CN113113148A - 一种基于lle结合som的矿工体检情况辨识方法 - Google Patents
一种基于lle结合som的矿工体检情况辨识方法 Download PDFInfo
- Publication number
- CN113113148A CN113113148A CN202110466396.9A CN202110466396A CN113113148A CN 113113148 A CN113113148 A CN 113113148A CN 202110466396 A CN202110466396 A CN 202110466396A CN 113113148 A CN113113148 A CN 113113148A
- Authority
- CN
- China
- Prior art keywords
- physical examination
- lle
- som
- human body
- data
- 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
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
- G16H50/30—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明涉及一种基于LLE结合SOM的矿工体检情况辨识方法,采集人体各项生理指标数据;按照LLE算法选择出采集的生理指标数据中重要体检生理指标;将选择出重要体检生理指标随机划分为训练集和测试集;利用训练集数据作为SOM算法的输入,建立体检数据异常情况识别模型;利用测试集对建立异常情况识别模型进行识别;得到正常与异常生理指标样本的辨识;非常适合高维数据的可视化,能够维持输入空间的拓扑结构,具有很高的泛化能力,它甚至能识别之前从没遇过的输入样本;可实现矿工体检异常情况的精准辨识。
Description
技术领域
本发明涉及体检情况辨识技术领域,具体的是涉及一种基于LLE结合SOM的矿工体检情况辨识方法。
背景技术
矿工的身心健康是煤矿安全生产的重要组成部分,煤矿井下工作环境复杂,作业条件苛刻,矿井下煤尘、噪声、潮湿的作业环境严重威胁着矿工的身心健康与人身安全。长期工作在粉尘的矿井中,工人易患受尘肺和矽肺病等肺部疾病,潮湿的工作环境可造成职业性皮肤病。长期在噪声的环境中,工人易患有噪声性耳聋疾病。对矿工体检数据进行分析,辨识出体检不健康的工人,可实现职业病的早期检测与筛查,为后期职业病的治疗提供辅助诊断。
人工智能和机器学习算法作为病理学领域的一种新工具,因其有效率和准确性的不断提高,越来越引起人们的重视。目前,常规的人工智能算法大多数建立在大量标记的数据集上,然而医学体检样本往往需要提前标注,标注需要消耗大量的人力和物力,且有些样本存在标注不明确的情况,在对矿工的体检情况进行判断时容易出现较大的误差。
发明内容
为了克服上述现有技术的缺点,本发明的目的是提供一种从大量无标签数据中深入挖掘数据信息,减少标签标记的人工成本,克服了算法仅适用于标签数据的单一性,有效提高体检情况识别的基于LLE结合SOM的矿工体检情况辨识方法。
为达到上述目的,本发明采用以下技术方案,一种基于LLE结合SOM的矿工体检情况辨识方法,
采集人体各项生理指标数据;
按照LLE算法选择出采集的生理指标数据中重要体检生理指标;
将选择出重要体检生理指标随机划分为训练集和测试集;
利用训练集数据作为SOM算法的输入,建立体检数据异常情况识别模型;
利用测试集对建立异常情况识别模型进行识别;得到正常与异常生理指标样本的辨识。
所述LLE算法按照如下方法进行:
计算出采集到的人体各项生理指标数据样本点的k个近邻点,将该k个近邻点作为最初提供的值;
计算出采集到的人体各项生理指标数据样本点的局部重建权值矩阵X,描述重构误差:
δ(X)=∑|Yi-∑XijYj|2
其中,Yi代表i个样本,Xij表示权重系数;
局部协方差矩阵S:
此时的目标函数为:
可得:
wj表示权重系数向量,C代表局部协方差矩阵;
将采集到的人体各项生理指标数据样本点映射到低维空间,映射条件满足如下:
minφ(I)=∑|Ii-∑jXijIj|2
得到最终解为:MI=λI
其中,I为M的最小m个非零特征值所对应的特征向量,λ为特征系数,M为对应的低维样本矩阵。
所述SOM算法如下:
步骤S1,初始化:对输出层的权向量代入小随机数,并对这些数进行归一化处理,得到权向量代入小随机数的归一化结果P1,同时建立初始优胜领域,初始化学习率的初值;
步骤S2,输入归一化处理:从训练集中随机选取一个输入模式并进行归一化处理,得到训练集的归一化结果U1;
