CN112447292A - 基于机器学习可解释性的人体指标-脑卒中关系分析系统 - Google Patents
基于机器学习可解释性的人体指标-脑卒中关系分析系统 Download PDFInfo
- Publication number
- CN112447292A CN112447292A CN202011336107.5A CN202011336107A CN112447292A CN 112447292 A CN112447292 A CN 112447292A CN 202011336107 A CN202011336107 A CN 202011336107A CN 112447292 A CN112447292 A CN 112447292A
- Authority
- CN
- China
- Prior art keywords
- index
- researched
- sample
- module
- human body
- 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
- 238000010801 machine learning Methods 0.000 title claims abstract description 47
- 238000004458 analytical method Methods 0.000 title claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 238000010219 correlation analysis Methods 0.000 claims abstract description 12
- 238000004519 manufacturing process Methods 0.000 claims abstract description 10
- 208000006011 Stroke Diseases 0.000 claims description 65
- 238000000034 method Methods 0.000 claims description 27
- 206010008190 Cerebrovascular accident Diseases 0.000 claims description 17
- 230000002490 cerebral effect Effects 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 4
- 238000007637 random forest analysis Methods 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 3
- 239000013589 supplement Substances 0.000 claims description 3
- 238000013136 deep learning model Methods 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 description 16
- 239000008280 blood Substances 0.000 description 10
- 210000004369 blood Anatomy 0.000 description 10
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 9
- 239000008103 glucose Substances 0.000 description 9
- 201000010099 disease Diseases 0.000 description 6
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 6
- 230000000875 corresponding effect Effects 0.000 description 5
- 206010012601 diabetes mellitus Diseases 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001502 supplementing effect Effects 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
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
- G06F18/24143—Distances to neighbourhood prototypes, e.g. restricted Coulomb energy networks [RCEN]
-
- 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
