CN113133768A - 基于联邦学习的心血管疾病辅助诊断模型及训练方法 - Google Patents
基于联邦学习的心血管疾病辅助诊断模型及训练方法 Download PDFInfo
- Publication number
- CN113133768A CN113133768A CN202110432117.7A CN202110432117A CN113133768A CN 113133768 A CN113133768 A CN 113133768A CN 202110432117 A CN202110432117 A CN 202110432117A CN 113133768 A CN113133768 A CN 113133768A
- Authority
- CN
- China
- Prior art keywords
- model
- federal learning
- ecgnet
- training
- 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
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了基于联邦学习的心血管疾病辅助诊断模型及训练方法,包括以下步骤:S1、通过便携式设备联邦模型对便携式设备的心电数据和特征训练,生成便携式设备全局模型;S2、通过联邦学习客户端采集心电数据、提取心电特征和建立EcgNet局部模型;S3、通过联邦学习系统完成EcgNet全局模型训练,并融合便携式全局模型参数,生成最终模型。本发明中,通过对三甲医院的丰富的心电数据和心电特征的联邦训练得到EcgNet全局模型,不需要对数据集中处理,医疗数据处于严格保密状态,不涉及隐私问题,上传至医疗云服务中心的EcgNet全局模型,可提供区域内基层医疗机构下载使用,提升了医联体内其他医疗节点模型的推断水平。
Description
技术领域
本发明涉及心血管疾病辅助诊断技术领域,尤其涉及基于联邦学习的心血管疾病辅助诊断模型及训练方法。
背景技术
普通二线及以下的医疗机构因为病患数量偏少,且临床医生专业技能相对不足,无法较好地对病患做出诊断,目前,深度卷积网络是目前主流的ECG数据分类方法,心电信号中的异常往往出现在整段信号的某个局部区域,卷积神经网络(CNN)擅长于挖掘空间特征,构建一个深度卷积网络可以将一系列ECG样本映射到一系列心律失常数据中,较常用的神经网络结构如RESNET,DENSENET等,网络以原始ECG信号的时间序列作为输入,全连接层和softmax映射结果为输出,深度学习方法能够构建深层次的特征提取和表达,构建更好的输入输出映射关系,辅助于医生做出医疗诊断。
然而,但是这类方法均需要集中大量的心血管疾病类训练数据用于模型训练,分类效果受限于数据规模,数据集中处理受限于医疗数据隐私问题,且三甲医院的数据无法直接提供给普通医院用于模型训练,扩充数据需要先解决医疗隐私问题,因此,本发明提出基于联邦学习的心血管疾病辅助诊断模型及训练方法,解决因数据集中带来的医疗隐私问题。
本发明为了解决上述背景技术中所提到的问题,而提出的基于联邦学习的心血管疾病辅助诊断模型及训练方法。
为了实现上述目的,本发明采用了如下技术方案:
基于联邦学习的心血管疾病辅助诊断模型的训练方法,其特征在于,包括以下步骤:
S1、通过便携式设备联邦模型系统对便携式设备的心电数据和心电特征进行训练,生成便携式设备的全局模型;
S2、通过多个联邦学习客户端采集心电数据、提取心电特征和建立多个EcgNet局部分类模型;
S3、通过联邦学习服务端对多个EcgNet局部分类模型参数进行融合和处理,并将处理后的模型参数反馈至每个联邦学习客户端;
S31、通过模型参数采集模块对多个EcgNet局部分类模型参数进行采集;
S32、通过模型参数处理模块对模型参数进行自适应融合处理;
S321、模型参数处理模块对初次接收的模型参数进行均值化处理,即
其中,P-联邦学习服务端下发至联邦学习客户端的首轮初始模型参数;Pi-联邦学习客户端上传给服务端的模型参数;n-联邦学习客户端的数量;
