CN112270441A - 建立自闭症儿童康复效果预测模型的方法、预测自闭症儿童康复效果的方法及系统 - Google Patents

建立自闭症儿童康复效果预测模型的方法、预测自闭症儿童康复效果的方法及系统 Download PDF

Info

Publication number
CN112270441A
CN112270441A CN202011188949.0A CN202011188949A CN112270441A CN 112270441 A CN112270441 A CN 112270441A CN 202011188949 A CN202011188949 A CN 202011188949A CN 112270441 A CN112270441 A CN 112270441A
Authority
CN
China
Prior art keywords
model
children
tree
autism
predicting
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.)
Pending
Application number
CN202011188949.0A
Other languages
English (en)
Inventor
陈东帆
洪云
王恒民
边鑫
周琪峰
姚安勇
陈圣棣
沈林国
韩立文
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Lixiao Rehabilitation Technology Development Co ltd
Shanghai Xuhui District Boai Children's Health Park
East China Normal University
Original Assignee
Shanghai Lixiao Rehabilitation Technology Development Co ltd
Shanghai Xuhui District Boai Children's Health Park
East China Normal University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Lixiao Rehabilitation Technology Development Co ltd, Shanghai Xuhui District Boai Children's Health Park, East China Normal University filed Critical Shanghai Lixiao Rehabilitation Technology Development Co ltd
Priority to CN202011188949.0A priority Critical patent/CN112270441A/zh
Publication of CN112270441A publication Critical patent/CN112270441A/zh
Priority to CN202110111675.3A priority patent/CN112668809B/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Public Health (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Economics (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biomedical Technology (AREA)
  • Databases & Information Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Pathology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种建立自闭症儿童康复效果预测模型的方法，所述模型包括多棵代表不同特征分类的弱决策树；所述样本根据其特征在每棵弱决策树上对应一个节点；所述节点对应着该棵决策树上的分数；所述样本在所有决策树上的分数加和即为该样本的特征值。所述建立方法包含以下步骤：步骤a：获取自闭症儿童的基本信息；步骤b：获取自闭症儿童中残联47项指标的评估结果；步骤c：将获取的上述基本信息和评估结果信息矢量化为特征值；步骤d：依据上述特征值进行机器学习，得到上述各项特征对于自闭症儿童康复效果的权重值，完成模型建立。本发明还公开了一种预测自闭症儿童康复效果的方法及系统。

