CN112365992A - 一种基于nrs-lda的医疗体检数据识别分析方法 - Google Patents
一种基于nrs-lda的医疗体检数据识别分析方法 Download PDFInfo
- Publication number
- CN112365992A CN112365992A CN202011359504.4A CN202011359504A CN112365992A CN 112365992 A CN112365992 A CN 112365992A CN 202011359504 A CN202011359504 A CN 202011359504A CN 112365992 A CN112365992 A CN 112365992A
- Authority
- CN
- China
- Prior art keywords
- data
- nrs
- examination data
- lda
- medical
- 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
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 18
- 238000013528 artificial neural network Methods 0.000 claims abstract description 29
- 238000012360 testing method Methods 0.000 claims abstract description 19
- 238000000605 extraction Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 10
- 238000000034 method Methods 0.000 claims description 15
- 238000004140 cleaning Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000013075 data extraction Methods 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims 1
- 238000003745 diagnosis Methods 0.000 abstract description 21
- 238000011160 research Methods 0.000 abstract description 3
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000013500 data storage Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000000556 factor analysis Methods 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
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
- G16H50/70—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
-
- 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
Abstract
本发明涉及一种基于NRS‑LDA的医疗体检数据识别分析方法,包括以下步骤:(1)搭建数据采集系统采集所需原始医疗体检数据;(2)利用NRS来消除冗余信息;(3)采用LDA对约简之后的数据做特征提取工作;(4)将处理后的数据集按比例划分为训练集和测试集,在训练集上建立基于K‑means聚类的RBF神经网络识别模型;(5)将测试集上的数据作为RBF神经网络识别模型的输入,测试RBF识别模型的分类性能。本发明采用NRS‑LDA结合RBF神经网络识别模型进行医疗辅助诊断,既节约成本又实现了医疗体检数据的准确识别,对医疗诊断有着重要的研究意义及实用价值。
Description
技术领域
本发明涉及医疗健康领域,具体是一种基于NRS-LDA的医疗体检数据识别分析方法。
背景技术
传统的医疗诊断过于依赖医生的临床经验和主观判断,就很容易出现误诊、漏诊的情况。医疗体检数据的内容异常丰富,包含了许多重要的属性,比如血氧参数、心率、体重、身高等,但其依然拥有许多无用的属性。医疗体检数据本身具有一些特点,比如数据模式多态性以及数据的冗余性等,而这种数据的模式多态性及冗余性使得数据存储的空间增大,成本增加,同时增大了医疗诊断、疾病预测的难度,也会使诊断周期变长。如何节约医疗成本、减少医疗诊断及疾病预测的难度以及如何缩短诊断周期,这对于医疗诊断领域有着重大的研究意义及实用价值。