S322、联邦学习客户端在接收新的心电数据和提取新的心电特征对EcgNet全局分类模型进行迭代训练时,模型参数处理模块对联邦学习客户端上传的新的模型参数进行自适应权重处理,即:
ai=f(l1,l2,l3…ln);
li=lossi-loss(i-1);
其中,P'-经迭代训练后联邦学习服务端下发给客户端的模型参数,ai-各联邦学习客户端的自适应参数,f-根据各联邦学习客户端的收敛情况计算各联邦学习客户端的自适应参数的函数,l-表征收敛度,联邦学习客户端本轮迭代和上轮迭代的损失差,用来表示各联邦学习客户端的收敛情况,lossi-EcgNet全局分类模型第i次迭代时损失函数的值;
S4、深度学习模型在后续迭代训练中进行自适应的参数融合,并生成全局模型,然后融合便携式设备联邦模型的模型参数,建立EcgNet全局分类模型。
S5、通过联邦学习服务端将EcgNet全局分类模型上传至医疗云服务中心,公开EcgNet全局分类模型,即基于联邦学习的心血管疾病辅助诊断模型。
本发明进一步改进在于:
所述联邦学习客户端包括心电数据采集模块、心电数据预处理模块、心电数特征提取模块和深度学习模型结构。
本发明进一步改进在于:所述联邦学习服务端包括模型参数采集模块和模型参数处理模块。
本发明进一步改进在于:在步骤S2中,所述联邦学习客户端采集心电数据、提取心电特征和训练建立EcgNet局部分类模型的具体步骤如下:
S21、通过心电采集模块采集心电数据;
S22、通过心电数据预处理模块对心电数据进行预处理,包括小波去噪、低通滤波器、陷波器和数据标准化;
S23、通过心电特征提取模块提取心电特征;
S24、通过深度学习模型结构经过心电数据和心电特征的多次训练建立EcgNet局部分类模型。
本发明进一步改进在于:在步骤S22中,通过所述心电数据预处理模块对心电数据进行预处理的具体步骤如下:
S221、小波去噪工作对心电数据进行了8重的小波分解,除去了最高的3层,分解后的小波系数又进行了小波重构;
S222、低通滤波器对心电数据进行滤波处理,所述低通滤波器的截止频率为2Hz。
本发明进一步改进在于:所述步骤S22陷波器为50Hz。
本发明进一步改进在于:所述心电特征包括使用小波变换对单导联ECG滤波后,以II导联为基准,对一条记录的HRV特征提取,共提取了12联导每一联导的RR间期标准差、最大RR间期、最小RR间期、平均RR间期、R波密度、pNN50、RMSSD、RR间期采样熵、最大RR间期和最小RR间期的差值共9个特征和心电图机采集的全局特征。
本发明进一步改进在于:所述心电图机采集的全局特征包括QT间期、PP间期、RR间期、QRS波宽度、T电轴、V1导联S波幅度、V5导联R波幅度、心房率、心室率、QTc间期、P波宽度、PR间期、P电轴和R电轴共14维的全局特征。
本发明进一步改进在于:在步骤S31中,若某个联邦学习客户端与联邦学习服务端之间的通讯中断,通过所述模型参数采集模块发出参数丢失指令,模型参数处理模块接收指令进行解析,并将该联邦学习服务端的自适应参数调整为零。
本发明进一步改进在于:基于联邦学习的心血管疾病辅助诊断模型,其特征在于,包括EcgNet全局分类模型,所述EcgNet全局分类模型包括240个卷积结构,所述EcgNet全局分类模型输入包括:心电波形数据和心电提炼特征,模型输出为心血管疾病辅助诊断结果。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
1、本发明中,通过利用三甲医院的丰富的心电数据和心电特征通过联邦训练得到EcgNet全局分类模型,不需要对数据进行集中处理,医疗数据处于严格保密状态,不涉及隐私问题的同时,且上传至医疗云服务中心的EcgNet全局分类模型,提供区域医疗内基层医疗机构下载使用,又提升了医联体内其他医疗节点的推断水平。
2、联邦学习客户端在进行心电数据和心电特征的迭代训练时,由于各联邦学习客户端的模型收敛情况不同,对于训练效果更好的联邦学习客户端,在模型参数融合时应给与更高的融合权重,通过各联邦学习客户端的自适应参数的调整,来判断各联邦学习客户端的训练数据的参考价值,如果ai变化小,说明该联邦学习客户端训练数据的提升幅度不大,参考价值较低,降低该客户端的自适应参数,同理,若ai变化大,说明该联邦学习客户端训练数据的提升幅度较大,参考价值较高,提高该客户端的自适应参数。
