作时间、医疗条件、生活习性以及患病史等相关信息；
咨询相关专家确定每种影响因素的数值区间标准，然后把这些信息按照数值区间标准进行划分，标记类别；
搭建迭代分类器模型进行分类训练，并且构造模糊集隶属度函数确定每种因素对用户健康的影响程度，构成训练所需的训练样本集；
训练迭代分类器模型，验证分类器精度，选出最优的模型。
其中，数值区间标准是由相关专家判断收集的某用户各项信息是否满足健康标准而定义的区间值。在本发明提出的方法中，为了避免数据信息的不一致性带来的误差，需对信息进行归一化处理。
本发明设计的模糊隶属度函数不再使用距离度量为基准，而是使用聚类方法自动生成样本点的概率分布，并根据概率值赋予不同样本重要程度不同的隶属度，减弱隶属度函数对离散点、异常点的敏感度。本发明的聚类方法采用高斯混合模型，因为高斯混合模型是一种软聚类方法，可以得到样本点在高斯分布下的概率值，得到不同样本的重要程度。
迭代分类器采用多个弱分类器集成形成强分类器，其中，弱分类器采用BP神经网络，BP神经网络能对未处理过的噪声具有一定的容错能力，而且具有良好的泛化能力。假设训练样本集为向量xi∈RD表示每个D维特征的样本x，y为类别标签，将健康分为{不及格，及格，良好，优秀}这4个类别，对应数字标签为{0,1,2,3}，s为每个样本特征对应的隶属度，范围是(0，1]。迭代分类器模型的训练步骤如图3所示，主要有以下步骤：
1.载入训练样本集，初始化分类器模型权重，训练弱分类器1；
2.按照设定的迭代次数训练弱分类器1，达到最大迭代次数时计算误差率et，更新权重αt，更新公式为：
其中R为分类器的类别数量，lr为分类器训练的学习率，设为0.001。
3.使用更新之后的权重参数训练弱分类器2；
4.重复步骤2的计算方式，直至所有弱分类器得到训练，总共有10个弱分类器；
5.使用结合策略将所有弱分类器集成形成强分类器，并对强分类器进行精度测试，选出最优的模型作为最终的分类模型。
其中，结合策略采用改进的加权投票法，该方法能剔除分类错误的冗余弱分类器，提高分类精度和速度。主要做法如下：
1)计算t次迭代之后每个弱分类模型的平均精度均值(Mean Average Precision，mAP)，并将平均精度均值作为每个分类器的权重w；
2)利用加权投票法将多个弱分类器集成强分类器，公式为：
公式中Gk为弱分类器，k为弱分类器的索引，K为弱分类器总数。
本发明在使用过程中，只需要收集用户的相关信息输入到模型中，就能直观地告诉用户健康变化情况，并且还能告诉用户影响健康的因素是什么，能让用户及时改善或解决问题，提高身心健康。
以上所述，仅是本发明的较佳实施例，并非对本发明做任何形式上的限制，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化，均落入本发明的保护范围之内。
Claims (1)
1.一种健康评估迭代分类器模型的构建方法，其特征在于，收集健康数据并确定每种影响因素的数值区间标准，然后把收集的健康数据按照数值区间标准进行划分，标记类别；采用模糊集隶属度函数确定每种因素对用户健康的影响程度，构成训练所需的训练样本集；训练迭代分类器模型，所述迭代分类器模型采用若干个弱分类器集成强分类器，所述弱分类器采用BP神经网络结构；
所述模糊集隶属度函数通过高斯混合模型计算每个数据点的概率分布，再根据得到的概率分布赋予不同数据点重要程度不同的隶属度；
训练迭代分类器模型主要包括以下步骤：
步骤S100：载入训练样本集，初始化分类器模型权重，训练弱分类器1；
步骤S200：按照设定的迭代次数训练弱分类器，达到最大迭代次数时，计算误差率et、更新权重αt；
步骤S300：使用更新之后的权重参数训练弱分类器2；
步骤S400：重复步骤S100-S300直至训练完所有弱分类器；
步骤S500：使用结合策略将所有弱分类器集成强分类器，并对强分类器进行精度测试，选择最优的分类模型；
所述步骤S500中，首先计算t次迭代之后每个弱分类模型的平均精度均值，并将平均精度均值作为每个弱分类器的权重w；利用加权投票法将多个弱分类器集成强分类器，公式为：
其中：Gk为弱分类器，k为弱分类器的索引，K为弱分类器总数；
权重αt的计算公式如下：
其中，R为分类器的类别数量；lr为分类器训练的学习率；
所述健康数据包括用户的饮食习惯、工作时间、医疗条件、生活习性以及患病史信息中的任意一种或者多种。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011218273.5A CN112201355B (zh) | 2020-11-04 | 2020-11-04 | 一种健康评估迭代分类器模型的构建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011218273.5A CN112201355B (zh) | 2020-11-04 | 2020-11-04 | 一种健康评估迭代分类器模型的构建方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112201355A CN112201355A (zh) | 2021-01-08 |
| CN112201355B true CN112201355B (zh) | 2024-01-16 |
Family
ID=74033303
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011218273.5A Active CN112201355B (zh) | 2020-11-04 | 2020-11-04 | 一种健康评估迭代分类器模型的构建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112201355B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118173271B (zh) * | 2024-05-14 | 2024-07-23 | 青岛益生康健科技股份有限公司 | 一种健康管理在线咨询方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107194433A (zh) * | 2017-06-14 | 2017-09-22 | 电子科技大学 | 一种基于深度自编码网络的雷达一维距离像目标识别方法 |
| CN109711453A (zh) * | 2018-12-21 | 2019-05-03 | 广东工业大学 | 一种基于多变量的设备动态健康状态评估方法 |