人工智能在智能诊疗、医学影像智能识别、医疗机器人、药物智能研发、智能健康管理等方面都有着广泛的应用。智能诊疗将人工智能技术应用在疾病诊疗中,对病理、体检报告等进行统计,而后对医疗数据进行分析和挖掘得出可靠的诊疗方案。数据挖掘包括数据清洗、降维等步骤,目前,对医疗体检数据进行降维的方法主要有人工神经网络、因子分析等算法,但是人工神经网络的训练时间过长且容易出现过拟合与欠拟合等问题,因子分析在采取最小二乘法计算得分时有时可能会失效。
在人工智能领域,邻域粗糙集(Neighborhood Rough Set,NRS)作为一种较新的软计算算法,其在数学上非常的严密,无需处理所需数据集之外的任何附加信息或先验知识,就能在保留数据关键信息的同时简化数据并求得知识的最小表达,利用NRS算法结合能够很好反映样本间差异的线性判别分析(Linear Discriminant Analysis,LDA)特征提取方法和设计方便的径向基函数(Radial Basis Function,RBF)神经网络识别模型,能够在保证分类器精确性的同时降低了所需的特征个数,这样既减少了数据存储空间的大小,节约成本,实现了对医疗体检数据的准确辨识,对医疗辅助诊断有着重要的研究价值与深远的影响。
发明内容
本发明的目的是提供一种基于NRS-LDA的医疗体检数据识别分析方法,该方法通过NRS对医疗体检数据进行属性约简,利用LDA对约简后的数据进一步降维以得到更少的特征,而后结合RBF神经网络识别模型来识别出反常的医疗体检数据,实现医疗辅助诊断。其主要优点有:
1、将NRS用于医疗体检数据的约简,降低了医疗体检数据的冗余度,减少了数据存储空间,节约了所需成本;
2、将约简后的医疗体检数据利用LDA进行特征提取,大大减少了医疗体检数据的冗余信息,通过输入更少的属性,实现了在不影响分类器分类性能的情况下,减少了分类器的分类工作量;
3、利用RBF神经网络识别模型,即方便设计又能够满足实时性要求,达到了对医疗体检数据的快速、准确的识别分析。
为了实现上述目的,本发明实现发明目的采用如下技术方案:
一种基于NRS-LDA的医疗体检数据识别分析方法,包括以下步骤:
(1)医疗体检数据的采集:搭建一个主要包含应用区和数据区的医疗体检数据采集系统,获得所需的原始医疗体检数据。
(2)医疗体检数据的属性约简:利用NRS计算出的重要度结果来消除医疗体检数据的冗余属性;
(3)医疗体检数据的特征提取:采用LDA对约简之后的数据做特征提取工作;
(4)RBF神经网络识别模型的参数设置:将处理后的数据集按比例划分为训练集和测试集,在训练集上建立基于K-means聚类的RBF神经网络识别模型;
(5)模型结果测试:将测试集上的数据作为RBF神经网络识别模型的输入,测试RBF神经网络识别模型的分类性能。
作为优选,本发明提供的一种基于NRS-LDA的医疗体检数据识别分析方法,所述步骤(1)中,该发明搭建一个医疗体检数据采集系统,医疗体检数据采集系统包括数据抽取、清洗转换、数据传输和数据传输服务等模块,其主要分为应用区和数据区,应用区用于存储数据并进行数据清洗、上传等操作,建立临时数据库,数据区用于接收应用层的数据,整合之后上传至数据信息平台,建立标准数据库获取原始医疗体检数据。
作为优选,本发明提供的一种基于NRS-LDA的医疗体检数据识别分析方法,所述步骤(2)中,利用NRS进行属性约简,其具体步骤如下:
(21)将采集到的医疗体检数据采用最大最小值方法进行归一化处理,归一化公式如下:
(22)计算出归一化后各个条件属性ai的标准差Stdai(i=1,2…n),标准差公式如下:
(23)根据δ(ai)=Stdai/λ计算各个属性子集的领域半径,其中λ是一个人为设定的参数,取λ=2,计算出各个属性子集Bi的领域;
(24)计算出决策子集关于各个属性子集的上、下近似,如下式:
(25)决策属性D对条件属性B的依赖度为:
(26)可以求出条件属性a∈C-B在条件属性集B基础上相对于决策属性集D的重要度:
Sig(a,B,D)=γB(D)-γB-{a}(D)
由重要度可以得出哪些属性是必要的,哪些属性是冗余的。
作为优选,本发明提供的一种基于NRS-LDA的医疗体检数据识别分析方法,所述步骤(3)中,利用LDA进行特征提取,进一步消减了约简后数据的维数,减少了分类器的工作量;
作为优选,本发明提供的一种基于NRS-LDA的医疗体检数据识别分析方法,所述步骤(4)中,训练集和测试集的样本数划分比例为7:3,选取h个中心做K-means聚类,对于高斯函数的径向基、方差可由以下公式求解:
其中cmax为所取中心点之间的最大距离,
隐含层至输出层之间的神经元的连接权值可以用最小二乘法直接计算得到,即对损失函数求解关于w的偏导数,使其等于0,可以化简得到计算公式为:
作为优选,本发明提供的一种基于NRS-LDA的医疗体检数据识别分析方法,所述步骤(5)中,RBF神经网络识别模型设计起来比较方便且具有局部映射的特性,鲁棒性强且具有较高的准确性,将测试集的数据输入到RBF神经网络识别模型中来分析所建立的RBF神经网络识别模型的分类性能。