3、本发明中,若某个联邦学习客户端与联邦学习服务端之间的通讯中断,通过模型参数采集模块发出参数丢失指令,模型参数处理模块接收指令进行解析,并将该联邦学习服务端的自适应参数调整为零,避免出现未某客户端未上传模型参数,而其自适应参数ai仍然较大,而降低EcgNet全局分类模型的训练效果的问题,其次,虽然通讯中断,但是该联邦学习服务端可继续在本地接收新的心电数据和心电特征自行训练,待该联邦训练客户端与服务端的通讯连通,该联邦学习客户端的模型参数重新上传到联邦学习服务端。
4、本发明中,便携式设备采集的心电数据和心电特征等由于数据量较少,设备性能较低,不适宜直接参与总联邦学习系统进行训练,通过便携式设备联邦模型的建立,生成便携式设备全局模型,通过参数融合方法加入到总联邦学习系统中,提升EcgNet全局模型对便携式设备的推断能力。
附图说明
图1示出了根据本发明实施例提供的基于联邦学习的心血管疾病辅助诊断模型的训练方法的流程示意图;
图2示出了根据本发明实施例提供的建立便携式设备联邦模型的流程示意图;
图3示出了根据本发明实施例提供的基于联邦学习的心血管疾病辅助诊断模型的训练方法的结构示意图。
具体实施方式
下面结合附图和具体实施方式,进一步阐明本发明,应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。需要说明的是,下面描述中使用的词语“前”、“后”、“左”、“右”、“上”和“下”指的是附图中的方向,词语“内”和“外”分别指的是朝向或远离特定部件几何中心的方向。
实施例一
请参阅图1-3,本发明提供技术方案:基于联邦学习的心血管疾病辅助诊断模型的训练方法,包括以下步骤:
S1、通过便携式设备联邦模型建立系统对便携式设备的心电数据和心电特征进行训练,生成便携式设备的全局模型,其中,便携式设备联邦模型的训练过程与EcgNet全局分类模型的训练过程一致;
S2、通过多个联邦学习客户端采集心电数据、提取心电特征和训练建立多个EcgNet局部分类模型;
具体的,联邦学习客户端包括心电数据采集模块、心电数据预处理模块、心电数特征提取模块和深度学习模型结构;
联邦学习客户端采集心电数据、提取心电特征和训练建立EcgNet局部分类模型的具体步骤如下:
S21、通过心电采集模块采集心电数据;
S22、通过心电数据预处理模块对心电数据进行预处理,包括小波去噪、低通滤波器、陷波器和数据标准化,陷波器为50Hz;
通过心电数据预处理模块对心电数据进行预处理的具体步骤如下:
S221、小波去噪工作对心电数据进行了8重的小波分解,除去了最高的3层,分解后的小波系数又进行了小波重构;
S222、低通滤波器对心电数据进行滤波处理,低通滤波器的截止频率为2Hz;
S23、通过心电特征提取模块提取心电特征;
具体的,心电特征包括使用小波变换对单导联ECG滤波后,以II导联为基准,对一条记录的HRV特征提取,共提取了12联导每一联导的RR间期标准差、最大RR间期、最小RR间期、平均RR间期、R波密度、pNN50、RMSSD、RR间期采样熵、最大RR间期和最小RR间期的差值共9个特征和心电图机采集的全局特征,心电图机采集的全局特征包括QT间期、PP间期、RR间期、QRS波宽度、T电轴、V1导联S波幅度、V5导联R波幅度、心房率、心室率、QTc间期、P波宽度、PR间期、P电轴和R电轴共14维的全局特征;
S24、通过深度学习模型结构经过心电数据和心电特征的多次训练建立EcgNet局部分类模型;
S3、通过联邦学习服务端对多个EcgNet局部分类模型参数进行融合和处理,并将处理后的模型参数反馈至每个联邦学习客户端;
具体的,联邦学习服务端包括模型参数采集模块和模型参数处理模块;
S31、通过模型参数采集模块对多个EcgNet局部分类模型参数进行采集;
S32、通过模型参数处理模块对模型参数进行自适应融合处理;
S321、模型参数处理模块对初次接收的模型参数进行均值化处理,即
其中,P-联邦学习服务端下发至联邦学习客户端的首轮初始模型参数;Pi-联邦学习客户端上传给服务端的模型参数;n-联邦学习客户端的数量;
