CN113012811B - 一种结合深度卷积网络和图神经网络的中医证候诊断和健康评价方法 - Google Patents
一种结合深度卷积网络和图神经网络的中医证候诊断和健康评价方法 Download PDFInfo
- Publication number
- CN113012811B CN113012811B CN202010853821.5A CN202010853821A CN113012811B CN 113012811 B CN113012811 B CN 113012811B CN 202010853821 A CN202010853821 A CN 202010853821A CN 113012811 B CN113012811 B CN 113012811B
- Authority
- CN
- China
- Prior art keywords
- health
- syndrome
- loss
- traditional chinese
- diagnosis
- 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
- 208000011580 syndromic disease Diseases 0.000 title claims abstract description 49
- 238000003745 diagnosis Methods 0.000 title claims abstract description 42
- 230000036541 health Effects 0.000 title claims abstract description 39
- 239000003814 drug Substances 0.000 title claims abstract description 18
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 13
- 238000011156 evaluation Methods 0.000 title claims abstract description 11
- 230000006870 function Effects 0.000 claims abstract description 24
- 208000024891 symptom Diseases 0.000 claims abstract description 20
- 238000000605 extraction Methods 0.000 claims abstract description 19
- 230000001815 facial effect Effects 0.000 claims abstract description 16
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 7
- 238000013135 deep learning Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims abstract description 4
- 238000013210 evaluation model Methods 0.000 claims abstract 2
- 239000013598 vector Substances 0.000 claims description 17
- 238000000034 method Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000003862 health status Effects 0.000 claims 1
- 238000010606 normalization Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 230000008569 process 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- 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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Radiology & Medical Imaging (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明涉及中医智能健康诊断，基于深度学习技术，结合深度卷积神经网络和图神经网络完成中医证候诊断和健康情况评价。该发明利用大量的数据训练学习，基于使用者的面象、舌象和问诊信息，做出证候的诊断和健康分数预测。首先通过共享的特征提取网络提取面象、舌象的特征，然后对每一个证候和健康分数设置单独的特征提取器，从而专注于某一特定特征。进一步的，分析证候之间的相关性，利用图卷积网络提取这种相关性，然后对证候预测概率进行进一步的调整。结合新设计的损失函数，综合考虑分数和证候之间、不同证候之间的平衡问题，训练模型直到收敛，最终获得完整的智能中医证候诊断和健康评价模型。
Description
技术领域
本发明涉及智能健康诊疗，基于深度学习技术进行中医证候诊断和健康评价。
背景技术
面诊、舌诊和问诊是中医学了解人体生理功能和病理变化的一种独具特色的诊断方法，是中医诊断疾病的依据之一。传统望闻问切中面诊、舌诊和问诊的正确程度取决于医生的经验，受限于当时的环境因素，缺乏客观统一的辨识指标，无法达到研究上的可重复性要求，医生可能会因光线、环境等因素，造成错误判断，制约了中医证候诊断的科研、教学、临床的发展和交流。