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Public Health (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- Probability & Statistics with Applications (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明公开了一种基于机器学习可解释性的人体指标‑脑卒中关系分析系统，包括数据输入模块、数据预处理模块、机器学习模块、相关性分析模块、指标近邻寻找模块、新样本制造模块、新样本预测统计模块，通过对属性进行相关性分析，当一个属性改变时，与它相关的属性也随之改变，使生成的新样本更接近实际情况，由此来研究脑卒中患病情况与人体指标变化的关系，本发明可以得到身体指标变化对是否患脑卒中的影响，对进一步研究疾病的预防有着重要的作用。
Description
技术领域
本发明涉及一种数据处理、机器学习可解释性技术领域，具体涉及与模型无关的机器学习可解释性方法，与疾病预测方法。
背景技术
随着机器学习算法在各个领域的应用和渗透，算法的准确率一直在上升，尤其是深度学习算法的应用为机器学习算法的准确率带来了进一步的提升。但是，对于机器学习算法的工作原理，人们并不能完全掌握，很多准确性足够高的算法对于我们来说依然是一个不可解释的“黑匣子”。
在医疗领域，当今智慧医疗的背景下，运用机器学习算法来对“未患”进行疾病的预判具有重要的意义，可以有效降低医疗成本。但是医疗领域中算法出错的危害很严重，关系到患者的生命，因此需要建立起对于算法的信任，需要能对算法进行调试，避免发生错误，由此引入了对于机器学习算法可解释性的需求。按照与模型的关系，可解释性方法可以分为特定于模型的可解释性方法和模型无关的可解释性方法。其中模型无关的可解释性方法即对于任何机器学习模型，都可以运用它来进行解释，这类方法有多个方面的应用，其中包括预测标签随某个特征变化而变化的情况。在医学领域，即患脑卒中概率随人体某个指标变化而变化的情况。
为了解决这个问题，有已经被提出的经典的方法，如Partial Dependence Plot(PDP)将所有样本的要研究的属性值全部在最大范围内扰动，计算每个属性值对应的所有样本预测所得的结果，对其进行平均，最终得到预测结果随该属性值变化的趋势。Individual Conditional Expectation(ICE)相当于个体的PDP，它选取一个样本，将该样本要研究的属性值在最大范围内波动，得到一系列新的样本和预测值，画出预测值随属性值变化而变化的曲线。这两种方法都忽略了各个属性之间的相关性，即当一个属性的值改变时，与它相关的属性也有可能会改变。例如当一个人的身高变化时，他的体重也会随之改变。因此，运用这两种方法生成的新的样本有时是没有意义的。
发明内容
发明目的：为了克服现有技术中存在的不足，本发明提供一种基于机器学习可解释性的人体指标-脑卒中关系分析系统，本发明考虑到各个属性之间的相关性，对属性进行相关性分析，当一个属性改变时，与它相关的属性也随之改变，使生成的新样本更接近实际情况，由此来研究脑卒中患病情况与人体指标变化的关系。
技术方案：为实现上述目的，本发明采用的技术方案为：
一种基于机器学习可解释性的人体指标-脑卒中关系分析系统，包括数据输入模块、数据预处理模块、机器学习模块、相关性分析模块、指标近邻寻找模块、新样本制造模块、新样本预测统计模块，其中：
所述数据输入模块用于输入已患脑卒中和未患脑卒中的人体各项指标数据，并对是否患脑卒中进行标签，并将输入已患脑卒中和未患脑卒中的人体各项指标数据和标签推送给数据预处理模块。
所述数据预处理模块用于对数据输入模块推送的已患脑卒中和未患脑卒中的人体各项指标数据和标签进行缺失值补充处理，得到处理后的带标签数据的数据集。
所述机器学习模块用于根据数据集中的数据对机器学习模型进行训练，得到训练好的机器学习模型，所述机器学习模型是一种用于人体各项指标来预测是否患病的模型。
所述相关性分析模块根据数据集中人体各项指标运用皮尔森系数法进行相关性分析，找出与每个指标具有相关性的指标，得到指标关系数据。
所述指标近邻寻找模块用于根据要研究指标a，将数据集中的所有样本按照要研究指标a的值分为等距的n个样本组。同时根据等距的n个样本组选取要研究样本M，去掉要研究样本M的指标a值，在等距的n个样本组中根据指标关系数据分别找到k个最近邻。
所述新样本制造模块用于对要研究样本M中的要研究指标a的值在最大值和最小值之间扰动，取到所有的值，制造出一系列新样本，同时新样本中与要研究指标a相关的指标也随着要研究指标a的改变而改变，改变方式如下：根据要研究指标a的值在相应的样本组里根据指标关系数据找到要研究样本M的k个近邻，随机选取一个近邻，与要研究指标a相关的指标值由要研究样本M的原有值和近邻的值线性组合生成。
c＝α×example+(1-α)×neighbor
其中，c为新生成的指标值，α为0和1之间的随机数，example为要研究样本M的指标值，neighbor为近邻指标值。
所述新样本预测统计模块用于将得到的新样本放入到已训练好的机器学习模型进行是否患脑卒中预测，并对预测的结果进行统计，统计结果得到对于要研究指标a的每个值，要研究样本M患脑卒中的概率，以及要研究样本M患脑卒中概率随要研究指标a的变化情况。
优选的：所述机器学习模型为随机森林模型或深度学习模型。