S322、联邦学习客户端在接收新的心电数据和提取新的心电特征对EcgNet全局分类模型进行迭代训练时,模型参数处理模块对联邦学习客户端上传的新的模型参数进行自适应权重处理,即:
ai=f(l1,l2,l3…ln);
li=lossi-loss(i-1);
其中,P'-经迭代训练后联邦学习服务端下发给客户端的模型参数,ai-各联邦学习客户端的自适应参数,f-根据各联邦学习客户端的收敛情况计算各联邦学习客户端的自适应参数的函数,l-表征收敛度,联邦学习客户端本轮迭代和上轮迭代的损失差,用来表示各联邦学习客户端的收敛情况,lossi-EcgNet全局分类模型第i次迭代时损失函数的值;
S4、深度学习模型在后续迭代训练中进行自适应的参数融合,并生成全局模型,然后融合便携式设备联邦模型的模型参数,建立EcgNet全局分类模型;
S5、通过联邦学习服务端将EcgNet全局分类模型上传至医疗云服务中心,公开EcgNet全局分类模型,即基于联邦学习的心血管疾病辅助诊断模型。
本发明主要应用于区域医疗联合体中的医疗信息化工作,所谓区域医疗联合体是指:是将同一个区域内的医疗资源整合在一起,通常由一个区域内的三级医院与二级医院、社区医院、村医院组成一个医疗联合体,其次,利用三甲医院的丰富的心电数据和心电特征,通过联邦训练得到EcgNet全局分类模型,不需要对数据进行集中处理,医疗数据处于严格保密状态,不涉及隐私问题的同时,且上传至医疗云服务中心的EcgNet全局分类模型,提供区域医疗内基层医疗机构下载使用,又提升了医联体内其他医疗节点的推断水平;
其中,联邦学习客户端在进行心电数据和心电特征的迭代训练时,由于各联邦学习客户端的模型收敛情况不同,对于训练效果更好的联邦学习客户端,在模型参数融合时应给与更高的融合权重,通过各联邦学习客户端的自适应参数的调整,来判断各联邦学习客户端的训练数据的参考价值,如果ai变化小,说明该联邦学习客户端训练数据的提升幅度不大,参考价值较低,降低该客户端的自适应参数,同理,若ai变化大,说明该联邦学习客户端训练数据的提升幅度较大,参考价值较高,提高该客户端的自适应参数;
其中,在步骤S31中,若某个联邦学习客户端与联邦学习服务端之间的通讯中断,通过模型参数采集模块发出参数丢失指令,模型参数处理模块接收指令进行解析,并将该联邦学习服务端的自适应参数调整为零,避免出现未某客户端未上传模型参数,而其自适应参数ai仍然较大,而降低EcgNet全局分类模型的训练效果的问题,其次,虽然通讯中断,但是该联邦学习服务端可继续在本地接收新的心电数据和心电特征自行训练,待该联邦训练客户端与服务端的通讯连通,该联邦学习客户端的模型参数重新上传到联邦学习服务端,进入EcgNet全局分类模型的训练过程中;
其中,便携式设备采集的心电数据和心电特征等由于数据量较少,设备性能较低,不适宜直接参与总联邦学习系统进行训练,通过便携式设备联邦模型的建立,生成便携式设备全局模型,通过参数融合方法加入到总联邦学习系统中,提升EcgNet全局模型对便携式设备的推断能力;
其中,在使用不同的心电图机采集心电特征时,如利用谷山丰心电图机和GE心电图机时,本发明通过在医学语义的指导下,定位不同设备采集的心电特征中的关键波形,基于关键波形完成不同心电图机采集的心电特征的迁移学习,使得得到的EcgNet全局分类模型可以适用于不同设备提取的心电特征的训练使用,避免由于不同采集设备采集的心电特征存在较大差异,导致不同设备采集的心电特征最终训练得到的EcgNet全局分类模型不能通用的问题;
其中,当EcgNet全局分类模型构建完全后,后期各联邦学习客户端在利用新的心电数据和心电特征训练EcgNet全局分类模型时,考虑到各联邦学习客户端训练数据的不均衡问题,利用EcgNet全局分类模型新的训练数据进行预测,若EcgNet全局分类模型表明已含有该类数据,则不进行EcgNet全局分类模型的再次训练,而对于EcgNet全局分类模型中未含有的数据,则通过联邦学习训练EcgNet全局分类模型,得到更新后的EcgNet全局分类模型,不断扩大保证EcgNet全局分类模型,提高EcgNet全局分类模型的应用效果。