Description

建立自闭症儿童康复效果预测模型的方法、预测自闭症儿童 康复效果的方法及系统
技术领域
本发明属于人工智能技术领域，具体涉及一种建立自闭症儿童康复预测模型的方法以及基于该模型方法的系统。
背景技术
症状分析是自闭症儿童康复活动中的重要一环。目前，自闭症儿童的康复环节中，症状分析都是由康复师根据特征表现，以以往具有相似表现的症状分析为基础，生成新的症状分析反馈给自闭症儿童。
自闭症儿童的基数极为庞大，而有经验的康复师的数量相较之下则少之又少，如何将经验丰富的康复师对儿童通过经验进行的康复趋势的判断转化为科学可复现的预测模型，是一个重要的问题。经验不足的康复师们可能无法对自闭症儿童做出最有效的康复趋势判断，通过机器学习将康复师的经验转化为预测模型，可以大大提高经验尚浅的康复师对自闭症儿童康复趋势的判断，从而提高对自闭症儿童康复的成效。
发明内容
本发明为了克服现有技术的缺陷，提出了一种建立自闭症儿童康复效果预测模型的方法，所述方法包含以下步骤：
步骤a：获取自闭症儿童的基本信息；
步骤b：获取自闭症儿童中残联47项指标的评估结果；
步骤c：将获取的上述基本信息和评估结果信息矢量化为特征值；
步骤d：依据上述特征进行机器学习建立模型，得到上述各项特征对于自闭症儿童康复效果的权重值，完成模型建立。
本发明采用XGBoost作为机器学习算法。所述XGBoost算法将输入的m个特征值转化为K棵树，所述模型即为每棵树的计算结果的和，其函数如下：
所述模型中有K棵树，
Figure BDA0002752215870000011
Figure BDA0002752215870000012
为第K棵树所对应的模型；
fK为第K棵树对应函数；
xi为第K棵树的输入数据；
Figure BDA0002752215870000013
Obj为该树的最终模型；
Figure BDA0002752215870000021
为模型训练损失函数；
Ω(fK)为树的复杂程度。
为了让每棵树的输出结果都使模型最为准确，即，f(t)为每轮预测中最重要的，其函数如下所示：
Figure BDA0002752215870000022
Figure BDA0002752215870000023
为第i棵树的模型；
Figure BDA0002752215870000024
为第t棵树的模型；
则每轮预测中，都要尽量减小残差，残差的算法如下所示：
Figure BDA0002752215870000025
第t棵树对应模型
Figure BDA0002752215870000026
中需要找到合适的ft使得最终模型结果中常数以外的部分最小；
考虑方差后得：
Figure BDA0002752215870000027
Figure BDA0002752215870000028
为经上一棵树计算后所得的余数；
最后得到符合上述函数的模型，并得到各项特征值的权重值。
本发明运用交叉验证技术，反复将数据集拆分为运算集和测试集，对样本进行多次模型建立，并筛选出其中结果最优的模型；所述数据集为所有儿童的30项儿童基本信息及47项特征值；
所述最优模型为根据运算集得到的模型，用测试集中的输入信息预测输出信息，其结果与测试集中的输出信息进行比对，保留正确率最高的模型；
进一步筛选最优的参数。
本发明中所述特征值为矢量数据。
本发明还提出了一种上述方法应用中建立的模型，所述模型包括多棵代表不同特征分类的弱决策树；所述样本根据其特征在每棵弱决策树上对应一个节点；所述节点对应着该棵决策树上的分数；所述样本在所有决策树上的分数加和即为该样本的特征值。
