CN112885334A - 基于多模态特征的疾病认知系统、设备、存储介质 - Google Patents
基于多模态特征的疾病认知系统、设备、存储介质 Download PDFInfo
- Publication number
- CN112885334A CN112885334A CN202110063122.5A CN202110063122A CN112885334A CN 112885334 A CN112885334 A CN 112885334A CN 202110063122 A CN202110063122 A CN 202110063122A CN 112885334 A CN112885334 A CN 112885334A
- Authority
- CN
- China
- Prior art keywords
- modal
- disease
- cough
- patient
- features
- 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
- 201000010099 disease Diseases 0.000 title claims abstract description 65
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 65
- 230000001149 cognitive effect Effects 0.000 claims abstract description 18
- 238000000605 extraction Methods 0.000 claims abstract description 10
- 230000019771 cognition Effects 0.000 claims abstract description 8
- 238000011156 evaluation Methods 0.000 claims abstract description 8
- 206010011224 Cough Diseases 0.000 claims description 31
- 239000013598 vector Substances 0.000 claims description 24
- 230000029058 respiratory gaseous exchange Effects 0.000 claims description 22
- 208000024891 symptom Diseases 0.000 claims description 19
- 239000011159 matrix material Substances 0.000 claims description 17
- 238000000034 method Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 12
- 238000004891 communication Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 206010041235 Snoring Diseases 0.000 claims description 6
- 230000000241 respiratory effect Effects 0.000 claims description 6
- 241000282472 Canis lupus familiaris Species 0.000 claims description 3
- 206010011469 Crying Diseases 0.000 claims description 3
- 208000031361 Hiccup Diseases 0.000 claims description 3
- 208000009205 Tinnitus Diseases 0.000 claims description 3
- 206010016766 flatulence Diseases 0.000 claims description 3
- 231100000886 tinnitus Toxicity 0.000 claims description 3
- 210000005079 cognition system Anatomy 0.000 abstract description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 208000010877 cognitive disease Diseases 0.000 abstract 1
- 230000004927 fusion Effects 0.000 abstract 1
- 238000001228 spectrum Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000010355 oscillation Effects 0.000 description 2
- 206010023825 Laryngeal cancer Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 206010023841 laryngeal neoplasm Diseases 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/02—Feature extraction for speech recognition; Selection of recognition unit