有益效果:
本发明和现有技术相比,其有益效果体现在:在模式辨识中,降维是至关重要的一步,NRS不仅能处理各种数据,包括不完整的数据以及拥有众多变量的数据,还能求得知识的最小表达和知识的各种不同颗粒层次以及能产生精确而又易于检查和证实的规则,因此,NRS运用在医疗体检数据的属性约简上是非常适合的,LDA是以标签、类别衡量差异性的有监督降维方式,它能很好的反映样本间的差异,故而采用LDA进行医疗体检数据的特征提取,NRS-LDA对医疗体检数据进行处理能够很大程度上降低数据的冗余度,减少数据存储空间、节约成本、提高数据计算的速度,同时也能够深入了解数据的产生过程,更易发现其中的医学诊断规律。在医疗诊断中需要保证诊断的精确性,而RBF神经网络识别模型有很强的非线性拟合能力,鲁棒性强,设计起来也非常方便,能够满足医疗诊断高精度的要求,结合RBF神经网络识别模型可以精准识别出反常医疗体检数据,非常适用于医疗诊断和疾病预测。
附图说明
图1是本发明的医疗体检数据采集系统架构图;
图2是本发明的流程图;
图3是本发明的邻域粗糙集算法流程图。
具体实施方式
以下通过具体实施例对本发明做进一步解释说明。
本发明研发了一种基于NRS-LDA的医疗体检数据识别分析方法,将NRS-LDA与RBF神经网络识别模型结合起来,对通过数据采集系统采集到的医疗体检数据进行识别分析,首先,利用NRS对采集到的医疗体检数据进行属性约简,约简掉一些冗余信息,在利用LDA对约简后的数据进行特征提取工作,按比例划分出训练集和测试集,在训练集上建立基于K-means聚类的RBF神经网络识别模型,最后利用测试集来检验模型的分类性能。
本发明研发了一种基于NRS-LDA的医疗体检数据识别分析方法,其具体步骤如下:
(1)医疗数据的采集:搭建一个医疗体检数据采集系统,医疗体检数据采集系统包括数据抽取、清洗转换、数据传输和数据传输服务等模块,其主要分为应用区和数据区,应用区用于存储数据并进行数据清洗、上传等操作,建立临时数据库,数据区用于接收应用层的数据,整合之后上传至数据信息平台,建立标准数据库获取原始医疗体检数据;
(2)医疗数据的属性约简:作为优选,本发明提供的一种基于NRS-LDA的医疗体检数据识别分析方法,所述步骤(2)中,利用NRS进行属性约简,其具体步骤如下:
(21)将采集到的医疗体检数据采用最大最小值方法进行归一化处理,归一化公式如下:
(22)计算出归一化后各个条件属性ai的标准差Stdai(i=1,2…n),标准差公式如下:
(23)根据δ(ai)=Stdai/λ计算各个属性子集的领域半径,其中λ是一个人为设定的参数,取λ=2,计算出各个属性子集Bi的邻域;
(24)计算出决策子集关于各个属性子集的上、下近似,如下式:
(25)决策属性D对条件属性子集B的依赖度为:
(26)可以求出条件属性a∈C-B在条件属性集B基础上相对于决策属性集D的重要度:
Sig(a,B,D)=γB(D)-γB-{a}(D)
由重要度可以得出哪些属性是必要的,哪些属性是冗余的;
(3)医疗数据的特征提取:利用LDA进行特征提取,进一步消减了约简后数据的维数,减少了分类器的工作量;
(4)RBF神经网络识别模型参数设置:将处理后的数据集按7:3划分为训练集和测试集,选取h个中心做K-means聚类,对于高斯函数的径向基、方差可由以下公式求解:
其中cmax为所取中心点之间的最大距离,
隐含层至输出层之间的神经元的连接权值可以用最小二乘法直接计算得到,即对损失函数求解关于w的偏导数,使其等于0,可以化简得到计算公式为:
(5)模型结果测试:RBF神经网络识别模型设计起来比较方便且具有局部映射的特性,鲁棒性强且具有较高的准确性,在不影响模型分类性能的基础上减少医疗体检数据的特征属性,将测试集上的数据作为RBF神经网络识别模型的输入,测试RBF神经网络识别模型的分类性能从而辅助医疗诊断。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (6)
1.一种基于NRS-LDA的医疗体检数据识别分析方法,其特征在于:包括以下步骤:
(1)医疗体检数据的采集:搭建一个主要包含应用区和数据区的医疗体检数据采集系统,获得所需的原始医疗体检数据。
(2)医疗体检数据的属性约简:利用NRS计算出的重要度结果来消除医疗体检数据的冗余属性;
(3)医疗体检数据的特征提取:采用LDA对约简之后的数据做特征提取工作;
(4)RBF神经网络识别模型的参数设置:将处理后的数据集按比例划分为训练集和测试集,在训练集上建立基于K-means聚类的RBF神经网络识别模型;
(5)模型结果测试:将测试集上的数据作为RBF神经网络识别模型的输入,测试RBF神经网络识别模型的分类性能。
2.根据权利要求1所述的一种基于NRS-LDA的医疗体检数据识别分析方法,其特征在于:所述步骤(1)中,该发明搭建一个医疗体检数据采集系统,医疗体检数据采集系统包括数据抽取、清洗转换、数据传输和数据传输服务等模块,其主要分为应用区和数据区,应用区用于存储数据并进行数据清洗、上传等操作,建立临时数据库,数据区用于接收应用层的数据,整合之后上传至数据信息平台,建立标准数据库获取原始医疗体检数据。
