CN113421632B - 一种基于时间序列的心理疾病类型诊断系统 - Google Patents
一种基于时间序列的心理疾病类型诊断系统 Download PDFInfo
- Publication number
- CN113421632B CN113421632B CN202110779029.4A CN202110779029A CN113421632B CN 113421632 B CN113421632 B CN 113421632B CN 202110779029 A CN202110779029 A CN 202110779029A CN 113421632 B CN113421632 B CN 113421632B
- Authority
- CN
- China
- Prior art keywords
- module
- user
- psychological
- model
- dimension
- 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
- 201000010099 disease Diseases 0.000 title claims abstract description 53
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 53
- 238000003745 diagnosis Methods 0.000 title claims abstract description 24
- 239000013598 vector Substances 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000000034 method Methods 0.000 claims abstract description 13
- 238000003062 neural network model Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 8
- 230000008451 emotion Effects 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000010276 construction Methods 0.000 claims description 10
- 238000012800 visualization Methods 0.000 claims description 10
- 208000028017 Psychotic disease Diseases 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 6
- 208000020016 psychiatric disease Diseases 0.000 claims description 6
- 230000000007 visual effect Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000013136 deep learning model Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 239000006185 dispersion Substances 0.000 abstract description 4
- 230000002776 aggregation Effects 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000006996 mental state Effects 0.000 description 2
- 206010012374 Depressed mood Diseases 0.000 description 1
- 208000027382 Mental deterioration Diseases 0.000 description 1
- 206010027374 Mental impairment Diseases 0.000 description 1
- 208000036626 Mental retardation Diseases 0.000 description 1
- 206010034719 Personality change Diseases 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 208000010877 cognitive disease Diseases 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 208000024891 symptom Diseases 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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/70—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mental therapies, e.g. psychological therapy or autogenous training