优选的：指标关系数据中相关系数的绝对值大于0.2时，认为两变量呈弱相关。
优选的：选取样本的最近邻时采用sklearn库提供的BallTree方法。
优选的：所述数据预处理模块中对人体各项指标数据中的离散特征进行编码。
本发明相比现有技术，具有以下有益效果：
1.本发明充分考虑了各个特征之间的相关性，运用皮尔森相关系数判别出具有弱相关性及以上相关性的特征，当一个特征发生变化时，与之相关的特征也发生变化，因此制造出的样本更加符合实际，得到的预测结果随特征值变化的曲线也更加符合实际的情况。
2.本发明在分析相关特征如何随变化的特征变化时，选择了根据样本的最近邻来对相关特征进行调整的方法，既保持了样本原有的特性，又对样本的属性值进行了更加符合实际的调整。
3.本发明可以得到个人的某项身体指标变化对是否患脑卒中的影响，对其进一步研究疾病的预防有着重要的作用。
附图说明
图1所示为本发明一实施实例的一种基于机器学习可解释性的人体指标-脑卒中关系分析方法流程图；
图2所示为本发明一实施实例的训练出机器学习模型的流程图；
图3所示为本发明一实施实例的人体指标-脑卒中关系分析结果图；
图4所示为本发明一实施实例运用ICE方法得出的人体指标-脑卒中关系结果图，作为对比。
具体实施方式
下面结合附图和具体实施例，进一步阐明本发明，应理解这些实例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
在本实施例中，提供一种基于机器学习可解释性的人体指标-脑卒中关系分析方法，如图1所示，包括如下步骤：
S10数据采集和预处理：从医院获得已患脑卒中和未患脑卒中的人的身体各项指标数据，数据的标签为是否患脑卒中，并进行缺失值补充、对离散特征进行编码等预处理。
S20用处理后的带标签数据和一种机器学习算法训练出一个用人体各项指标来预测是否患脑卒中的模型,所选择的机器学习算法没有具体的限制，可以采用随机森林、深度学习等方法，模型经过训练后参数不再改变，其中本实施实例选取的是随机森林算法。
如图2所示，所述步骤S10和S20共同描述了训练出已有机器学习模型的过程。
S30利用处理后的数据对上述人体各项指标运用皮尔森系数法进行相关性分析，找出与每个指标具有相关性的指标。利用皮尔森系数法判断变量之间的相关性时，相关系数的绝对值越大，相关性越强，当绝对值大于0.2时，可认为两变量呈弱相关。例如本实施实例中得到与“空腹血糖”相关的指标为“是否患有糖尿病”。
S40选取要研究的指标a，将数据集中的所有样本按照该指标的值分为等距的n个组；同时选取要研究的样本M，去掉该样本的指标a值，在上述n个样本组中分别找到k个最近邻；选取样本的最近邻时采用sklearn库提供的BallTree算法。其中本实施实例要研究的指标a为“空腹血糖”，根据数据集统计的空腹血糖值，按照空腹血糖大于2小于16的范围将所有样本分为14组；本实施实例所选择的研究样本M当前空腹血糖值为4.86，未患脑卒中，在14个组别中分别找到了与样本M最为相近的2个近邻。
S50将样本M的指标a的值在最大值和最小值之间扰动，取到所有的值，制造出一系列新的样本，同时这些样本的与指标a相关的指标也随着a的改变而改变，改变方式如下：根据a的值在相应的组里找到M的k个近邻，随机选取一个近邻，与a相关的指标值由样本M的原有值和近邻的值线性组合生成。本实施实例中将样本M的a值在2至16之间波动，每隔0.2取一个值，共取得70个值。对于新生成的70个样本，每个样本按照a的值在相应的分组里随机选择一个样本M的最近邻，根据最近邻的与a相关的指标值线性地调整当前样本的这些指标，本实施实例中为是否患有糖尿病。调整指标的公式如下：
c＝α×example+(1-α)×neighbor
其中α为0和1之间的随机数，c为新生成的指标值，example为原样本的指标值，neighbor为近邻指标值。每个样本多次随机选取近邻，再次组合生成多个样本。
生成新样本时，对于每个a值，多次随机选择最近邻并合成多个样本，通过计算患脑卒中样本的比例来预测患脑卒中概率。
S60将新生成的样本运用已经训练好的模型预测是否患脑卒中，统计结果得到对于指标a的每个值，样本M患脑卒中的概率，以及样本M患脑卒中概率随指标a的变化情况图。最终得到的结果为一条患脑卒中概率随特征a的值变化的曲线，其中使患脑卒中概率大幅度提升时的a的值需重点关注，对于疾病的预防具有重要的意义。如图3所示为本实施实例得到的结果图，由图可得从空腹血糖达到6.8开始患脑卒中的概率上升至60％，而空腹血糖达到7.4后一定患脑卒中。
同时也为本实施实例按照上述ICE方法做出了患脑卒中概率随空腹血糖变化的曲线如图4，由图可得当空腹血糖达到7.6时患脑卒中概率才开始上升。考虑到空腹血糖变化后，是否患有糖尿病情况也会随之改变，本发明所述方法更加符合实际情况，有利于患者尽快预防疾病。
一种基于机器学习可解释性的人体指标-脑卒中关系分析系统，包括数据输入模块、数据预处理模块、机器学习模块、相关性分析模块、指标近邻寻找模块、新样本制造模块、新样本预测统计模块，其中：
所述数据输入模块用于输入已患脑卒中和未患脑卒中的人体各项指标数据，并对是否患脑卒中进行标签，并将输入已患脑卒中和未患脑卒中的人体各项指标数据和标签推送给数据预处理模块。