本发明还公开了一种非诊断目的的基于上述模型预测自闭症儿童康复效果的方法，所述方法包含以下步骤：
步骤I：获取自闭症儿童的基本信息；
步骤II：获取自闭症儿童中残联47项指标的评估结果；
步骤III：将获取的上述基本信息和评估结果信息矢量化为特征值；
步骤IV：将上述特征输入事先建立的模型中运算；
步骤V：得到针对该儿童自闭症康复效果的预测。
本发明还提出了一种预测自闭症儿童康复效果的系统，所述系统包含以下：
数据录入模块：包含前端网页和微信小程序，负责录入自闭症儿童的基本信息和中残联47项指标的评估结果；
数据库模块：负责储存，筛选录入的自闭症儿童基本信息及中残联47项评估指标的结果；所述筛选为根据所需要获得的模型依照模型特征对数据进行筛选；
机器学习模块：负责通过XGBoost算法学习并建立自闭症儿童康复效果预测模型，获得各项自闭症儿童特征对于自闭症儿童康复效果的权重值；
预测模块：负责将录入的自闭症儿童基本信息及中残联47项指标的评估结果代入模型中进行预测并返回康复概率实现自闭症儿童康复效果预测。
本发明的有益效果在于：
本发明可以把康复师在实际对儿童自闭症康复效果进行评估时积累的经验转化为数学模型，将儿童的数据输入本发明即可预测该儿童的自闭症康复效果。
此外，现有各类自闭症康复课程繁多，本发明可以作为一个帮助评估课程有效性的指标。
附图说明
图1是本发明特征值权值图。
图2是本发明一个含有n个数据，折叠k次的数据集。
图3是本发明随机化后的数据集。
图4是本发明第一次拆分模型计算的数据集。
图5是本发明第二次拆分模型计算的数据集。
图6是本发明第三次拆分模型计算的数据集。
具体实施方式
结合以下具体实施例和附图，对发明作进一步的详细说明。实施本发明的过程、条件、实验方法等，除以下专门提及的内容之外，均为本领域的普遍知识和公知常识，本发明没有特别限制内容。
本发明提出了一种建立自闭症儿童康复效果预测模型的方法，所述方法包含以下步骤：
步骤a：获取自闭症儿童的基本信息；
步骤b：获取自闭症儿童中残联47项指标的评估结果；
步骤c：将获取的上述基本信息和评估结果信息矢量化为特征值；
步骤d：依据上述特征进行机器学习建立模型，得到上述各项特征对于自闭症儿童康复效果的权重值，完成模型建立。
本发明还公开了一种基于上述模型预测自闭症儿童康复效果的方法，所述方法包含以下步骤：
步骤I：获取自闭症儿童的基本信息；
步骤II：获取自闭症儿童中残联47项指标的评估结果；
步骤III：将获取的上述基本信息和评估结果信息矢量化为特征值；
步骤IV：将上述特征输入事先建立的模型中运算；
步骤V：得到针对该儿童自闭症康复效果的预测。
本发明还公开了一种预测自闭症儿童康复效果的系统，所述系统包含以下：
数据录入模块：包含前端网页和微信小程序，负责录入自闭症儿童的基本信息和中残联47项指标的评估结果；
数据库模块：负责储存，筛选录入的自闭症儿童基本信息及中残联47项评估指标的结果；所述筛选为根据所需要获得的模型依照模型特征对数据进行筛选(例：若只想研究上海儿童的情况，则筛选出上海儿童的数据，得到上海儿童的模型)；
机器学习模块：负责通过XGBoost算法学习并建立自闭症儿童康复效果预测模型，获得各项自闭症儿童特征对于自闭症儿童康复效果的权重值；
预测模块：负责将录入的自闭症儿童基本信息及中残联47项指标的评估结果代入模型中进行预测并返回康复概率实现自闭症儿童康复效果预测。