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pathology (AREA)
- Signal Processing (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开一种基于多模态特征的疾病认知系统、设备、存储介质，所述系统包括：特征提取模块：获取多个患者的多种语音信号样本，提取语音信号样本的多模态特征；知识库模块：获取患者语音信号样本的多模态特征对应的疾病，建立疾病知识库；模型建立模块：通过模糊C均值聚类算法对预处理后的语音信号样本进行聚类分析，得到模态认知模型；认知评估模块：用于将待处理患者多模态特征输入所述模态认知模型，得到聚类评估结果，确定疾病认知结果和对应的解决方案，输出评估报告。本发明通过多模态融合后的医学生物特征进行疾病的认知和判定，可增加认知疾病的效果和能力。
Description
技术领域
本发明属于人工智能领域，具体涉及一种基于多模态医学生物特征的疾病认知系统、设备、存储介质。
背景技术
人如其声，语音信号不仅可以帮助辨别身份，还可以协助检查身体健康状态，提前洞悉身体所患的疾病，语音信号的变化已经成为其他器官的疾病报警信号。例如，说话时常出现信号沙哑的现象，并且这种现象正在不断严重化，同时还会伴随着间歇性呼吸困难。这一系列的问题说明我们的咽喉部位出现了问题，吸烟严重者可能是喉癌的前兆。而现有技术中并未较好的利用这些医学生物特征进行疾病的诊断预测。
发明内容
有鉴于此，本发明提出了基于多模态特征的疾病认知系统、设备、存储介质，用于解决现有技术中未充分利用多模态医学生物特征进行疾病认知的不足。
本发明第一方面，公开一种基于多模态特征的疾病认知系统，所述系统包括：
特征提取模块：获取多个患者的多种语音信号样本，提取语音信号样本的多模态特征；
知识库模块：获取患者语音信号样本的多模态特征对应的疾病，对疾病知识库中的语音信号样本进行预处理，建立疾病知识库；
模型建立模块：通过模糊C均值聚类算法对预处理后的语音信号样本进行聚类分析，得到模态认知模型；
认知评估模块：用于获取待处理患者语音信号的多模态特征并预处理，将待处理患者多模态特征输入所述模态认知模型，得到聚类评估结果，确定疾病认知结果和对应的解决方案，输出评估报告。
优选的，所述多种语音信号样本包括：呼吸信号、说话信号、咳嗽信号、哭闹信号、打鼾信号、耳鸣信号、呻吟信号、打嗝信号以及放屁信号；所述语音信号样本的多模态特征包括声纹特征与对应的症状文本特征，呼吸信号对应的症状文本特征包括：平稳呼吸、潮式呼吸、间断呼吸、深度呼吸、浮浅性呼吸、蝉鸣样呼吸、鼾声呼吸；咳嗽信号对应的症状文本特征包括：咳声紧闷、咳声清脆、咳声如狗叫、咳声有力而重浊、咳声无力、咳声低微、咳声嘶哑、咳声阵作以及咳声连续。
优选的，所述提取语音信号样本的多模态特征包括：
采用Mel能量声纹特征提取方法从多种语音信号中提取患者的每一种语音信号样本的声纹特征，基于TextRank算法从描述性文本中提取出患者对应的症状文本特征。
优选的，所述对疾病知识库中的语音信号样本进行预处理包括：将语音信号样本的声纹特征与对应的症状文本特征进行向量化表示，将向量化表示的声纹特征与对应的向量化表示的症状文本特征组合成多模态特征向量。
优选的，所述模型建立模块具体包括：
初始化单元：设疾病知识库中有n个多模态特征向量xj(j＝1,2,…,n)，用值在0，1间的随机数初始化隶属矩阵U，使其中元素uij满足式
中的约束条件；
聚类中心计算单元：用式
计算c个聚类中心ci，i＝1,…,c；m是一个超参数，代表模糊度；
价值计算单元：根据式
计算价值函数值，其中J表示价值函数，dij＝||ci-xj||为第i个聚类中心ci与第j个数据点xj间的欧几里德距离；如果价值函数值小于预设阈值，则算法停止；
U矩阵更新单元：用
计算新的U矩阵，输入聚类中心计算单元。
优选的，所述确定疾病认知结果和对应的解决方案具体为：
获取待处理患者语音信号的多模态特征向量所在的聚类类别，计算待处理患者的多模态特征向量与所在的聚类类别中各个向量的相似度，将相似度最高的向量对应的疾病作为待处理患者的疾病认知结果，疾病知识库中获取对应的解决方案。
本发明第二方面，公开一种电子设备，包括：至少一个处理器、至少一个存储器、通信接口和总线；
其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令，以实现如本发明第一方面所述的系统。
本发明第三方面，公开一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机实现本发明第一方面所述的系统。
本发明相对于现有技术具有以下有益效果：
1)本发明通过提取多种语音信号样本的多模态特征，建立语音信号样本的多模态特征及其对应的疾病的对应关系的疾病知识库，通过模糊C均值聚类进行进行相似特征的归并，对待处理患者多模态特征进行聚类，在聚类类簇内部进一步进行疾病分析，避免与疾病知识库进行一一特征比对，可简化高维、多特征对比的计算过程；
2)本发明通过语音信号的多模态融合后的医学生物特征集合对目标患者进行疾病的认知和判定，不仅能考虑患者语音信号与疾病发生固有的语音信号之间医学生物特征各模态数据间的交互作用，同时也能够充分发挥各模态医学生物特征指标的优势，增加认知疾病的效果和能力。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的基于多模态特征的疾病认知系统结构图。