3.根据权利要求1所述的一种基于NRS-LDA的医疗体检数据识别分析方法,其特征在于:所述步骤(2)中,利用NRS进行属性约简,其具体步骤如下:
(21)将采集到的医疗体检数据采用最大最小值方法进行归一化处理,归一化公式如下:
(22)计算出归一化后各个条件属性ai的标准差Stdai(i=1,2…n),标准差公式如下:
(23)根据δ(ai)=Stdai/λ计算各个属性子集的领域半径,其中λ是一个人为设定的参数,取λ=2,计算出各个属性子集Bi的领域;
(24)计算出决策子集关于各个属性子集的上、下近似,如下式:
(25)决策属性D对条件属性B的依赖度为:
(26)可以求出条件属性a∈C-B在条件属性集B基础上相对于决策属性集D的重要度:
Sig(a,B,D)=γB(D)-γB-{a}(D)
由重要度可以得出哪些属性是必要的,哪些属性是冗余的。
4.根据权利要求1所述的一种基于NRS-LDA的医疗体检数据识别分析方法,其特征在于:所述步骤(3)中,利用LDA进行特征提取,进一步消减了约简后数据的维数,减少了分类器的工作量。
6.根据权利要求1所述的一种基于NRS-LDA的医疗体检数据识别分析方法,其特征在于:所述步骤(5)中,RBF神经网络识别模型设计起来比较方便且具有局部映射的特性,鲁棒性强且具有较高的准确性,将测试集的数据输入到RBF神经网络识别模型中来分析所建立的RBF神经网络识别模型的分类性能。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011359504.4A CN112365992A (zh) | 2020-11-27 | 2020-11-27 | 一种基于nrs-lda的医疗体检数据识别分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011359504.4A CN112365992A (zh) | 2020-11-27 | 2020-11-27 | 一种基于nrs-lda的医疗体检数据识别分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112365992A true CN112365992A (zh) | 2021-02-12 |
Family
ID=74535398
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011359504.4A Pending CN112365992A (zh) | 2020-11-27 | 2020-11-27 | 一种基于nrs-lda的医疗体检数据识别分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112365992A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113113148A (zh) * | 2021-04-28 | 2021-07-13 | 安徽理工大学 | 一种基于lle结合som的矿工体检情况辨识方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105911476A (zh) * | 2016-04-13 | 2016-08-31 | 华北电力大学 | 一种基于数据挖掘的电池储能系统soc预测方法 |
CN109934278A (zh) * | 2019-03-06 | 2019-06-25 | 宁夏医科大学 | 一种信息增益混合邻域粗糙集的高维度特征选择方法 |
CN110688809A (zh) * | 2019-09-05 | 2020-01-14 | 西安理工大学 | 一种基于vprs-rbf神经网络的箱变故障诊断方法 |
CN111210846A (zh) * | 2020-01-07 | 2020-05-29 | 重庆大学 | 基于集成流形降维的帕金森语音识别系统 |
CN111598001A (zh) * | 2020-05-18 | 2020-08-28 | 哈尔滨理工大学 | 一种基于图像处理的苹果树病虫害的识别方法 |
CN111834010A (zh) * | 2020-05-25 | 2020-10-27 | 重庆工贸职业技术学院 | 一种基于属性约简和XGBoost的COVID-19检测假阴性识别方法 |
-
2020
- 2020-11-27 CN CN202011359504.4A patent/CN112365992A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105911476A (zh) * | 2016-04-13 | 2016-08-31 | 华北电力大学 | 一种基于数据挖掘的电池储能系统soc预测方法 |