本发明还提出了一种上述方法应用中建立的模型，所述模型包括多棵代表不同特征分类的弱决策树；所述样本根据其特征在每棵弱决策树上对应一个节点；所述节点对应着该棵决策树上的分数；所述样本在所有决策树上的分数加和即为该样本的特征值。
在步骤d中，采用XGBoost算法作为建立机器学习预测自闭症儿童康复效果模型的机器学习算法。XGBoost是梯度提升树(GDBT)算法的增强算法，其核心在于回归树(CART)。XGBoost会将我们输入的m个特征值转化为K棵树，模型即为每棵树的计算结果的和，其函数如下：
所述模型中有K棵树，
Figure BDA0002752215870000051
Figure BDA0002752215870000052
为第K棵树所对应的模型；
fK为第K棵树对应函数；
xi为第K棵树的输入数据；
Figure BDA0002752215870000053
Obj为该树的最终模型；
Figure BDA0002752215870000054
为模型训练损失函数；
Ω(fK)为树的复杂程度。
在建模方法中，为了让每棵树的输出结果都使模型最为准确，即，f(t)为每轮预测中最重要的，其函数如下所示：
Figure BDA0002752215870000055
Figure BDA0002752215870000056
为第i棵树的模型；
Figure BDA0002752215870000057
为第t棵树的模型；
则每轮预测中，都要尽量减小残差，残差的算法如下所示：
Figure BDA0002752215870000058
第t棵树对应模型
Figure BDA0002752215870000059
中需要找到合适的ft使得最终模型结果中常数以外的部分最小；
考虑方差后可得：
Figure BDA0002752215870000061
Figure BDA0002752215870000062
为经上一棵树计算后所得的余数；
最后得到符合上述函数的模型，并得到各项特征值的权重值。
在步骤d中，为了让模型尽可能普适，运用了交叉验证(Cross Validation)技术，反复将数据集拆分为运算集和测试集。假设有一含有n个数据，折叠k次的数据集；先将数据集进行随机化，然后进行连续三次拆分模型计算。
可见，折叠三次可以对样本进行三次模型建立，并可以筛选出其中结果最优的模型，从而进一步筛选最优的参数。
在实际的运算中，随机拆分了30％总样本的样本数据作为测试集，将测试集的结果与对测试集的预测结果进行反复比对，最后反复验证计算出最合适的参数，从而计算出最准确的模型。
建模方法中，算法要求输入的数据为矢量数据，则需要对数据进行整理(步骤c)，具体细则依下表：
Figure BDA0002752215870000063
Figure BDA0002752215870000071
Figure BDA0002752215870000081
Figure BDA0002752215870000091
Figure BDA0002752215870000101
在步骤d中，对于自闭症儿童康复效果的判定基于该儿童中残联47个评估点的评估结果总分判定，若该儿童康复训练后评估总分高于训练前评估总分，则认定该儿童的康复有效果，反之则表示无效。
本发明的保护内容不局限于以上实施例。在不背离发明构思的精神和范围下，本领域技术人员能够想到的变化和优点都被包括在本发明中，并且以所附的权利要求书为保护范围。