基于联邦学习的心血管疾病辅助诊断模型,其特征在于,包括EcgNet全局分类模型,所述EcgNet全局分类模型包括240个卷积结构,所述EcgNet全局分类模型输入包括:心电波形数据和心电提炼特征,模型输出为心血管疾病辅助诊断结果。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (10)
1.基于联邦学习的心血管疾病辅助诊断模型的训练方法,其特征在于,包括以下步骤:
S1、通过便携式设备联邦模型系统对便携式设备的心电数据和心电特征进行训练,生成便携式设备的全局模型;
S2、通过多个联邦学习客户端采集心电数据、提取心电特征和建立多个EcgNet局部分类模型;
S3、通过联邦学习服务端对多个EcgNet局部分类模型参数进行融合和处理,并将处理后的模型参数反馈至每个联邦学习客户端;
S31、通过模型参数采集模块对多个EcgNet局部分类模型参数进行采集;
S32、通过模型参数处理模块对模型参数进行自适应融合处理;
S321、模型参数处理模块对初次接收的模型参数进行均值化处理,即
其中,P-联邦学习服务端下发至联邦学习客户端的首轮初始模型参数;Pi-联邦学习客户端上传给服务端的模型参数;n-联邦学习客户端的数量;
S322、联邦学习客户端在接收新的心电数据和提取新的心电特征对EcgNet全局分类模型进行迭代训练时,模型参数处理模块对联邦学习客户端上传的新的模型参数进行自适应权重处理,即:
ai=f(l1,l2,l3…ln);
li=lossi-loss(i-1);
其中,P'-经迭代训练后联邦学习服务端下发给客户端的模型参数,ai-各联邦学习客户端的自适应参数,f-根据各联邦学习客户端的收敛情况计算各联邦学习客户端的自适应参数的函数,l-表征收敛度,联邦学习客户端本轮迭代和上轮迭代的损失差,用来表示各联邦学习客户端的收敛情况,lossi-EcgNet全局分类模型第i次迭代时损失函数的值;
S4、深度学习模型在后续迭代训练中进行自适应的参数融合,并生成全局模型,然后融合便携式设备联邦模型的模型参数,建立EcgNet全局分类模型;
S5、通过联邦学习服务端将EcgNet全局分类模型上传至医疗云服务中心,公开EcgNet全局分类模型,即基于联邦学习的心血管疾病辅助诊断模型。
2.根据权利要求1所述的基于联邦学习的心血管疾病辅助诊断模型的训练方法,其特征在于,所述联邦学习客户端包括心电数据采集模块、心电数据预处理模块、心电数特征提取模块和深度学习模型结构。
3.根据权利要求1所述的基于联邦学习的心血管疾病辅助诊断模型的训练方法,其特征在于,所述联邦学习服务端包括模型参数采集模块和模型参数处理模块。
4.根据权利要求1所述的基于联邦学习的心血管疾病辅助诊断模型的训练方法,其特征在于,在步骤S2中,所述联邦学习客户端采集心电数据、提取心电特征和训练建立EcgNet局部分类模型的具体步骤如下:
S21、通过心电采集模块采集心电数据;
S22、通过心电数据预处理模块对心电数据进行预处理,包括小波去噪、低通滤波器、陷波器和数据标准化;
S23、通过心电特征提取模块提取心电特征;
S24、通过深度学习模型结构经过心电数据和心电特征的多次训练建立EcgNet局部分类模型。
5.根据权利要求4所述的基于联邦学习的心血管疾病辅助诊断模型的训练方法,其特征在于,在步骤S22中,通过所述心电数据预处理模块对心电数据进行预处理的具体步骤如下:
S221、小波去噪工作对心电数据进行了8重的小波分解,除去了最高的3层,分解后的小波系数又进行了小波重构;
S222、低通滤波器对心电数据进行滤波处理,所述低通滤波器的截止频率为2Hz。
6.根据权利要求4所述的基于联邦学习的心血管疾病辅助诊断模型的训练方法,其特征在于,所述步骤S22中陷波器为50Hz。
7.根据权利要求4所述的基于联邦学习的心血管疾病辅助诊断模型的训练方法,其特征在于,所述心电特征包括使用小波变换对单导联ECG滤波后,以II导联为基准,对一条记录的HRV特征提取,共提取了12联导每一联导的RR间期标准差、最大RR间期、最小RR间期、平均RR间期、R波密度、pNN50、RMSSD、RR间期采样熵、最大RR间期和最小RR间期的差值共9个特征和心电图机采集的全局特征。