具体实施方式
下面将结合本发明实施方式，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
请参阅图1，本发明提出一种基于多模态特征的疾病认知系统，所述系统包括：
特征提取模块10：获取多个患者的多种语音信号样本，提取语音信号样本的多模态特征；
所述多种语音信号样本包括：呼吸信号、说话信号、咳嗽信号、哭闹信号、打鼾信号、耳鸣信号、呻吟信号、打嗝信号以及放屁信号；所述语音信号样本的多模态特征包括声纹特征与对应的症状文本特征等，呼吸信号对应的症状文本特征包括：平稳呼吸、潮式呼吸、间断呼吸、深度呼吸、浮浅性呼吸、蝉鸣样呼吸、鼾声呼吸等；咳嗽信号对应的症状文本特征包括：咳声紧闷、咳声清脆、，咳声如狗叫、咳声有力而重浊、咳声无力、咳声低微、咳声嘶哑、咳声阵作以及咳声连续等。
获取多种语音信号样本的方式可以直接采集具体类别的语音样本，或者从多种语音样本中提取所需类别的语音样本的方式。采用Mel能量声纹特征提取方法从多种语音信号中提取患者的每一种语音信号样本的声纹特征。
其中，以呻吟声为例，患者语音信号声纹特征信息提取方法为：S1，采集多个患者语音信号(比如呻吟声)语料与非呻吟声语料，建立样本数据库；S2，从样本数据库中取一音频文件，进行语音预处理成音频帧序列；S3，对S2所述音频帧序列中一帧进行快速傅里叶变换，得到该帧对应的频谱函数；S4，对S3所述频谱函数经过由25个Mel滤波器组成的Mel滤波器组，计算每个滤波器所覆盖频谱范围内频谱帧的累积能量；S5，25个Mel滤波器的计算结果，组成一个25维的Mel能量向量；S6，取S4所述Mel能量向量的低8维能量值，进行计算自然对数操作，得到一个8维的对数能量向量；S6，对音频帧序列中每一帧，按照S3至S5的方法进行处理，得到一个对数能量矩阵；S7，对数能量矩阵每行为8维的对数能量向量；S8，计算S6中所述对数能量矩阵中每列数据的方差值，8列数据计算得到8个方差值；对所述8个方差值计算均值x，以此作为Mel能量波动特征；S8，对S6中所述对数能量矩阵，以列为对象，列中每15个数据点作为一个数据段，最后一段不足15点则与相邻数据段合并；计算每个数据段所含极值数，所有数据段的计算结果组成极值数序列；其次，计算上述极值数序列均值作为阈值；进而将上述极值数序列中小于阈值的极值数置为0，得到新的极值数序列；最后，计算新的极值数序列的均值以此作为Mel能量振荡特征；S9，根据S7、S8获取的特征值，通过线性加权的方式组合成新的特征值Z；S10，对样本库中的呻吟声信号与非呻吟声信号，分别训练呻吟声模型Z'与非呻吟模型Z"；S11，对于待识别的音频文件，按照S2至S8的方法获取Mel能量波动特征x与Mel能量振荡特征y，分别代入模型Z'与模型Z"，比较二者绝对值大小；若模型Z'的输出结果绝对值更大，则样本类型判别为呻吟声；若模型Z"的输出结果绝对值更大，则样本类型判别为非呻吟声。
由于患者语音信号症状文本特征信息主要是描述性文本或者文章，所以其提取方法为：基于TextRank算法进行关键词提取，分别对病例样本和待诊断语音信号病例进行向量化表示，其具体过程包括：对病例的症状描述信息进行分词、去停用词处理，得到候选关键词，构建构建候选关键词图G＝(V，E)，其中V为节点集，E为边集合，任两点Vi，Vj之间边的权重为ωji，点Vi的得分定义如下：
In(Vi)为指向点Vi的点集合，Out(Vi)为点Vi指向的点集合，d阻尼系数,取值范围为0到1，根据以上公式进行权重迭代，直至收敛。
知识库模块20：获取患者语音信号样本的多模态特征对应的疾病，对疾病知识库中的语音信号样本进行预处理，建立疾病知识库；
所述预处理为将语音信号样本的声纹特征与对应的症状文本特征进行向量化表示，将向量化表示的声纹特征与对应的向量化表示的症状文本特征组合成多模态特征向量。将每个患者语音信号样本、对应的多模态特征向量、对应的疾病名称、疾病对应的解决方案组合成疾病知识库。
模型建立模块30：通过模糊C均值聚类算法对预处理后的语音信号样本进行聚类分析，得到模态认知模型；
所述模型建立模块具体包括：
初始化单元：设疾病知识库中有n个多模态特征向量xj(j＝1,2,…,n)，用值在0，1间的随机数初始化隶属矩阵U，使其中的元素uij满足式
中的约束条件；
聚类中心计算单元：用式
计算c个聚类中心ci，i＝1,…,c；m是一个超参数，代表模糊度；
价值计算单元：根据式
计算价值函数值，其中J表示价值函数，dij＝||ci-xj||为第i个聚类中心ci与第j个数据点xj间的欧几里德距离；如果价值函数值小于预设阈值，或它相对上次价值函数值的改变量小于某个阀值，则算法停止；
U矩阵更新单元：用
计算新的U矩阵，输入聚类中心计算单元。
认知评估模块40：用于获取待处理患者语音信号的多模态特征并预处理，将待处理患者多模态特征输入所述模态认知模型，得到聚类评估结果，确定疾病认知结果和对应的解决方案，输出评估报告。
具体的，采用知识库模块20同样的处理方式对待处理患者语音信号的多模态特征进行预处理，获取待处理患者语音信号的多模态特征向量所在的聚类类别，计算待处理患者的多模态特征向量与所在的聚类类别中各个向量的相似度，将相似度最高的向量对应的疾病作为待处理患者的疾病认知结果，疾病知识库中获取对应的解决方案。在聚类类簇内部进一步进行疾病分析，避免与疾病知识库进行一一特征比对，可简化高维多特征对比的计算过程。本发明通过语音信号的多模态融合后的医学生物特征集合对目标患者进行疾病的认知和判定，能够充分发挥各模态医学生物特征指标的优势，增加认知疾病的效果和能力，为疾病认知和辅助诊断补充了一种新的方案。