-
- 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
- G06N3/088—Non-supervised learning, e.g. competitive 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
- 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)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Biomedical Technology (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Child & Adolescent Psychology (AREA)
- Developmental Disabilities (AREA)
- Hospice & Palliative Care (AREA)
- Psychiatry (AREA)
- Psychology (AREA)
- Social Psychology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明属于医疗设备技术领域，涉及一种基于时间序列的心理疾病类型诊断系统，包括：文本处理模块，文本结构化模块、模型训练模块和聚类模块；文本处理模块，用于获取心理疾病的病例；文本结构化模块，用于将获取的病例转换为文本向量；模型训练模块，用于将文本向量输入神经网络模型进行训练；聚类模块，用于将待判断用户的信息输入训练好的神经网络模型进行聚类，根据聚类结果判断用户心理疾病的类型。其通过对目标人群的语言进行分析提取，实时对目标人群的情绪进行控制，能够及时发现处于心理疾病初期的目标人群，提醒其进行心理疏导或就医。
Description
技术领域
本发明涉及一种基于时间序列的心理疾病类型诊断系统，属于医疗设备技术领域，特别涉及智能化的疾病类型诊断设备技术领域。
背景技术
由于遗传、社会工作压力等等的原因，导致现代人会或多或少存在情绪低落的情况。而长期的情绪低落就会导致很多心理疾病，例如，抑郁症等心理疾病多在青壮年时期发病，有的间歇发作，有的持续进展，并且逐渐趋于慢性化，复发率高、致残率高，如不积极治疗，可出现精神衰退和人格改变。由于对心理疾病不够重视，且很多患者不愿与他人交流，羞于启齿，就导致很多患有心理疾病的人不能及时就医，当他人发现其行为明显异于常人时，通常其心理疾病已经非常严重，甚至已经很难治愈了。所以在心理疾病初期对患者进行情绪疏导，避免其情绪进一步恶化是非常重要的。
如前所述，现有的心理疾病类型诊断通常采用对患者行为进行观察，或者与心理医生进行交流的方式。但是，患者在陌生的心理医生面前往往难以袒露心扉，故心理医生很难通过一两次的诊疗就对患者的心理疾病有比较全面的了解，另一方法，心理医生对心理疾病的判断也会有比较大的主观成分，不同医生给出的结论也不一定相同。所以亟需一种客观的、可以对目标人群进行实时监控的心理疾病类型诊断装置。
发明内容
针对上述问题，本发明的目的是提供了一种基于时间序列的心理疾病类型诊断系统和操作方法，其通过对目标人群的语言进行分析提取，实时对目标人群的情绪进行控制，能够及时发现处于心理疾病初期的目标人群，提醒其进行心理疏导或就医。
为实现上述目的，本发明采取以下技术方案：一种基于时间序列的心理疾病类型诊断系统，包括：文本处理模块，文本结构化模块、模型训练模块和聚类模块；文本处理模块，用于获取心理疾病的病例；文本结构化模块，用于将获取的病例转换为文本向量；模型训练模块，用于将文本向量输入神经网络模型进行训练；聚类模块，用于将待判断用户的信息输入训练好的神经网络模型进行聚类，根据聚类结果判断用户心理疾病的类型。
进一步，聚类模块中判断用户心理疾病的类型的方法是：若待判断用户的信息不属于任何一类已知分类，则认为用户没有心理疾病，若用户的信息属于已知分类中的一种，则认为用户患有该类心理疾病。
进一步，心理疾病类型诊断系统还包括可视化模块，用于对聚类模块的聚类结果进行降维，将高维矩阵转化为二维向量组，从而将高维图像降至二维，以进行可视化显示。
进一步，降维的方法包括以下步骤：寻找高维空间中的数据集ai的映射关系f，根据映射关系f构造低维数据集{yi＝f(ai)}，通过流形学习中非线性的T-SNE将高维向量降到二维，得到聚类可视化结果。
进一步，模型训练模块需要确定最优滑动窗口与模型构建维度，构建不同维度下的文档嵌入模型，得到不同维度下的文档嵌入矩阵，根据矩阵计算每个维度下的模型损失，使模型损失最小化，从而得到最优窗口；随后根据损失函数计算模型的噪声绘制在最优窗口下不同维度的模型折线图，从而获得最优的模型构建维度；通过最优的模型构建维度对最优窗口进行验证。
进一步，得到最优窗口的具体步骤为：固定窗口或维度；计算文档嵌入矩阵A，遍历窗口或维度，获得矩阵集合{A}；对于矩阵集合{A}中任一个矩阵M1，计算SUMDVL＝SUM(DVL(M1,Mother))，其中，Mother为集合{X}内除M1以外的其他矩阵；