步骤S3,搜寻获胜节点:计算P1与U1的点积,选择出最大点积值的获胜节点q1,如果跳过步骤S1中的归一化步骤,利用欧氏距离搜索出距离最小的获胜节点;
步骤S4,定义优胜领域:以q1为中心确定时间T的权值调整范围,通常初始领域O较大,训练过程中领域会不断收缩;
步骤S5,调整权值:调整优胜领域O内所有节点的权值:
W(T+1)=W(T)+N(T,n)[pa-W(T)]
其中,W(T)是初始节点权值,W(T+1)调节后的权值,N(T,n)是训练时间T和邻域内第q个神经元与获胜神经元q*之间的拓扑距离的单调下降退火函数,其中T与其成n成反比,n与其成正比;
步骤S6,结束检索:当学习率减小到0或某个极小值的情况下,则从步骤2开始重复进行,直到特征映射逐渐趋于稳定。
将所有样本点的欧式距离最近的k个样本点作为所述计算样本点的k个近邻点。
采集到的人体各项生理指标数据为:高压、低压、心率、血氧、体温和肺活量。
采集人体各项生理指标数据是通过人体体检系统进行采集,该人体采集系统包括电源模块、生理指标检测传感器、微控制器、无线传输器和上位机;所述生理指标检测传感器与微控制器通讯连接,所述微控制器与上位机通过无线传输器通讯连接,所述电源模块对整个系统进行供电。
本发明的有益效果是:将无监督降维算法LLE与无监督分类识别算法SOM相结合,它的训练数据是无标签的,训练目标是能对观察值直接进行分类或区分等;LLE可以减少特征体检生理指标的数量、降低体检数据的维数,使模型泛化能力更强,减少过拟合;SOM是基于无监督学习,这意味着训练阶段不需要人工介入(即不需要样本标签),可以在不知道类别的情况下,对数据进行聚类,可以识别针对某问题具有内在关联的特征。非常适合高维数据的可视化,能够维持输入空间的拓扑结构,具有很高的泛化能力,它甚至能识别之前从没遇过的输入样本;可实现矿工体检异常情况的精准辨识。
附图说明
图1是本发明的体检数据辨识流程图;
图2是本发明中的自组织映射神经网络结构。
具体实施方式
下面结合附图和实施例对本发明进行详细的描述。
实施例
如图1和图2所示的一种基于LLE结合SOM的矿工体检情况辨识方法,
采集人体各项生理指标数据;在对人体各项数据采集前,对体检检测系统进行搭建,该人体采集系统包括电源模块、生理指标检测传感器、微控制器、无线传输器和上位机;所述生理指标检测传感器与微控制器通讯连接,所述微控制器与上位机通过无线传输器通讯连接,所述电源模块对整个系统进行供电;所述生理指标检测传感器包括血压传感器,能够对人体指标中的高压和低压指标进行采集,心率检测传感器,用于对人体的心率进行检测,血氧检测传感器,对人体血氧进行检测,体温检测传感器用于对人体的体温进行检测,肺活量检测传感器用于对人的肺活量指标进行检测,并将检测后的指标数据发送到微控制器中,微控制器通过无线传输器将该采集到的所有人体生理指标数据发送给上位机进行处理;
按照LLE算法选择出采集的生理指标数据中重要体检生理指标;所述LLE算法是一种无监督非线性降维算法;
该算法降维步骤如下:
计算出采集到的人体各项生理指标数据样本点的k个近邻点,将所有样本点的欧式距离最近的k个样本点作为所述计算样本点的k个近邻点;将该k个近邻点作为最初提供的值;
计算出采集到的人体各项生理指标数据样本点的局部重建权值矩阵X,描述重构误差:
δ(X)=∑|Yi-∑XijYj|2
其中,Yi代表i个样本,Xij表示权重系数;
局部协方差矩阵S:
此时的目标函数为:
可得:
wj表示权重系数向量,C代表局部协方差矩阵;
将采集到的人体各项生理指标数据样本点映射到低维空间,映射条件满足如下:
minφ(I)=∑|Ii-∑jXijIj|2
得到最终解为:MI=λI
其中,I为M的最小m个非零特征值所对应的特征向量,λ为特征系数,M为对应的低维样本矩阵。
该LLE算法中对高压、低压、心率、血氧、体温和肺活量这6种体征的数据中,删去不重要的生理指标,得到重要的生理指标数据,也就是LLE算法所描述的低维样本矩阵M构成的数据;最终利用这些重要生理指标建立体检数据异常情况识别模型,辨识出异常生理指标样本;
通过该LLE算法对采集到的人体生理指标数据中的重要指标数据进行选择,减少特性体检生理指标的数量,降低体检数据的维数,使模型泛化能力更强,较少过拟合;
将选择出重要体检生理指标随机划分为训练集和测试集;在将选择出重要体检生理指标按照比例进行随机划分,本实施例中按照的比例为3:2将生理指标体检数据随机划分成训练集和测试集;
利用训练集数据作为SOM(自组织映射神经网络)算法的输入,建立体检数据异常情况识别模型;
所述的SOM算法按照如下步骤进行:
所述SOM算法如下:
步骤S1,初始化:对输出层的权向量代入小随机数,并对这些数进行归一化处理,得到权向量代入小随机数的归一化结果P1,同时建立初始优胜领域,初始化学习率的初值;
步骤S2,输入归一化处理:从训练集中随机选取一个输入模式并进行归一化处理,得到训练集的归一化结果U1;
步骤S3,搜寻获胜节点:计算P1与U1的点积,选择出最大点积值的获胜节点q1,如果跳过步骤S1中的归一化步骤,利用欧氏距离搜索出距离最小的获胜节点;
步骤S4,定义优胜领域:以q1为中心确定时间T的权值调整范围,通常初始领域O较大,训练过程中领域会不断收缩;
步骤S5,调整权值:调整优胜领域O内所有节点的权值:
W(T+1)=W(T)+N(T,n)[pa-W(T)]
其中,W(T)是初始节点权值,W(T+1)调节后的权值,N(T,n)是训练时间T和邻域内第q个神经元与获胜神经元q*之间的拓扑距离的单调下降退火函数,其中T与其成n成反比,n与其成正比;
步骤S6,结束检索:当学习率减小到0或某个极小值的情况下,则从步骤2开始重复进行,直到特征映射逐渐趋于稳定完成模型的建立;
该学习率决定着目标函数能否收敛到局部最小值以及何时收敛到最小值,学习率会影响收敛速度,可以定义一个动态的学习率,随着迭代次数的增加而收敛。学习率为:
L(i)=max L-((i+1)·(max L-min L))/MaxN
其中,max L为最大学习率,minL为最小学习率,MaxN为最大迭代次数,i为当前迭代次数;
利用测试集对建立异常情况识别模型进行识别;得到正常与异常生理指标样本的辨识。
SOM是基于无监督学习,这意味着训练阶段不需要人工介入(即不需要样本标签),可以在不知道类别的情况下,对数据进行聚类,可以识别针对某问题具有内在关联的特征。
人工智能和机器学习算法作为矿工职业病检测方法的一种新工具,可实现职业病的早期检测与筛查,为后期职业病的治疗提供辅助诊断。
局部线性嵌入(LLE)算法是无监督非线性降维算法,是流行学习的一种,能够解决线性数据降维的局限性,还完全无参数限制,不需要人为的设定参数或是根据任何经验模型对计算进行干预,且计算复杂度较小。
自组织映射神经网络(SOM)可以在不知道样本标签的情况下通过对数据多次分析与比较,对具有共同特征的样本进行正确的分类。
LLE与SOM相结合用于异常矿工体检数据的辨识,可以在无需样本标签的情况下,用较少的重要生理指标实现正常与异常生理指标样本的辨识。
以上实施例仅仅是对本发明的举例说明,并不构成对本发明的保护范围的限制,凡是与本发明相同或相似的设计均属于本发明的保护范围之内。
Claims (6)
1.一种基于LLE结合SOM的矿工体检情况辨识方法,其特征在于:
采集人体各项生理指标数据;
按照LLE算法选择出采集的生理指标数据中重要体检生理指标;
将选择出重要体检生理指标随机划分为训练集和测试集;
利用训练集数据作为SOM算法的输入,建立体检数据异常情况识别模型;
利用测试集对建立异常情况识别模型进行识别;得到正常与异常生理指标样本的辨识。
2.根据权利要求1所述的基于LLE结合SOM的矿工体检情况辨识方法,其特征在于,所述LLE算法按照如下方法进行:
计算出采集到的人体各项生理指标数据样本点的k个近邻点,将该k个近邻点作为最初提供的值;
计算出采集到的人体各项生理指标数据样本点的局部重建权值矩阵X,描述重构误差:
δ(X)=∑|Yi-∑XijYj|2
其中,Yi代表i个样本,Xij表示权重系数;
局部协方差矩阵S:
此时的目标函数为:
可得:
wj表示权重系数向量,C代表局部协方差矩阵;
将采集到的人体各项生理指标数据样本点映射到低维空间,映射条件满足如下:
minφ(I)=∑|Ii-∑jXijIj|2
得到最终解为:MI=λI
其中,I为M的最小m个非零特征值所对应的特征向量,λ为特征系数,M为对应的低维样本矩阵。
3.根据权利要求1所述的基于LLE结合SOM的矿工体检情况辨识方法,其特征在于,所述SOM算法如下:
步骤S1,初始化:对输出层的权向量代入小随机数,并对这些数进行归一化处理,得到权向量代入小随机数的归一化结果P1,同时建立初始优胜领域,初始化学习率的初值;
步骤S2,输入归一化处理:从训练集中随机选取一个输入模式并进行归一化处理,得到训练集的归一化结果U1;
步骤S3,搜寻获胜节点:计算P1与U1的点积,选择出最大点积值的获胜节点q1,如果跳过步骤S1中的归一化步骤,利用欧氏距离搜索出距离最小的获胜节点;
步骤S4,定义优胜领域:以q1为中心确定时间T的权值调整范围,通常初始领域O较大,训练过程中领域会不断收缩;
步骤S5,调整权值:调整优胜领域O内所有节点的权值:
W(T+1)=W(T)+N(T,n)[pa-W(T)]
其中,W(T)是初始节点权值,W(T+1)调节后的权值,N(T,n)是训练时间T和邻域内第q个神经元与获胜神经元q*之间的拓扑距离的单调下降退火函数,其中T与其成n成反比,n与其成正比;
步骤S6,结束检索:当学习率减小到0或某个极小值的情况下,则从步骤2开始重复进行,直到特征映射逐渐趋于稳定。
4.根据权利要求2所述的基于LLE结合SOM的矿工体检情况辨识方法,其特征在于,将所有样本点的欧式距离最近的k个样本点作为所述计算样本点的k个近邻点。
5.根据权利要求1所述的基于LLE结合SOM的矿工体检情况辨识方法,其特征在于,采集到的人体各项生理指标数据为:高压、低压、心率、血氧、体温和肺活量。
6.根据权利要求5所述的基于LLE结合SOM的矿工体检情况辨识方法,其特征在于,采集人体各项生理指标数据是通过人体体检系统进行采集,该人体采集系统包括电源模块、生理指标检测传感器、微控制器、无线传输器和上位机;所述生理指标检测传感器与微控制器通讯连接,所述微控制器与上位机通过无线传输器通讯连接,所述电源模块对整个系统进行供电。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110466396.9A CN113113148A (zh) | 2021-04-28 | 2021-04-28 | 一种基于lle结合som的矿工体检情况辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110466396.9A CN113113148A (zh) | 2021-04-28 | 2021-04-28 | 一种基于lle结合som的矿工体检情况辨识方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113113148A true CN113113148A (zh) | 2021-07-13 |
Family
ID=76720442
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110466396.9A Pending CN113113148A (zh) | 2021-04-28 | 2021-04-28 | 一种基于lle结合som的矿工体检情况辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113113148A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113707320A (zh) * | 2021-08-30 | 2021-11-26 | 安徽理工大学 | 一种基于相关性分析的en结合mpa-svm的异常体征矿工判别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102682089A (zh) * | 2012-04-24 | 2012-09-19 | 浙江工业大学 | 一种利用鉴别随机邻域嵌入分析的数据降维方法 |
US20160223548A1 (en) * | 2015-01-30 | 2016-08-04 | Toto Ltd. | Biological information measurement system |
CN108460391A (zh) * | 2018-03-09 | 2018-08-28 | 西安电子科技大学 | 基于生成对抗网络的高光谱图像无监督特征提取方法 |
CN111613340A (zh) * | 2020-05-21 | 2020-09-01 | 安徽理工大学 | 矿工健康评估方法及系统 |
CN112365992A (zh) * | 2020-11-27 | 2021-02-12 | 安徽理工大学 | 一种基于nrs-lda的医疗体检数据识别分析方法 |
-
2021
- 2021-04-28 CN CN202110466396.9A patent/CN113113148A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102682089A (zh) * | 2012-04-24 | 2012-09-19 | 浙江工业大学 | 一种利用鉴别随机邻域嵌入分析的数据降维方法 |
US20160223548A1 (en) * | 2015-01-30 | 2016-08-04 | Toto Ltd. | Biological information measurement system |