本发明还公开一种电子设备，包括：至少一个处理器、至少一个存储器、通信接口和总线；其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令，以实现本发明前述的系统，比如包括特征提取模块、知识库模块、模型建立模块、认知评估模块。
本发明还公开一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机实现本发明实施例所述的全部系统或部分系统。例如包括数据获取模块、模型建立模块、联合诊断模块。所述存储介质包括：U盘、移动硬盘、存储器ROM、随机存取存储器RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以分布到多个网络单元上。可以根据实际的衙要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
以上所述仅为本发明的较佳实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于多模态特征的疾病认知系统，其特征在于，所述系统包括：
特征提取模块：获取多个患者的多种语音信号样本，提取语音信号样本的多模态特征；
知识库模块：获取患者语音信号样本的多模态特征对应的疾病，对疾病知识库中的语音信号样本进行预处理，建立疾病知识库；
模型建立模块：通过模糊C均值聚类算法对预处理后的语音信号样本进行聚类分析，得到模态认知模型；
认知评估模块：用于获取待处理患者语音信号的多模态特征并预处理，将待处理患者多模态特征输入所述模态认知模型，得到聚类评估结果，确定疾病认知结果和对应的解决方案，输出评估报告。
2.根据权利要求1所述基于跨模态医学生物特征的疾病认知系统，其特征在于，所述多种语音信号样本包括：呼吸信号、说话信号、咳嗽信号、哭闹信号、打鼾信号、耳鸣信号、呻吟信号、打嗝信号以及放屁信号；所述语音信号样本的多模态特征包括声纹特征与对应的症状文本特征，呼吸信号对应的症状文本特征包括：平稳呼吸、潮式呼吸、间断呼吸、深度呼吸、浮浅性呼吸、蝉鸣样呼吸、鼾声呼吸；咳嗽信号对应的症状文本特征包括：咳声紧闷、咳声清脆、咳声如狗叫、咳声有力而重浊、咳声无力、咳声低微、咳声嘶哑、咳声阵作以及咳声连续。
3.根据权利要求2所述基于跨模态医学生物特征的疾病认知系统，其特征在于，所述提取语音信号样本的多模态特征包括：
采用Mel能量声纹特征提取方法从多种语音信号中提取患者的每一种语音信号样本的声纹特征，基于TextRank算法从描述性文本中提取出患者对应的症状文本特征。
4.根据权利要求3所述基于跨模态医学生物特征的疾病认知系统，其特征在于，所述对疾病知识库中的语音信号样本进行预处理包括：将语音信号样本的声纹特征与对应的症状文本特征进行向量化表示，将向量化表示的声纹特征与对应的向量化表示的症状文本特征组合成多模态特征向量。
5.根据权利要求1所述基于跨模态医学生物特征的疾病认知系统，其特征在于，所述模型建立模块具体包括：
初始化单元：设疾病知识库中有n个多模态特征向量xj(j＝1,2,…,n)，用值在0，1间的随机数初始化隶属矩阵U，使隶属矩阵U中的元素uij满足式
中的约束条件；
聚类中心计算单元：用式
计算c个聚类中心ci，i＝1,…,c，m是一个超参数，代表模糊度；
价值计算单元：根据式
计算价值函数值，其中J表示价值函数，dij＝||ci-xj||为第i个聚类中心ci与第j个数据点xj间的欧几里德距离；如果价值函数值小于预设阈值，则算法停止；
U矩阵更新单元：用
计算新的U矩阵，输入聚类中心计算单元。
6.根据权利要求1所述基于跨模态医学生物特征的疾病认知系统，其特征在于，所述确定疾病认知结果和对应的解决方案具体为：
获取待处理患者语音信号的多模态特征向量所在的聚类类别，计算待处理患者的多模态特征向量与所在的聚类类别中各个向量的相似度，将相似度最高的向量对应的疾病作为待处理患者的疾病认知结果，疾病知识库中获取对应的解决方案。
7.一种电子设备，包括：至少一个处理器、至少一个存储器、通信接口和总线；
其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令，以实现如权利要求1～6任一项所述的系统。
8.一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机实现权利要求1～6任一项所述的系统。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110063122.5A CN112885334A (zh) | 2021-01-18 | 2021-01-18 | 基于多模态特征的疾病认知系统、设备、存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110063122.5A CN112885334A (zh) | 2021-01-18 | 2021-01-18 | 基于多模态特征的疾病认知系统、设备、存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112885334A true CN112885334A (zh) | 2021-06-01 |
Family
ID=76049025