8.根据权利要求7所述的基于联邦学习的心血管疾病辅助诊断模型的训练方法,其特征在于,所述心电图机采集的全局特征包括QT间期、PP间期、RR间期、QRS波宽度、T电轴、V1导联S波幅度、V5导联R波幅度、心房率、心室率、QTc间期、P波宽度、PR间期、P电轴和R电轴共14维的全局特征。
9.根据权利要求1所述的基于联邦学习的心血管疾病辅助诊断模型的训练方法,其特征在于,在步骤S31中,若某个联邦学习客户端与联邦学习服务端之间的通讯中断,通过所述模型参数采集模块发出参数丢失指令,模型参数处理模块接收指令进行解析,并将该联邦学习服务端的自适应参数调整为零。
10.基于联邦学习的心血管疾病辅助诊断模型,其特征在于,包括EcgNet全局分类模型,所述EcgNet全局分类模型包括240个卷积结构,所述EcgNet全局分类模型输入包括:心电波形数据和心电提炼特征,模型输出为心血管疾病辅助诊断结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110432117.7A CN113133768A (zh) | 2021-04-21 | 2021-04-21 | 基于联邦学习的心血管疾病辅助诊断模型及训练方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110432117.7A CN113133768A (zh) | 2021-04-21 | 2021-04-21 | 基于联邦学习的心血管疾病辅助诊断模型及训练方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113133768A true CN113133768A (zh) | 2021-07-20 |
Family
ID=76813120
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110432117.7A Pending CN113133768A (zh) | 2021-04-21 | 2021-04-21 | 基于联邦学习的心血管疾病辅助诊断模型及训练方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113133768A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113571169A (zh) * | 2021-09-23 | 2021-10-29 | 杭州医康慧联科技股份有限公司 | 医疗数据管理方法、装置、电子设备和存储介质 |
CN113657607A (zh) * | 2021-08-05 | 2021-11-16 | 浙江大学 | 一种面向联邦学习的连续学习方法 |
CN113792856A (zh) * | 2021-09-09 | 2021-12-14 | 电子科技大学 | 基于vae医疗保健联邦学习框架的确定方法 |
CN116741388A (zh) * | 2023-08-14 | 2023-09-12 | 中国人民解放军总医院 | 基于联邦学习构建心血管急危重症大模型的方法 |
CN116936048A (zh) * | 2023-07-04 | 2023-10-24 | 吉林大学 | 异构医疗信息的联邦学习医院选择方法、设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110444263A (zh) * | 2019-08-21 | 2019-11-12 | 深圳前海微众银行股份有限公司 | 基于联邦学习的疾病数据处理方法、装置、设备及介质 |
CN110516161A (zh) * | 2019-08-30 | 2019-11-29 | 深圳前海微众银行股份有限公司 | 一种推荐方法及装置 |
CN110929880A (zh) * | 2019-11-12 | 2020-03-27 | 深圳前海微众银行股份有限公司 | 一种联邦学习方法、装置及计算机可读存储介质 |