Claims (10)

1.一种建立自闭症儿童康复效果预测模型的方法，其特征在于，所述方法包含以下步骤：
步骤a：获取自闭症儿童的基本信息；
步骤b：获取自闭症儿童中残联47项指标的评估结果；
步骤c：将所述基本信息和评估结果信息矢量化为特征值；
步骤d：依据所述特征值进行机器学习，得到上述47项特征对于自闭症儿童康复效果的权重值，完成模型建立。
2.如权利要求1所述的建立自闭症儿童康复效果预测模型的方法，其特征在于，采用XGBoost作为机器学习算法。
3.如权利要求2所述的建立自闭症儿童康复效果预测模型的方法，其特征在于，所述XGBoost算法将输入的m个特征值转化为K棵树，所述模型即为每棵树的计算结果的和，其函数如下：
所述模型中有K棵树，
Figure FDA0002752215860000011
Figure FDA0002752215860000012
为第K棵树所对应的模型；
fK为第K棵树对应函数；
xi为第K棵树的输入数据；
Figure FDA0002752215860000013
Obj为该树的最终模型；
Figure FDA0002752215860000014
为模型训练损失函数；
Ω(fK)为树的复杂程度。
4.如权利要求3所述的建立自闭症儿童康复效果预测模型的方法，其特征在于，为了让每棵树的输出结果都使模型最为准确，即，f(t)为每轮预测中最重要的，其函数如下所示：
Figure FDA0002752215860000015
Figure FDA0002752215860000016
Figure FDA0002752215860000017
…
Figure FDA0002752215860000018
Figure FDA0002752215860000019
为第i棵树的模型；
Figure FDA00027522158600000110
为第t棵树的模型；
则每轮预测中，都要尽量减小残差，残差的算法如下所示：
Figure FDA0002752215860000021
第t棵树对应模型
Figure FDA0002752215860000022
中需要找到合适的ft使得最终模型结果中常数以外的部分最小；
考虑方差后得：
Figure FDA0002752215860000023
Figure FDA0002752215860000024
为经上一棵树计算后所得的余数；
最后得到符合上述函数的模型，并得到各项特征值的权重值。
5.如权利要求3所述的建立自闭症儿童康复效果预测模型的方法，其特征在于，运用交叉验证技术，反复将数据集拆分为运算集和测试集，对样本进行多次模型建立，并筛选出其中结果最优的模型；所述数据集为所有儿童的30项儿童基本信息及47项特征值；
所述最优模型为根据运算集得到的模型，用测试集中的输入信息预测输出信息，其结果与测试集中的输出信息进行比对，保留正确率最高的模型；
进一步筛选最优的参数。
6.如权利要求3所述的建立自闭症儿童康复效果预测模型的方法，其特征在于，所述特征值为矢量数据。
7.一种基于权利要求1-6之任一项所述方法建立的模型，其特征在于，所述模型包括多棵代表不同特征分类的弱决策树；
所述样本根据其特征在每棵弱决策树上对应一个节点；所述节点对应着该棵决策树上的分数；
所述样本在所有决策树上的分数加和即为该样本的特征值。
8.一种非诊断目的的预测自闭症儿童康复效果的方法，其特征在于，所述方法包含以下步骤：
步骤I：获取自闭症儿童的基本信息；
步骤II：获取自闭症儿童中残联47项指标的评估结果；
步骤III：将获取的上述基本信息和评估结果信息矢量化为特征值；
步骤IV:将上述特征值输入至基于权利要求1-7之任一项所述方法建立的模型中进行运算；
步骤V:得到针对该儿童自闭症康复效果的预测。
9.如权利要求8所述的方法，其特征在于，所述步骤III为将基本信息和评估结果通过计算机后台运算得到。
10.一种预测自闭症儿童康复效果的系统，其特征在于，所述系统包含以下：
数据录入模块，负责录入自闭症儿童的基本信息和中残联47项指标的评估结果；
数据库模块，负责储存，筛选录入的自闭症儿童基本信息及中残联47项评估指标的结果；所述筛选为根据所需要获得的模型依照模型特征对数据进行筛选；
机器学习模块：负责通过XGBoost算法学习并建立自闭症儿童康复效果预测模型，获得各项自闭症儿童特征对于自闭症儿童康复效果的权重值；
预测模块，负责将录入的自闭症儿童的基本信息及中残联47项指标的评估结果代入模型中进行预测；
输出模块，其用于输出自闭症儿童的康复概率。
CN202011188949.0A 2020-10-30 2020-10-30 建立自闭症儿童康复效果预测模型的方法、预测自闭症儿童康复效果的方法及系统 Pending CN112270441A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202011188949.0A CN112270441A (zh) 2020-10-30 2020-10-30 建立自闭症儿童康复效果预测模型的方法、预测自闭症儿童康复效果的方法及系统
CN202110111675.3A CN112668809B (zh) 2020-10-30 2021-01-27 建立自闭症儿童康复效果预测模型的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011188949.0A CN112270441A (zh) 2020-10-30 2020-10-30 建立自闭症儿童康复效果预测模型的方法、预测自闭症儿童康复效果的方法及系统