最近，随着神经网络的研究不断深入，越来越多的任务场景中使用了深度神经网络，针对模型特定的任务，研究人员也提出了图卷积神经网络等结构，但是在中医诊断领域，很少有使用这些新技术。研究人员通常使用传统的机器学习技术，而我们希望能应用最新的人工智能技术，这这一特定领域中对技术做出相应改进，从而帮助中医诊断，并进行健康评估。
发明内容
要解决的技术问题
针对现有的技术存在的问题，本发明提供了基于深度学习，结合图卷积神经网络的中医证候智能诊断方法，并根据诊断结果实现对人体健康程度的综合评分。该方法能够综合舌诊、面诊、问诊三者的信息，同时克服主观诊断可能导致的错误，是目前最新的考虑信息最全面，技术最先进的智能中医诊断和评价云服务方法。
技术方案
为实现以上目的，本发明通过以下技术方案予以实现：
步骤S1：对大量不同地区、年龄、健康或亚健康人群的面象、舌象和问诊信息进行数据采集的基础上，并由专家团队进行证候和健康分数的评判，确定体质健康状态，构建初始的大数据集；
步骤S2：利用特征提取网络，分别提取面象、舌象和问诊信息的特征，进一步的，特征的提取分为共享特征提取和特定特征提取。
步骤S3：将提取的特征结合，一方面进行证候的分类判别，本质上是一个多标签和不平衡数据的分类任务，一方面进行健康分数的拟合，本质上是一个回归任务。
进一步的，步骤S3具体包含以下步骤：
步骤S31：统计不同证候出现的频率，构建一个非平衡数据集的损失函数，目的在于对参数添加不同的权重。
步骤S32：进一步的使用多标签损失函数(multi label soft margin loss)。
步骤S33：构建健康分数的回归损失函数。
步骤S4：利用图卷积神经网络，充分考虑证候之间的相关性，对最后的诊断结果进行调整。
进一步的，步骤S4具体包含以下步骤：
步骤S41：利用已有的数据标签，统计证候之间的相关性，获得证候条件概率矩阵。
步骤S42：构建图卷积神经网络，输入步骤S3的证候预测结果和步骤S41构建的条件概率矩阵，输出调整后的证候预测结果。该网络会进行学习训练，直到结果收敛。
有益效果
与现有的技术相比，本发明具有以下有益效果：本发明基于深度学习技术，基于数据的学习方式，有效避免了主观诊断可能导致的错误；本发明综合考虑了面象、舌象和问诊信息，是考虑信息最全面的系统，有利于得出可靠的诊断结果；本发明创造性的引入图卷积神经网络技术，用于解决证候相关性的问题，使得诊断结果更准确，更具鲁棒性。
附图说明
图1是提出的共享特征提取模块的结构示意图。
图2是提出的特定特征提取模块，也是证候分类和健康分数评估主干网络结构示意图。
图3是提出的考虑证候相关性，对证候重新调整的，包含图卷积神经网络的结构示意图。
图4是本发明的摘要附图，涉及本发明的整体流程，从数据输入、特征提取到证候与分数预测。
具体实施方式
下面将结合附图对本发明进行详细说明。
对于面诊、舌诊和问诊的数据和标签需要做对应的处理。其中面诊和舌诊的数据来自自然环境下的拍摄，例如用户自拍等，因此在进行特征提取之前，需要首先使用人脸检测器和舌像检测器截取图像中的人脸和舌像，截取完毕后，再进行图像的预处理。对于问诊问题，我们使用Embedding技术将其转换成一个向量。
标签主要是包含健康分数和证候标签，其中证候被分为ns种，每个样本可能会有任意种证候，也可能没有任何证候，因此我们使用one-hot编码的方式，将每一个样本患有的证候情况编码为向量表示。
接下来构建我们的模型，我们的模型主要分成三部分，分别为共享特征提取模块、特定特征提取模块和相关性调整模块。
共享特征模块参考附图1，将面像与舌象图像预处理后，通入全卷积神经网络结构，该层理论上可以使用目前任意的通用卷积神经网络替换，之后的到相应的多通道的特征图，用于表示面诊图像和舌诊图像的特征，为之后的工作做好准备。
特定特征提取模块参考附图2，首先我们将问诊问题编码，然后处理人脸特征图，例如设置face0到facen总共ns+1个特定的卷积提取网络，分别提取后得到共ns+1个向量。同理，对舌象特征图做相同的操作，舌象的特征向量。随后将问诊向量、人脸向量和舌象的特征向量拼接依次得到每一个证候的特征向量，然后分别通过数层全连接层和相应的激活函数，得到最终值，所有的值都被限定在0到1之间，用于表示概率。对于健康分数，我们也是拼接特征得到健康分数向量，然后经过数层全连接网络，得到一个nh维度的向量，再将该向量通过Func_9函数，这个函数的理论计算公式如下：经过函数映射后，得到健康分数值，范围应当在0至(nh-1)之间。
相关性调整模块参考附图3，相关性调整模块引入图卷积神经网络结构，并且需要根据数据集计算证候的条件概率矩阵P，该模块将条件概率矩阵P和之前的证候预测值作为输入，然后输出调整后的证候预测概率值，图卷积网络实际的计算公式如下：HL+1＝h(PHLWL)，这里引入该模块能够让我们的模型考虑证候之间的相关性，从而做出更准确的预测。
将上述三个模块构建完毕后，将他们组合起来，就构成了整体的模型，参考附图4。
通过上述步骤后，构建一个新的损失函数：Loss＝λ·Lossscore+(1-λ)·Losssymptom。整体的损失由两部分构成，一部分是健康分数的损失，另一部分是证候情况的损失，用参数λ控制两部分损失的权重，例如如果更加在意健康分数的准确性，就应当将该参数调大，反之调小。
健康分数的损失函数使用常见的交叉熵损失函数，而证候的损失函数由我们自己构建，其公式如下：
经过训练，等待结果收敛后，就得到了一个中医证候诊断和健康评价的模型，该模型输入面诊、舌诊和问诊，然后给出预测的证候和健康分数。
上述仅为本发明的一个具体的实施方式，基于同样的设计思路，以及相关的技术手段，还可以实现其他变种的模型，例如只针对面诊进行诊断和评估，只针对舌诊进行诊断和评估、只针对舌诊和问诊进行诊断和评估、只针对面诊和舌诊进行诊断和评估、或者简单的修改证候种类数量、修改损失权重、或者针对其他信息等。事实上，我们另外实现了数个类似的模型用于实际场景，因此本发明的构思并不局限于此，非实质性的改动均应属于侵犯本发明的保护范围的行为。
Claims (6)