CN111275188A (zh) * | 2020-01-20 | 2020-06-12 | 深圳前海微众银行股份有限公司 | 横向联邦学习系统优化方法、设备及可读存储介质 |
CN111291897A (zh) * | 2020-02-10 | 2020-06-16 | 深圳前海微众银行股份有限公司 | 基于半监督的横向联邦学习优化方法、设备及存储介质 |
CN111950740A (zh) * | 2020-07-08 | 2020-11-17 | 光之树(北京)科技有限公司 | 联邦学习模型的训练方法及装置 |
CN112102939A (zh) * | 2020-07-24 | 2020-12-18 | 西安电子科技大学 | 心脑血管疾病参考信息预测系统、方法、装置及电子设备 |
CN112617855A (zh) * | 2020-12-31 | 2021-04-09 | 平安科技(深圳)有限公司 | 基于联邦学习的心电图分析方法、装置及相关设备 |
-
2021
- 2021-04-21 CN CN202110432117.7A patent/CN113133768A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110444263A (zh) * | 2019-08-21 | 2019-11-12 | 深圳前海微众银行股份有限公司 | 基于联邦学习的疾病数据处理方法、装置、设备及介质 |
CN110516161A (zh) * | 2019-08-30 | 2019-11-29 | 深圳前海微众银行股份有限公司 | 一种推荐方法及装置 |
CN110929880A (zh) * | 2019-11-12 | 2020-03-27 | 深圳前海微众银行股份有限公司 | 一种联邦学习方法、装置及计算机可读存储介质 |
CN111275188A (zh) * | 2020-01-20 | 2020-06-12 | 深圳前海微众银行股份有限公司 | 横向联邦学习系统优化方法、设备及可读存储介质 |
CN111291897A (zh) * | 2020-02-10 | 2020-06-16 | 深圳前海微众银行股份有限公司 | 基于半监督的横向联邦学习优化方法、设备及存储介质 |
CN111950740A (zh) * | 2020-07-08 | 2020-11-17 | 光之树(北京)科技有限公司 | 联邦学习模型的训练方法及装置 |
CN112102939A (zh) * | 2020-07-24 | 2020-12-18 | 西安电子科技大学 | 心脑血管疾病参考信息预测系统、方法、装置及电子设备 |
CN112617855A (zh) * | 2020-12-31 | 2021-04-09 | 平安科技(深圳)有限公司 | 基于联邦学习的心电图分析方法、装置及相关设备 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113657607A (zh) * | 2021-08-05 | 2021-11-16 | 浙江大学 | 一种面向联邦学习的连续学习方法 |
CN113657607B (zh) * | 2021-08-05 | 2024-03-22 | 浙江大学 | 一种面向联邦学习的连续学习方法 |
CN113792856A (zh) * | 2021-09-09 | 2021-12-14 | 电子科技大学 | 基于vae医疗保健联邦学习框架的确定方法 |
CN113792856B (zh) * | 2021-09-09 | 2022-06-10 | 电子科技大学 | 基于vae医疗保健联邦学习框架的确定方法 |
CN113571169A (zh) * | 2021-09-23 | 2021-10-29 | 杭州医康慧联科技股份有限公司 | 医疗数据管理方法、装置、电子设备和存储介质 |
CN116936048A (zh) * | 2023-07-04 | 2023-10-24 | 吉林大学 | 异构医疗信息的联邦学习医院选择方法、设备及存储介质 |