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110063122.5A Pending CN112885334A (zh) | 2021-01-18 | 2021-01-18 | 基于多模态特征的疾病认知系统、设备、存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112885334A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113488183A (zh) * | 2021-06-30 | 2021-10-08 | 南京云上数融技术有限公司 | 一种发热疾病多模态特征融合认知系统、设备、存储介质 |
| CN115759985A (zh) * | 2022-11-21 | 2023-03-07 | 沈阳林旭网络科技有限公司 | 一种基于人工智能与数字化管理的核酸检测方法及设备 |
| CN117476247A (zh) * | 2023-12-27 | 2024-01-30 | 杭州深麻智能科技有限公司 | 一种疾病多模态数据智能分析方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2004030532A1 (en) * | 2002-10-03 | 2004-04-15 | The University Of Queensland | Method and apparatus for assessing psychiatric or physical disorders |
| CN107910060A (zh) * | 2017-11-30 | 2018-04-13 | 百度在线网络技术（北京）有限公司 | 用于生成信息的方法和装置 |
| CN110728997A (zh) * | 2019-11-29 | 2020-01-24 | 中国科学院深圳先进技术研究院 | 一种基于情景感知的多模态抑郁症检测方法和系统 |
| CN111681779A (zh) * | 2020-04-22 | 2020-09-18 | 北京捷通华声科技股份有限公司 | 一种医疗诊断系统 |
| CN112002419A (zh) * | 2020-09-17 | 2020-11-27 | 吾征智能技术(北京)有限公司 | 一种基于聚类的疾病辅助诊断系统、设备、存储介质 |
| CN112086200A (zh) * | 2020-09-17 | 2020-12-15 | 吾征智能技术(北京)有限公司 | 一种基于口苦预测疾病的系统、设备、存储介质 |
-
2021
- 2021-01-18 CN CN202110063122.5A patent/CN112885334A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2004030532A1 (en) * | 2002-10-03 | 2004-04-15 | The University Of Queensland | Method and apparatus for assessing psychiatric or physical disorders |
| CN107910060A (zh) * | 2017-11-30 | 2018-04-13 | 百度在线网络技术（北京）有限公司 | 用于生成信息的方法和装置 |
| CN110728997A (zh) * | 2019-11-29 | 2020-01-24 | 中国科学院深圳先进技术研究院 | 一种基于情景感知的多模态抑郁症检测方法和系统 |
| CN111681779A (zh) * | 2020-04-22 | 2020-09-18 | 北京捷通华声科技股份有限公司 | 一种医疗诊断系统 |
| CN112002419A (zh) * | 2020-09-17 | 2020-11-27 | 吾征智能技术(北京)有限公司 | 一种基于聚类的疾病辅助诊断系统、设备、存储介质 |
| CN112086200A (zh) * | 2020-09-17 | 2020-12-15 | 吾征智能技术(北京)有限公司 | 一种基于口苦预测疾病的系统、设备、存储介质 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113488183A (zh) * | 2021-06-30 | 2021-10-08 | 南京云上数融技术有限公司 | 一种发热疾病多模态特征融合认知系统、设备、存储介质 |
| CN113488183B (zh) * | 2021-06-30 | 2023-10-31 | 吾征智能技术(北京)有限公司 | 一种发热疾病多模态特征融合认知系统、设备、存储介质 |
| CN115759985A (zh) * | 2022-11-21 | 2023-03-07 | 沈阳林旭网络科技有限公司 | 一种基于人工智能与数字化管理的核酸检测方法及设备 |
| CN117476247A (zh) * | 2023-12-27 | 2024-01-30 | 杭州深麻智能科技有限公司 | 一种疾病多模态数据智能分析方法 |
| CN117476247B (zh) * | 2023-12-27 | 2024-04-19 | 杭州乐九医疗科技有限公司 | 一种疾病多模态数据智能分析方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Jindal et al. | Heart disease prediction using machine learning algorithms | |