进一步，神经网络模型为无监督的深度学习模型Doc2Vec。
进一步，心理疾病类型诊断系统还包括语音输入模块，用于进行用户的语音输入，并将语音信息转换为文本向量。
进一步，心理疾病类型诊断系统还包括警报模块，用于在发现用户患有某一类心理疾病，将检测结果发送至其移动终端，并根据心理疾病的严重程度对用户进行情绪疏导，或建议其就医。
本发明由于采取以上技术方案，其具有以下优点：
1、本发明中的核心算法为无监督算法，使用本方法前无需对数据进行人工标注，节省了人力成本，也避免了人工因素对分类结果的影响，可用于对未知病情的分类识别，从计算机的角度为精神疾病类型诊断研究提供新的方法，而且使用方法简单，程序运行效率高、速度快。
2、本发明对于医疗机构来说，是有效的病情筛查工具；对于数据提供方而言，可以更有效地利用数据仓库在实际应用场景进行挖掘；对于普通用户而言，通过可视化结果可以对自己当前的精神状态有更为清晰准确的评估，以采取预防和准备。
附图说明
图1是本发明一实施例中基于时间序列的心理疾病类型诊断系统的结构示意图；
图2是本发明一实施例中基于时间序列的心理疾病类型诊断的流程图。
具体实施方式
为了使本领域技术人员更好的理解本发明的技术方案，通过具体实施例对本发明进行详细的描述。然而应当理解，具体实施方式的提供仅为了更好地理解本发明，它们不应该理解成对本发明的限制。在本发明的描述中，需要理解的是，所用到的术语仅仅是用于描述的目的，而不能理解为指示或暗示相对重要性。
本实施例公开了一种基于时间序列的心理疾病类型诊断系统，如图1、2所示，包括：文本处理模块，文本结构化模块、模型训练模块和聚类模块；
文本处理模块，用于获取心理疾病的病例，将每个病例按时间序列拆分为多个txt文档，构建病例数据库，数据库中不包含用户身份信息，仅包括病例详细描述，文档命名为10位英文数字混合的名称，前4位为大小写随机字母，后六位为确诊日期，如确诊日期为2019年5月9日，则后6位格式为“190509”。按时间序列拆分后，再增加4位顺序数字编号。
文本结构化模块，用于将获取的病例转换为文本向量。
用户在系统客户端输入自己的症状描述，或者通过语音输入模块随时对用户的语言进行记录，并转换成文本文件，生成一个随机的14位的文档编号，对每一个文档进行归一化，生成归一化文本向量。
模型训练模块，用于将文本向量输入神经网络模型进行训练，为了保持神经网络模型的相关性，重要的是更新用于训练的数据，在数据库服务器上创建一个定期作业，以更新保存数据集。最终的神经网络模型将集成到聚类模块中。该模块首先确定最优滑动窗口与模型构建维度，构建不同维度下的文档嵌入模型，在最优维度和最优窗口两个参数确定之后，按类别将所有文本向量输入模型，进行训练，对向量进行归一化变换，得到文档嵌入矩阵。
模型训练模块需要确定最优滑动窗口与模型构建维度，构建不同维度下的文档嵌入模型，得到不同维度下的文档嵌入矩阵，根据矩阵计算每个维度下的模型损失，使模型损失最小化，从而得到最优窗口；随后根据损失函数计算模型的噪声绘制在最优窗口下不同维度的模型折线图，从而获得最优的模型构建维度；通过最优的模型构建维度对最优窗口进行验证。
得到最优窗口的具体步骤为：固定窗口或维度；计算文档嵌入矩阵A，遍历窗口或维度，获得矩阵集合{A}；对于矩阵集合{A}中任一个矩阵M1，计算SUMDVL＝SUM(DVL(M1,Mother))，其中，Mother为集合{X}内除M1以外的其他矩阵；
聚类模块，用于将待判断用户的信息输入训练好的神经网络模型进行聚类，根据聚类结果判断用户是否患有心理疾病，以及心理疾病的种类。聚类模块中判断用户是否患有心理疾病的方法是：若待判断用户的信息不属于任何一类已知分类，则认为用户没有心理疾病，若用户的信息属于已知分类中的一种，则认为用户患有该类心理疾病。
心理疾病类型诊断系统还包括可视化模块，用于对聚类模块的聚类结果进行降维，将高维矩阵转化为二维向量组，从而将高维图像降至二维，将每个文档看做一个散点，绘制成图，得到聚类可视化结果图。同一种或具有相同特征的病例描述会聚在一起。如果当两类点混成一团时，说明这两个患者的精神病病情表现类似，在精神病临床鉴定中处于同一类。从可视化图中，用户可以直观看到自己当前情况所处的位置。如果代表用户的散点独立存在，表明用户可能只是最近精神状态不太好，远远没有达到患病的程度；如果用户的散点落在了一大团聚类图中，则用户可以点击该团，系统会显示该团所代表的精神病病症详细介绍，用户可根据该结果选择就医咨询。
降维的方法包括以下步骤：寻找高维空间中的数据集ai的映射关系f，根据映射关系f构造低维数据集{yi＝f(ai)}，通过流形学习中非线性的T-SNE将高维向量降到二维，得到聚类可视化结果。
神经网络模型为无监督的深度学习模型Doc2Vec。
心理疾病类型诊断系统还包括，用于进行用户的语音输入，并将语音信息转换为文本向量。
心理疾病类型诊断系统还包括警报模块，用于在发现用户患有某一类心理疾病，将检测结果发送至其移动终端，并根据心理疾病的严重程度对用户进行情绪疏导，或建议其就医。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。上述内容仅为本申请的具体实施方式，但本申请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申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围。