| CN110335244A (zh) * | 2019-05-17 | 2019-10-15 | 杭州数据点金科技有限公司 | 一种基于多迭代分类器的轮胎x光病疵检测方法 |
| CN110335680A (zh) * | 2019-07-13 | 2019-10-15 | 朱容波 | 一种基于ɑ-RIPPER分类器的国民体质健康分析方法 |
| CN110399544A (zh) * | 2019-06-27 | 2019-11-01 | 迪安诊断技术集团股份有限公司 | 电子病历数字对象分类器生成方法以及最终分类器系统 |
| CN110517160A (zh) * | 2019-08-02 | 2019-11-29 | 重庆邮电大学 | 一种农产品的质量分级方法及质量分级系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10552759B2 (en) * | 2014-12-01 | 2020-02-04 | Facebook, Inc. | Iterative classifier training on online social networks |
-
2020
- 2020-11-04 CN CN202011218273.5A patent/CN112201355B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107194433A (zh) * | 2017-06-14 | 2017-09-22 | 电子科技大学 | 一种基于深度自编码网络的雷达一维距离像目标识别方法 |
| CN109711453A (zh) * | 2018-12-21 | 2019-05-03 | 广东工业大学 | 一种基于多变量的设备动态健康状态评估方法 |
| CN110335244A (zh) * | 2019-05-17 | 2019-10-15 | 杭州数据点金科技有限公司 | 一种基于多迭代分类器的轮胎x光病疵检测方法 |
| CN110399544A (zh) * | 2019-06-27 | 2019-11-01 | 迪安诊断技术集团股份有限公司 | 电子病历数字对象分类器生成方法以及最终分类器系统 |
| CN110335680A (zh) * | 2019-07-13 | 2019-10-15 | 朱容波 | 一种基于ɑ-RIPPER分类器的国民体质健康分析方法 |
| CN110517160A (zh) * | 2019-08-02 | 2019-11-29 | 重庆邮电大学 | 一种农产品的质量分级方法及质量分级系统 |
Non-Patent Citations (1)
| Title |
|---|
| 基于BP-AsymBoost的医疗诊断模型;张涛，等;《系统工程理论与实践》;第37卷(第6期);第1654-1664页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112201355A (zh) | 2021-01-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111161879B (zh) | 一种基于大数据的疾病预测系统 | |
| Pathan et al. | Identifying stroke indicators using rough sets | |
| CN111161814A (zh) | 一种基于卷积神经网络的DRGs自动分组方法 | |
| CN110569982A (zh) | 一种基于元学习的主动采样方法 | |
| CN109273096A (zh) | 一种基于机器学习的药品风险分级评估方法 | |
| CN105930663A (zh) | 一种帕金森病早期诊断方法 | |
| CN112687374B (zh) | 一种基于文本和图像信息联合计算的心理危机预警方法 | |
| Kianmehr et al. | Fuzzy clustering-based discretization for gene expression classification | |
| CN103714261A (zh) | 二阶段混合模型的智能辅助医疗决策支持方法 | |
| CN113539460A (zh) | 用于远程医疗平台的智能导诊方法和装置 | |
| CN112201355B (zh) | 一种健康评估迭代分类器模型的构建方法 | |
| CN116564521A (zh) | 一种慢性病风险评估模型建立方法、介质及系统 | |
| CN117648572B (zh) | 基于虚拟现实和集成学习的认知评估方法和系统 | |
| CN117195027A (zh) | 基于成员选择的簇加权聚类集成方法 | |
| CN112347162A (zh) | 一种基于在线学习的多元时序数据规则挖掘方法 | |
| CN115171906A (zh) | 一种基于机器学习的前列腺癌筛查和诊断方法 | |
| Thelagathoti et al. | A Correlation Network Model for Analyzing Mobility Data in Depression Related Studies. | |
| CN109934139B (zh) | 一种基于群智能算法的肌肉电信号通道组合优化方法 | |
| CN112951324A (zh) | 一种基于欠采样的致病同义突变预测方法 | |
| CN113780378A (zh) | 一种疾病高危人群预测装置 | |
| Wendler et al. | Classification Models | |
| CN113269217A (zh) | 基于Fisher准则的雷达目标分类方法 | |
| Sexton et al. | Neural networks refined: using a genetic algorithm to identify predictors of IS student success | |
| CN113111922B (zh) | 一种面向儿童的阶段性身高预测方法 | |
| CN118410362B (zh) | 一种用户多维度指标数据的聚合方法 |
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 |