Publications (1)

Publication Number Publication Date
CN112270441A true CN112270441A (zh) 2021-01-26

Family

ID=74345017

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202011188949.0A Pending CN112270441A (zh) 2020-10-30 2020-10-30 建立自闭症儿童康复效果预测模型的方法、预测自闭症儿童康复效果的方法及系统
CN202110111675.3A Active CN112668809B (zh) 2020-10-30 2021-01-27 建立自闭症儿童康复效果预测模型的方法

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN202110111675.3A Active CN112668809B (zh) 2020-10-30 2021-01-27 建立自闭症儿童康复效果预测模型的方法

Country Status (1)

Country Link
CN (2) CN112270441A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113192642A (zh) * 2021-04-01 2021-07-30 四川大学华西医院 外科患者术后恢复状态预测模型构建方法

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114141374B (zh) * 2021-12-07 2022-11-15 中南大学湘雅二医院 孤独症发病预测模型构建方法、预测方法及装置
CN114446476B (zh) * 2022-01-28 2023-02-17 中南大学湘雅二医院 孤独症治疗效果预测模型构建方法、预测方法及装置
CN117476183B (zh) * 2023-12-27 2024-03-19 深圳市一五零生命科技有限公司 自闭症儿童康复效果ai评估模型的构建系统

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010049547A1 (es) * 2008-10-31 2010-05-06 Fundació Institut Guttmann Método y sistema para guiar de forma segura unas intervenciones en procedimientos cuyo substrato es la plasticidad neuronal
CN107833611A (zh) * 2017-11-06 2018-03-23 广州优涵信息技术有限公司 一种基于虚拟现实的自闭症康复训练方法
CN109979599A (zh) * 2017-12-27 2019-07-05 中国科学院沈阳自动化研究所 一种基于机器学习的糖尿病智能预测模型的建立方法
CN108743222B (zh) * 2018-06-01 2021-02-09 南昌大学 一种基于Leap Motion的手指对称康复误差修正方法
CN109240090B (zh) * 2018-11-08 2020-10-23 浙江大学 一种基于时间差分的增量学习xgboost模型的自适应软测量建模方法
CN109920551A (zh) * 2019-01-24 2019-06-21 华东师范大学 基于机器学习的自闭症儿童社会行为表现特征分析系统
CN110197706B (zh) * 2019-04-26 2021-08-27 深圳市宁远科技股份有限公司 一种基于sbs的层次化特征选择方法、系统及应用
CN110111888A (zh) * 2019-05-16 2019-08-09 闻康集团股份有限公司 一种XGBoost疾病概率预测方法、系统及存储介质
CN110418354A (zh) * 2019-08-06 2019-11-05 北京邮电大学 一种基于机器学习的免传播模型无线网络规划方法
CN110879917A (zh) * 2019-11-08 2020-03-13 北京交通大学 一种基于迁移学习的电力系统暂态稳定自适应评估方法
CN111063194A (zh) * 2020-01-13 2020-04-24 兰州理工大学 一种交通流预测方法
CN111768239A (zh) * 2020-06-29 2020-10-13 腾讯科技（深圳）有限公司 道具推荐方法、装置、系统、服务器和存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113192642A (zh) * 2021-04-01 2021-07-30 四川大学华西医院 外科患者术后恢复状态预测模型构建方法
CN113192642B (zh) * 2021-04-01 2023-02-28 四川大学华西医院 外科患者术后恢复状态预测模型构建系统

Also Published As

Publication number Publication date
CN112668809A (zh) 2021-04-16
CN112668809B (zh) 2021-09-21

Similar Documents

Publication Publication Date Title
CN112270441A (zh) 建立自闭症儿童康复效果预测模型的方法、预测自闭症儿童康复效果的方法及系统
WO2020125668A1 (zh) 一种应用随钻参数来自动识别围岩级别的方法和系统
CN110188047B (zh) 一种基于双通道卷积神经网络的重复缺陷报告检测方法
CN109117380B (zh) 一种软件质量评价方法、装置、设备及可读存储介质
CN110232280A (zh) 一种基于树结构卷积神经网络的软件安全漏洞检测方法
CN106022273A (zh) 基于动态样本选择策略的bp神经网络手写体识别系统
CN108665005A (zh) 一种利用dcgan提高基于cnn图像识别性能的方法
CN103886030B (zh) 基于代价敏感决策树的信息物理融合系统数据分类方法
CN108763096A (zh) 基于深度信念网络算法支持向量机的软件缺陷预测方法
CN112100464B (zh) 结合动态兴趣与专业知识的问答社区专家推荐方法及系统
Zaeem et al. Cause and effect: Concept-based explanation of neural networks
CN114896519A (zh) 一种基于立场特征的早期谣言检测方法与装置
CN113420117B (zh) 一种基于多元特征融合的突发事件分类方法
CN104077524B (zh) 用于病毒鉴定的训练方法和病毒鉴定方法及装置
CN112200124B (zh) 融合多任务软生物特征的深度网络掌纹识别方法及系统
CN109344400A (zh) 一种文献入库的判断方法和装置
CN110908919B (zh) 一种基于人工智能的应答测试系统及其应用
CN117350364A (zh) 基于知识蒸馏的代码预训练模型对抗样本生成方法及系统
CN107886093A (zh) 一种字符检测方法、系统、设备及计算机存储介质
CN116244277A (zh) 一种nlp识别与知识库构建方法及系统
CN109284360A (zh) 一种专利检索自动去噪方法和装置
CN111428224B (zh) 基于人脸识别的电脑账户登录的方法
CN115129834A (zh) 一种问答方法及系统
CN110309285B (zh) 自动问答方法、装置、电子设备和存储介质
CN113821610A (zh) 信息匹配方法、装置、设备及存储介质

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20210126