1.一种结合深度学习和图神经网络的中医证候诊断和健康评价方法，其特征在于，包括以下步骤：
步骤S1、对大量不同地区、年龄、健康或亚健康人群的面象、舌象和问诊信息进行数据采集的基础上，并由专家团队进行证候和健康分数的评判，确定体质健康状态，构建初始的大数据集；
步骤S2、利用特征提取网络，分别提取面象、舌象和问诊信息的特征，进一步的，特征的提取分为共享特征提取和特定特征提取；
步骤S3、将S2提取的特征进行拼接，形成n维向量，针对每一个证候，我们设置数层全连接提取层，最后将n维向量提取为一个标量，使用sigmoid激活函数将其控制在0-1之间，用于表示某种证候发生的可能性，总共有C种证候，就会形成C个标量；
步骤S4、将S2提取的特征进行拼接，形成n维向，设置数层全连接层，将n维向量提取为101维的向量，并通过softmax函数归一化处理，获得每一个分数值得概率，然后将各个概率和对应的分数值相乘并累加，计算公式如下：得到最终的健康分数；
步骤S5、利用已有的数据标签，统计证候之间的相关性，获得证候条件概率矩阵P，然后构建图卷积神经网络，将S3的证候预测结果和条件概率矩阵P作为输入，调整后的证候预测结果是该模块的输出，该图卷积神经网络的计算公式如下：HL+1＝h(PHLWL)，其中，h表示激活函数，L用于表示图卷积网络的层数，P是条件概率矩阵，W是需要学习的到的参数，通过控制H矩阵的输入和输出的size，得到一个C维的向量，用于表示每一种证候的相关性；
步骤S6、针对该任务设计特定的损失函数，损失函数综合考虑健康分数误差和证候预测误差，对于不同证候发生概率的不同，该损失函数为每一种证候的损失误差赋予不同的权重，权重的计算公式来自：计算得到每一种证候相应的损失权重；最终证候预测误差的损失函数设计如下：Losssymptom＝-weightn[yn·log xn+(1-yn)·log(1-xn)]，健康分数误差的损失函数为常见的交叉熵损失函数，最终综合损失函数如下：Loss＝λ·Lossscore+(1-λ)·Losssymptom，通过λ控制两部分损失的权重，定义好损失函数后，通过反向传播训练参数，结果收敛后得到该评价模型。
2.如权利要求1所述的中医证候诊断和健康评价方法，其特征在于，在步骤S1中图像为自然条件下，对各个年龄阶段和健康程度不同的人群采集的图像，问诊问题同理，然后通过专家团队评估后整理成合格的数据集。
3.如权利要求1所述的中医证候诊断和健康评价方法，其特征在于，在步骤S2，S3中，将证候诊断问题转化为多标签分类问题，并使用卷积神经网络提取特征，同时针对每一种证候，设计新的单独的特征提取层，更好的提取特定证候所需的特征。
4.如权利要求1所述的中医证候诊断和健康评价方法，其特征在于，在步骤S4中，将健康分数的预测这一回归问题看成分类和softmax期望相结合的问题，最后通过相乘并累加的方式拟合健康分数。
5.如权利要求1所述的中医证候诊断和健康评价方法，其特征在于，在步骤S5中，利用图卷积神经网络解决不同证候相关性的问题，使得模型的预测结果更加准确。
6.如权利要求1所述的中医证候诊断和健康评价方法，其特征在于，在步骤S6中，提出了对不同证候赋予不同权重的证候预测损失函数，并在此基础上，综合考虑健康分数损失和证候预测损失，构造出全新的损失函数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010853821.5A CN113012811B (zh) | 2020-08-17 | 2020-08-17 | 一种结合深度卷积网络和图神经网络的中医证候诊断和健康评价方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010853821.5A CN113012811B (zh) | 2020-08-17 | 2020-08-17 | 一种结合深度卷积网络和图神经网络的中医证候诊断和健康评价方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113012811A CN113012811A (zh) | 2021-06-22 |
| CN113012811B true CN113012811B (zh) | 2023-11-03 |
Family
ID=76383319
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010853821.5A Active CN113012811B (zh) | 2020-08-17 | 2020-08-17 | 一种结合深度卷积网络和图神经网络的中医证候诊断和健康评价方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113012811B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113345286B (zh) * | 2021-08-03 | 2021-11-19 | 南京大经中医药信息技术有限公司 | 一种融合了ai技术和视频技术的师承教学系统及方法 |
| CN116564534A (zh) * | 2023-04-03 | 2023-08-08 | 北京林业大学 | 中医临床数据的多视图聚类方法、装置及电子设备 |
| CN117649413A (zh) * | 2024-01-30 | 2024-03-05 | 数据空间研究院 | 一种基于中医舌象的肠癌深度学习辅助诊断方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105117611A (zh) * | 2015-09-23 | 2015-12-02 | 北京科技大学 | 基于卷积神经元网络的中医舌诊模型的确定方法及系统 |