CN109934278A (zh) * | 2019-03-06 | 2019-06-25 | 宁夏医科大学 | 一种信息增益混合邻域粗糙集的高维度特征选择方法 |
CN110688809A (zh) * | 2019-09-05 | 2020-01-14 | 西安理工大学 | 一种基于vprs-rbf神经网络的箱变故障诊断方法 |
CN111210846A (zh) * | 2020-01-07 | 2020-05-29 | 重庆大学 | 基于集成流形降维的帕金森语音识别系统 |
CN111598001A (zh) * | 2020-05-18 | 2020-08-28 | 哈尔滨理工大学 | 一种基于图像处理的苹果树病虫害的识别方法 |
CN111834010A (zh) * | 2020-05-25 | 2020-10-27 | 重庆工贸职业技术学院 | 一种基于属性约简和XGBoost的COVID-19检测假阴性识别方法 |
Non-Patent Citations (1)
Title |
---|
陆惠玲: "信息增益混合邻域粗糙集的肺部肿瘤高维特征选择算法", 《数据采集与处理》, vol. 35, no. 3, pages 536 - 548 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113113148A (zh) * | 2021-04-28 | 2021-07-13 | 安徽理工大学 | 一种基于lle结合som的矿工体检情况辨识方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108806792B (zh) | 深度学习面诊系统 | |
CN111261282A (zh) | 一种基于机器学习的脓毒症早期预测方法 | |
CN107358014B (zh) | 一种生理数据的临床前处理方法及系统 | |
CN111000553B (zh) | 一种基于投票集成学习的心电数据智能分类方法 | |
CN113052113B (zh) | 一种基于紧凑型卷积神经网络的抑郁症识别方法及系统 | |
CN114999629B (zh) | 一种基于多特征融合的ad早期预测方法、系统、装置 | |
CN111951975B (zh) | 一种基于深度学习模型gpt-2的脓毒症早期预警方法 | |
CN111161814A (zh) | 一种基于卷积神经网络的DRGs自动分组方法 | |
WO2022166158A1 (zh) | 一种基于卷积生存网络的血透并发症长期风险预测系统 | |
CN112733774A (zh) | 一种基于BiLSTM与串并多尺度CNN结合的轻量化ECG分类方法 | |
CN113838577B (zh) | 便捷化分层老年mods早期死亡风险评估模型、装置及建立方法 | |
CN112294341A (zh) | 一种基于轻量卷积神经网络的睡眠脑电纺锤波识别方法及系统 | |
Mehmood et al. | Systematic framework to predict early-stage liver carcinoma using hybrid of feature selection techniques and regression techniques | |
CN111986814A (zh) | 一种红斑狼疮患者的狼疮性肾炎预测模型的建模方法 | |
CN113160974A (zh) | 一种基于超图聚类的精神疾病生物型发掘方法 | |
CN116740426A (zh) | 一种功能磁共振影像的分类预测系统 | |
Adi et al. | Stroke risk prediction model using machine learning | |
CN112712895B (zh) | 针对2型糖尿病并发症的多模态大数据的数据分析方法 | |
CN112365992A (zh) | 一种基于nrs-lda的医疗体检数据识别分析方法 | |
US6941288B2 (en) | Online learning method in a decision system | |
CN112465054B (zh) | 一种基于fcn的多变量时间序列数据分类方法 | |
CN115089139A (zh) | 结合生物特征识别的个性化生理参数测量方法 | |
CN114287910A (zh) | 一种基于多阶段图卷积融合的脑功能连接分类方法 | |
CN113470808A (zh) | 一种人工智能预测谵妄的方法 | |
Yin et al. | Stroke risk prediction: Comparing different sampling algorithms |
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 |