Claims (7)
1.一种基于时间序列的心理疾病类型诊断系统，其特征在于，包括：文本处理模块，文本结构化模块、模型训练模块和聚类模块；
所述文本处理模块，用于获取心理疾病的病例，将每个病例按时间序列拆分为多个文档，构建病例数据库，数据库中不包含用户身份信息，仅包括病例详细描述，通过语音输入模块随时对用户的语言进行记录；
所述文本结构化模块，用于将获取的病例的语音数据转换为文本向量；
所述模型训练模块，用于将所述文本向量输入神经网络模型进行训练；
所述聚类模块，用于将待判断用户的信息输入训练好的神经网络模型进行聚类，根据聚类结果判断用户心理疾病的类型；
所述聚类模块中判断所述用户心理疾病的类型的方法是：若待判断用户的信息不属于任何一类已知分类，则认为用户没有心理疾病，若用户的信息属于已知分类中的一种，则认为用户患有该类心理疾病；
所述心理疾病类型诊断系统还包括可视化模块，用于对所述聚类模块的聚类结果进行降维，将高维矩阵转化为二维向量组，从而将高维图像降至二维，以进行可视化显示，将每个文档看做一个散点，绘制成图，得到聚类可视化结果图，同一种或具有相同特征的病例描述汇聚在一起，如果当两类点混成一团时，说明这两个患者的精神病病情表现类似，在精神病临床鉴定中处于同一类；如果代表用户的散点独立存在，表明用户没有达到患病的程度；如果用户的散点落在了一大团聚类图中，则用户点击该团，系统会显示该团所代表的精神病病症详细介绍。
2.如权利要求1所述的基于时间序列的心理疾病类型诊断系统，其特征在于，所述降维的方法包括以下步骤：寻找高维空间中的数据集ai的映射关系f，根据所述映射关系f构造低维数据集{yi＝f(ai)}，通过流形学习中非线性的T-SNE将高维向量降到二维，得到聚类可视化结果。
3.如权利要求1所述的基于时间序列的心理疾病类型诊断系统，其特征在于，所述模型训练模块需要确定最优滑动窗口与模型构建维度，构建不同维度下的文档嵌入模型，得到不同维度下的文档嵌入矩阵，根据矩阵计算每个维度下的模型损失，使所述模型损失最小化，从而得到最优窗口；随后根据损失函数计算模型的噪声绘制在所述最优窗口下不同维度的模型折线图，从而获得最优的模型构建维度；通过所述最优的模型构建维度对最优窗口进行验证。
4.如权利要求3所述的基于时间序列的心理疾病类型诊断系统，其特征在于，所述得到最优窗口的具体步骤为：固定窗口或维度；计算文档嵌入矩阵A，遍历所述窗口或维度，获得矩阵集合{A}；对于所述矩阵集合{A}中任一个矩阵M1，计算SUMDVL＝SUM(DVL(M1,Mother))，其中，Mother为集合{X}内除M1以外的其他矩阵；取SUMDVL最小时的窗口为最优窗口。
5.如权利要求1-4任一项所述的基于时间序列的心理疾病类型诊断系统，其特征在于，所述神经网络模型为无监督的深度学习模型Doc2Vec。
6.如权利要求1-4任一项所述的基于时间序列的心理疾病类型诊断系统，其特征在于，还包括语音输入模块，用于进行用户的语音输入，并将语音信息转换为文本向量。
7.如权利要求1-4任一项所述的基于时间序列的心理疾病类型诊断系统，其特征在于，还包括警报模块，用于在发现用户患有某一类心理疾病，将检测结果发送至其移动终端，并根据心理疾病的严重程度对用户进行情绪疏导，或建议其就医。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110779029.4A CN113421632B (zh) | 2021-07-09 | 2021-07-09 | 一种基于时间序列的心理疾病类型诊断系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110779029.4A CN113421632B (zh) | 2021-07-09 | 2021-07-09 | 一种基于时间序列的心理疾病类型诊断系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113421632A CN113421632A (zh) | 2021-09-21 |
| CN113421632B true CN113421632B (zh) | 2024-08-06 |
Family
ID=77720584
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110779029.4A Active CN113421632B (zh) | 2021-07-09 | 2021-07-09 | 一种基于时间序列的心理疾病类型诊断系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113421632B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104915386A (zh) * | 2015-05-25 | 2015-09-16 | 中国科学院自动化研究所 | 一种基于深度语义特征学习的短文本聚类方法 |