CN116936048B (zh) * | 2023-07-04 | 2024-03-19 | 吉林大学 | 异构医疗信息的联邦学习医院选择方法、设备及存储介质 |
CN116741388A (zh) * | 2023-08-14 | 2023-09-12 | 中国人民解放军总医院 | 基于联邦学习构建心血管急危重症大模型的方法 |
CN116741388B (zh) * | 2023-08-14 | 2023-11-21 | 中国人民解放军总医院 | 基于联邦学习构建心血管急危重症大模型的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113133768A (zh) | 基于联邦学习的心血管疾病辅助诊断模型及训练方法 | |
EP3933551A1 (en) | Motor imagery electroencephalogram signal processing method, device, and storage medium | |
WO2019100562A1 (zh) | 基于人工智能的心电图心搏自动识别分类方法 | |
US20230143594A1 (en) | Systems and methods for reduced lead electrocardiogram diagnosis using deep neural networks and rule-based systems | |
CN113065526B (zh) | 一种基于改进深度残差分组卷积网络的脑电信号分类方法 | |
CN109259756B (zh) | 基于非平衡训练的二级神经网络的ecg信号处理方法 | |
CN110389663B (zh) | 一种基于小波宽度学习系统的sEMG手势识别方法 | |
CN111956208B (zh) | 一种基于超轻量级卷积神经网络的ecg信号分类方法 | |
CN110720894A (zh) | 一种心房扑动的检测方法、装置、设备及存储介质 | |
Muthuchudar et al. | A study of the processes involved in ECG signal analysis | |
CN115470832B (zh) | 一种基于区块链的心电信号数据处理方法 | |
CN114431873B (zh) | 一种基于图卷积的心电图心率多类型预测模型构建方法 | |
CN113384277A (zh) | 心电数据的分类方法及分类系统 | |
CN111557660A (zh) | 一种亚群体深度学习框架下的心律失常识别方法 | |
CN112401905B (zh) | 一种基于源定位和脑网络的自然动作脑电识别方法 | |
Jagannath et al. | Superior foetal electrocardiogram signal elicitation using a novel artificial intelligent Bayesian methodology | |
CN108388345B (zh) | 基于小波多分辨率复杂网络的脑电极优化方法及其应用 | |
CN117224082A (zh) | 一种基于图学习优化算法的动态脑功能网络学习方法 | |
CN113558637B (zh) | 一种基于相位传递熵的音乐感知下脑网络构建方法 | |
CN110537907A (zh) | 一种基于奇异值分解的心电信号压缩及识别方法 | |
CN113729723B (zh) | 一种基于ResNet-50和迁移学习的心电信号质量分析方法及装置 | |
CN108836316A (zh) | 一种基于bp神经网络的心电信号r波提取方法 | |
CN116211315B (zh) | 一种单导联心电信号辅助诊断方法及诊断终端 | |
CN112200232B (zh) | Qrs识别方法及电子设备 | |
CN111839502A (zh) | 一种心电数据异常检测方法、装置、设备及存储介质 |
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 |