| CN108986912A (zh) * | 2018-07-12 | 2018-12-11 | 北京三医智慧科技有限公司 | 基于深度学习的中医胃病舌像信息智能化处理方法 |
| CN110705425A (zh) * | 2019-09-25 | 2020-01-17 | 广州西思数字科技有限公司 | 一种基于图卷积网络的舌象多标签分类学习方法 |
| CN111223553A (zh) * | 2020-01-03 | 2020-06-02 | 大连理工大学 | 一种两阶段深度迁移学习中医舌诊模型 |
| CN111276240A (zh) * | 2019-12-30 | 2020-06-12 | 广州西思数字科技有限公司 | 一种基于图卷积网络的多标签多模态全息脉象识别方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2836092A1 (en) * | 2012-12-05 | 2014-06-05 | Meadwestvaco Corporation | Techniques to deliver multiple medications in a synchronized manner |
-
2020
- 2020-08-17 CN CN202010853821.5A patent/CN113012811B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105117611A (zh) * | 2015-09-23 | 2015-12-02 | 北京科技大学 | 基于卷积神经元网络的中医舌诊模型的确定方法及系统 |
| CN108986912A (zh) * | 2018-07-12 | 2018-12-11 | 北京三医智慧科技有限公司 | 基于深度学习的中医胃病舌像信息智能化处理方法 |
| CN110705425A (zh) * | 2019-09-25 | 2020-01-17 | 广州西思数字科技有限公司 | 一种基于图卷积网络的舌象多标签分类学习方法 |
| CN111276240A (zh) * | 2019-12-30 | 2020-06-12 | 广州西思数字科技有限公司 | 一种基于图卷积网络的多标签多模态全息脉象识别方法 |
| CN111223553A (zh) * | 2020-01-03 | 2020-06-02 | 大连理工大学 | 一种两阶段深度迁移学习中医舌诊模型 |
Non-Patent Citations (1)
| Title |
|---|
| 中医诊断模型构建中的两种常用数据挖掘分类技术;车立娟;马利庄;;数理医药学杂志(第05期);50-52 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113012811A (zh) | 2021-06-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113012811B (zh) | 一种结合深度卷积网络和图神经网络的中医证候诊断和健康评价方法 | |
| CN108095716B (zh) | 一种基于置信规则库和深度神经网络的心电信号检测方法 | |
| CN111444960A (zh) | 基于多模态数据输入的皮肤病图像分类系统 | |
| CN108734208B (zh) | 基于多模态深度迁移学习机制的多源异构数据融合系统 | |
| CN114398961B (zh) | 一种基于多模态深度特征融合的视觉问答方法及其模型 | |
| CN109949929A (zh) | 一种基于深度学习大规模病历的辅助诊断系统 | |
| WO2020224433A1 (zh) | 基于机器学习的目标对象属性预测方法及相关设备 | |
| CN111582342B (zh) | 一种图像识别方法、装置、设备以及可读存储介质 | |
| CN109145944B (zh) | 一种基于纵向三维图像深度学习特征的分类方法 | |
| CN116759100B (zh) | 基于联邦学习构建慢性心血管疾病大模型方法 | |
| CN110096976A (zh) | 基于稀疏迁移网络的人体行为微多普勒分类方法 | |
| CN112668486A (zh) | 一种预激活残差深度可分离卷积网络面部表情识别方法、装置和载体 | |
| CN112633154A (zh) | 一种异源人脸特征向量之间的转换方法及系统 | |
| CN116994295B (zh) | 基于灰度样本自适应选择门的野生动物类别识别方法 | |
| CN117010971B (zh) | 一种基于人像识别的智能健康险提供方法及系统 | |
| CN111612133A (zh) | 基于人脸图像多阶段关系学习的内脏器官特征编码方法 | |
| CN113256733B (zh) | 基于置信度投票卷积神经网络的相机光谱灵敏度重建方法 | |
| CN111047590A (zh) | 基于眼底图像的高血压分类方法及设备 | |
| CN117542524A (zh) | 智能护理信息处理系统及方法 | |
| CN116186561B (zh) | 基于高维时序图网络的跑步姿势识别纠正方法及系统 | |
| CN113012133A (zh) | 一种新冠肺炎诊断系统、介质及设备 | |
| CN112633301A (zh) | 一种基于深度度量学习的中医舌图像腐腻特征分类方法 | |
| CN115954019B (zh) | 一种融合自注意力和卷积操作的环境噪声识别方法及系统 | |
| CN112488963A (zh) | 一种用于农作物病害数据的增强方法 | |
| CN111860601A (zh) | 预测大型真菌种类的方法及装置 |
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 |