所述数据预处理模块用于对数据输入模块推送的已患脑卒中和未患脑卒中的人体各项指标数据和标签进行缺失值补充处理，得到处理后的带标签数据的数据集。
所述机器学习模块用于根据数据集中的数据对机器学习模型进行训练，得到训练好的机器学习模型，所述机器学习模型是一种用于人体各项指标来预测是否患病的模型。
所述相关性分析模块根据数据集中人体各项指标运用皮尔森系数法进行相关性分析，找出与每个指标具有相关性的指标，得到指标关系数据。
所述指标近邻寻找模块用于根据要研究指标a，将数据集中的所有样本按照要研究指标a的值分为等距的n个样本组。同时根据等距的n个样本组选取要研究样本M，去掉要研究样本M的指标a值，在等距的n个样本组中根据指标关系数据分别找到k个最近邻。
所述新样本制造模块用于对要研究样本M中的要研究指标a的值在最大值和最小值之间扰动，取到所有的值，制造出一系列新样本，同时新样本中与要研究指标a相关的指标也随着要研究指标a的改变而改变，改变方式如下：根据要研究指标a的值在相应的样本组里根据指标关系数据找到要研究样本M的k个近邻，随机选取一个近邻，与要研究指标a相关的指标值由要研究样本M的原有值和近邻的值线性组合生成。
所述新样本预测统计模块用于将得到的新样本放入到已训练好的机器学习模型进行是否患脑卒中预测，并对预测的结果进行统计，统计结果得到对于要研究指标a的每个值，要研究样本M患脑卒中的概率，以及要研究样本M患脑卒中概率随要研究指标a的变化情况。
综上所述，本发明提供了一种基于机器学习可解释性的人体指标-脑卒中关系分析方法,用于预测人体某项指标变化后会患脑卒中的概率，最终得到的结果为一条患脑卒中概率随特征的值变化的曲线，对于疾病的预防具有重要的意义。
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (5)
1.一种基于机器学习可解释性的人体指标-脑卒中关系分析系统，其特征在于：包括数据输入模块、数据预处理模块、机器学习模块、相关性分析模块、指标近邻寻找模块、新样本制造模块、新样本预测统计模块，其中：
所述数据输入模块用于输入已患脑卒中和未患脑卒中的人体各项指标数据，并对是否患脑卒中进行标签，并将输入已患脑卒中和未患脑卒中的人体各项指标数据和标签推送给数据预处理模块；
所述数据预处理模块用于对数据输入模块推送的已患脑卒中和未患脑卒中的人体各项指标数据和标签进行缺失值补充处理，得到处理后的带标签数据的数据集；
所述机器学习模块用于根据数据集中的数据对机器学习模型进行训练，得到训练好的机器学习模型，所述机器学习模型是一种用于人体各项指标来预测是否患病的模型；
所述相关性分析模块根据数据集中人体各项指标运用皮尔森系数法进行相关性分析，找出与每个指标具有相关性的指标，得到指标关系数据；
所述指标近邻寻找模块用于根据要研究指标a，将数据集中的所有样本按照要研究指标a的值分为等距的n个样本组；同时根据等距的n个样本组选取要研究样本M，去掉要研究样本M的指标a值，在等距的n个样本组中根据指标关系数据分别找到k个最近邻；
所述新样本制造模块用于对要研究样本M中的要研究指标a的值在最大值和最小值之间扰动，取到所有的值，制造出一系列新样本，同时新样本中与要研究指标a相关的指标也随着要研究指标a的改变而改变，改变方式如下：根据要研究指标a的值在相应的样本组里根据指标关系数据找到要研究样本M的k个近邻，随机选取一个近邻，与要研究指标a相关的指标值由要研究样本M的原有值和近邻的值线性组合生成；
c＝α×example+(1-α)×neighbor
其中，c为新生成的指标值，α为0和1之间的随机数，example为要研究样本M的指标值，neighbor为近邻指标值；
所述新样本预测统计模块用于将得到的新样本放入到已训练好的机器学习模型进行是否患脑卒中预测，并对预测的结果进行统计，统计结果得到对于要研究指标a的每个值，要研究样本M患脑卒中的概率，以及要研究样本M患脑卒中概率随要研究指标a的变化情况。
2.根据权利要求1所述基于机器学习可解释性的人体指标-脑卒中关系分析系统，其特征在于：所述机器学习模型为随机森林模型或深度学习模型。
3.根据权利要求2所述基于机器学习可解释性的人体指标-脑卒中关系分析系统，其特征在于：指标关系数据中相关系数的绝对值大于0.2时，认为两变量呈弱相关。
4.根据权利要求3所述基于机器学习可解释性的人体指标-脑卒中关系分析系统，其特征在于：选取样本的最近邻时采用sklearn库提供的BallTree方法。
5.根据权利要求4所述基于机器学习可解释性的人体指标-脑卒中关系分析系统，其特征在于：所述数据预处理模块中对人体各项指标数据中的离散特征进行编码。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011336107.5A CN112447292B (zh) | 2020-11-25 | 2020-11-25 | 基于机器学习可解释性的人体指标-脑卒中关系分析系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011336107.5A CN112447292B (zh) | 2020-11-25 | 2020-11-25 | 基于机器学习可解释性的人体指标-脑卒中关系分析系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112447292A true CN112447292A (zh) | 2021-03-05 |