| CN112885334A (zh) | 基于多模态特征的疾病认知系统、设备、存储介质 | |
| CN111967362B (zh) | 面向可穿戴设备的超图特征融合和集成学习的人体行为识别方法 | |
| Patra et al. | Integration of FCM, PCA and neural networks for classification of ECG arrhythmias | |
| CN116680637B (zh) | 社区居家老年人传感数据分析模型的构建方法及装置 | |
| CN111599463B (zh) | 基于声音认知模型的智能辅助诊断系统 | |
| CN113012815B (zh) | 一种基于多模态数据的帕金森健康风险评估方法 | |
| Ouhmida et al. | Voice-Based Deep Learning Medical Diagnosis System for Parkinson's Disease Prediction | |
| Mohammed et al. | A multi-agent feature selection and hybrid classification model for Parkinson's disease diagnosis | |
| Sharanyaa et al. | Classification of Parkinson's disease using speech attributes with parametric and nonparametric machine learning techniques | |
| Yulita et al. | Combining deep belief networks and bidirectional long short-term memory: Case study: Sleep stage classification | |
| CN113392918A (zh) | 一种基于多源信息融合的抑郁障碍相关因素识别方法 | |
| CN111938650A (zh) | 监测睡眠时呼吸暂停的方法及装置 | |
| Shalaby et al. | Data clustering improves siamese neural networks classification of Parkinson’s disease | |
| Nguyen et al. | EEG-based person verification using multi-sphere SVDD and UBM | |
| Nouhaila et al. | An intelligent approach based on the combination of the discrete wavelet transform, delta delta MFCC for Parkinson's disease diagnosis | |
| CN114299996A (zh) | 基于AdaBoost算法的帕金森病冻结步态症状关键特征参数的语音分析方法及系统 | |
| Ziasabounchi et al. | A comparative study of heart disease prediction based on principal component analysis and clustering methods | |
| CN116797817A (zh) | 基于自监督图卷积模型的自闭症疾病预测技术 | |
| Akshay et al. | Identification of Parkinson disease patients classification using feed forward technique based on speech signals | |
| Akyol | Growing and Pruning Based Deep Neural Networks Modeling for Effective Parkinson's Disease Diagnosis | |
| Rao et al. | Parkinson's Disease Detection Using Voice and Spiral Drawing Dataset | |
| Képešiová et al. | Comparative Analysis of Advanced Machine Learning Algorithms for Early Detection of Parkinson Disease | |
| Kumar et al. | Early detection of parkinson’s disease using convolutional neural network | |
| Travieso et al. | Improving the performance of the lip identification through the use of shape correction |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210601 |