CN108460391A (zh) * | 2018-03-09 | 2018-08-28 | 西安电子科技大学 | 基于生成对抗网络的高光谱图像无监督特征提取方法 |
CN111613340A (zh) * | 2020-05-21 | 2020-09-01 | 安徽理工大学 | 矿工健康评估方法及系统 |
CN112365992A (zh) * | 2020-11-27 | 2021-02-12 | 安徽理工大学 | 一种基于nrs-lda的医疗体检数据识别分析方法 |
Non-Patent Citations (2)
Title |
---|
张志昊: "面向深度学习安全的对抗样本研究及其利用", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》 * |
谢世鹏: "基于视觉的连续体机器人形状检测研究", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113707320A (zh) * | 2021-08-30 | 2021-11-26 | 安徽理工大学 | 一种基于相关性分析的en结合mpa-svm的异常体征矿工判别方法 |
CN113707320B (zh) * | 2021-08-30 | 2023-08-11 | 安徽理工大学 | 一种基于相关性分析的en结合mpa-svm的异常体征矿工判别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116705337B (zh) | 一种健康数据采集及智能分析方法 | |
US10503967B2 (en) | Fast behavior and abnormality detection | |
CN109009017B (zh) | 一种智能健康监测系统及其数据处理方法 | |
CN109612513B (zh) | 一种面向大规模高维传感器数据的在线式异常检测方法 | |
CN111046731B (zh) | 基于表面肌电信号进行手势识别的迁移学习方法和识别方法 | |
CN109512390B (zh) | 基于eeg时域多维度特征及m-wsvm的睡眠分期方法及可穿戴装置 | |
Wen et al. | Classification of ECG complexes using self-organizing CMAC | |
CN117598700B (zh) | 智能化血氧饱和度检测系统及方法 | |
CN116404186B (zh) | 一种功率型锂锰电池生产系统 | |
CN113113148A (zh) | 一种基于lle结合som的矿工体检情况辨识方法 | |
CN113707317B (zh) | 一种基于混合模型的疾病危险因素重要性分析方法 | |
CN110522446A (zh) | 一种准确性高实用性强的脑电信号分析方法 | |
CN109033990B (zh) | 基于类内类间距离的cnn模型心拍分类方法 | |
CN117807551A (zh) | 基于智能戒指的心率异常捕获方法及系统 | |
CN112084935B (zh) | 一种基于扩充高质量脑电样本的情绪识别方法 | |
Dhanka et al. | A comparative assessment of machine learning techniques for epilepsy detection using eeg signal | |
CN117237706A (zh) | 基于姿态特征的施工人员重度疲劳检测方法 | |
CN111709441A (zh) | 基于改进特征子集区分度的行为识别特征选择方法 | |
CN114464317A (zh) | 基于伪项识别融合与hmm算法的睡眠姿势分类方法 | |
CN115115038A (zh) | 一种基于单导联心电信号的模型构建方法及性别识别方法 | |
CN115129503A (zh) | 一种设备故障数据清洗方法及系统 | |
CN112365992A (zh) | 一种基于nrs-lda的医疗体检数据识别分析方法 | |
CN109426827B (zh) | 一种多模态传感器协同感知方法及系统 | |
CN111513702A (zh) | 心电数据的检测方法及存储介质 | |
CN112632466A (zh) | 一种基于主成分分析和深度双向长短时记忆网络的轴承故障预测方法 |
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: 20210713 |