| CN112447292B CN112447292B (zh) | 2022-03-25 |
Family
ID=74737331
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011336107.5A Active CN112447292B (zh) | 2020-11-25 | 2020-11-25 | 基于机器学习可解释性的人体指标-脑卒中关系分析系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112447292B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113780365A (zh) * | 2021-08-19 | 2021-12-10 | 支付宝(杭州)信息技术有限公司 | 样本生成方法和装置 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107145756A (zh) * | 2017-05-17 | 2017-09-08 | 上海辉明软件有限公司 | 一种脑卒中类型预测方法以及装置 |
| CN108389626A (zh) * | 2018-02-09 | 2018-08-10 | 上海长江科技发展有限公司 | 基于人工智能的脑卒中筛查方法及系统 |
| CN108511056A (zh) * | 2018-02-09 | 2018-09-07 | 上海长江科技发展有限公司 | 基于脑卒中患者相似性分析的治疗方案推荐方法及系统 |
| CN108854034A (zh) * | 2018-07-10 | 2018-11-23 | 南京大学 | 一种基于虚拟现实和惯性动捕的脑卒中康复训练系统 |
| CN109118168A (zh) * | 2018-07-20 | 2019-01-01 | 北京开普云信息科技有限公司 | 一种基于区块链机制的政务服务过程追溯系统及其构建方法 |
| CN109787815A (zh) * | 2018-12-27 | 2019-05-21 | 云南财经大学 | 基于区块链的政务信息资源共享系统 |
| CN111260282A (zh) * | 2020-01-14 | 2020-06-09 | 江苏荣泽信息科技股份有限公司 | 一种基于区块链的物流追溯和共享服务平台 |
| CN111402104A (zh) * | 2020-03-12 | 2020-07-10 | 江苏荣泽信息科技股份有限公司 | 一种基于区块链的公安数据管理平台及方法 |
-
2020
- 2020-11-25 CN CN202011336107.5A patent/CN112447292B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107145756A (zh) * | 2017-05-17 | 2017-09-08 | 上海辉明软件有限公司 | 一种脑卒中类型预测方法以及装置 |
| CN108389626A (zh) * | 2018-02-09 | 2018-08-10 | 上海长江科技发展有限公司 | 基于人工智能的脑卒中筛查方法及系统 |
| CN108511056A (zh) * | 2018-02-09 | 2018-09-07 | 上海长江科技发展有限公司 | 基于脑卒中患者相似性分析的治疗方案推荐方法及系统 |
| CN108854034A (zh) * | 2018-07-10 | 2018-11-23 | 南京大学 | 一种基于虚拟现实和惯性动捕的脑卒中康复训练系统 |
| CN109118168A (zh) * | 2018-07-20 | 2019-01-01 | 北京开普云信息科技有限公司 | 一种基于区块链机制的政务服务过程追溯系统及其构建方法 |
| CN109787815A (zh) * | 2018-12-27 | 2019-05-21 | 云南财经大学 | 基于区块链的政务信息资源共享系统 |
| CN111260282A (zh) * | 2020-01-14 | 2020-06-09 | 江苏荣泽信息科技股份有限公司 | 一种基于区块链的物流追溯和共享服务平台 |
| CN111402104A (zh) * | 2020-03-12 | 2020-07-10 | 江苏荣泽信息科技股份有限公司 | 一种基于区块链的公安数据管理平台及方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113780365A (zh) * | 2021-08-19 | 2021-12-10 | 支付宝(杭州)信息技术有限公司 | 样本生成方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112447292B (zh) | 2022-03-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Burrello et al. | One-shot learning for iEEG seizure detection using end-to-end binary operations: Local binary patterns with hyperdimensional computing | |
| US20210304854A1 (en) | Artificial intelligence engine architecture for generating candidate drugs | |
| CN116386869B (zh) | 一种基于多变量的病情危重程度评估方法 | |
| CN111000553A (zh) | 一种基于投票集成学习的心电数据智能分类方法 | |
| CN111612278A (zh) | 生命状态预测方法、装置、电子设备及存储介质 | |
| Xie et al. | Multilabel 12-lead ECG classification based on leadwise grouping multibranch network | |
| CN114595725B (zh) | 一种基于加法网络和监督对比学习的脑电信号分类方法 | |
| CN112447292B (zh) | 基于机器学习可解释性的人体指标-脑卒中关系分析系统 | |
| Matias et al. | Time series segmentation using neural networks with cross-domain transfer learning | |
| Cheng et al. | Convtimenet: A deep hierarchical fully convolutional model for multivariate time series analysis | |
| CN113284627B (zh) | 基于患者表征学习的用药推荐方法 | |
| Ishwerlal et al. | Lung disease classification using chest X ray image: An optimal ensemble of classification with hybrid training | |
| CN114822849B (zh) | 基于数字孪生的数据监测方法、装置、设备和存储介质 | |
| CN112465054B (zh) | 一种基于fcn的多变量时间序列数据分类方法 | |
| CN113313254B (zh) | 面向记忆增强元学习的深度学习模型去偏方法 | |
| CN115886833A (zh) | 心电信号分类方法及装置、计算机可读介质、电子设备 | |
| Mehta et al. | Machine learning for ALSFRS-R score prediction: making sense of the sensor data | |
| Wang et al. | Imbalanced learning for hospital readmission prediction using national readmission database | |
| Sharma et al. | Biomedical data classification using fuzzy clustering | |
| Wang et al. | Temporal neighborhood based self-supervised pre-training model for sleep stages classification | |
| Das et al. | Analysis of Cardiac Anomalies By Selection And Extraction of Features Using Machine Learning Methods | |
| Akshatha et al. | Supervised Machine Learning System Based Segmentation and Classification of Strokes Using Deep Learning Techniques | |
| NG | Comparative Analysis of Machine Learning Techniques for Classifying the Risk of Cardiovascular Diseases | |
| Liu et al. | Temporal Phenotype Matrix Engineering for Electronic Health Records–Enhancing Coronary Artery Disease Prediction | |
| Gabdrakhimov et al. | Neuro-Tech Revolution: AI-EEG Integration for Advanced Depression Diagnosis |
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 |