| CN108072626A (zh) * | 2018-01-31 | 2018-05-25 | 长安大学 | 一种沥青品牌识别方法 |
| CN109299270A (zh) * | 2018-10-30 | 2019-02-01 | 云南电网有限责任公司信息中心 | 一种基于卷积神经网络的文本数据无监督聚类方法 |
| CN112818892A (zh) * | 2021-02-10 | 2021-05-18 | 杭州医典智能科技有限公司 | 基于时间卷积神经网络的多模态抑郁症检测方法及系统 |
Family Cites Families (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102929894A (zh) * | 2011-08-12 | 2013-02-13 | 中国人民解放军总参谋部第五十七研究所 | 一种文本在线聚类可视化方法 |
| US9075796B2 (en) * | 2012-05-24 | 2015-07-07 | International Business Machines Corporation | Text mining for large medical text datasets and corresponding medical text classification using informative feature selection |
| US20180150609A1 (en) * | 2016-11-29 | 2018-05-31 | Electronics And Telecommunications Research Institute | Server and method for predicting future health trends through similar case cluster based prediction models |
| US11176188B2 (en) * | 2017-01-11 | 2021-11-16 | Siemens Healthcare Gmbh | Visualization framework based on document representation learning |
| CN107341264B (zh) * | 2017-07-19 | 2020-09-25 | 东北大学 | 一种支持自定义实体的电子病历检索系统及方法 |
| CN107562732B (zh) * | 2017-10-26 | 2022-06-14 | 北京康夫子健康技术有限公司 | 电子病历的处理方法及系统 |
| RU2703679C2 (ru) * | 2017-12-29 | 2019-10-21 | Общество С Ограниченной Ответственностью "Интеллоджик" | Способ и система поддержки принятия врачебных решений с использованием математических моделей представления пациентов |
| WO2019132686A1 (ru) * | 2017-12-29 | 2019-07-04 | Общество С Ограниченной Ответственностью "Интеллоджик" | Способ формирования математических моделей пациента с использованием технологий искусственного интеллекта |
| CN108305690A (zh) * | 2018-02-07 | 2018-07-20 | 王博冉 | 神经系统疾病分诊方法及神经系统疾病的分诊系统 |
| CN109003677B (zh) * | 2018-06-11 | 2021-11-05 | 清华大学 | 病历数据结构化分析处理方法 |
| CN110021439B (zh) * | 2019-03-07 | 2023-01-24 | 平安科技（深圳）有限公司 | 基于机器学习的医疗数据分类方法、装置和计算机设备 |
| CN110322962A (zh) * | 2019-07-03 | 2019-10-11 | 重庆邮电大学 | 一种自动生成诊断结果的方法、系统及计算机设备 |
| WO2021127012A1 (en) * | 2019-12-16 | 2021-06-24 | Trialmatch.me, Inc. d/b/a/Trialjectory | Unsupervised taxonomy extraction from medical clinical trials |
| CN111477328B (zh) * | 2020-03-31 | 2021-02-02 | 北京智能工场科技有限公司 | 一种非接触式的心理状态预测方法 |
| CN111613311A (zh) * | 2020-06-09 | 2020-09-01 | 广东珠江智联信息科技股份有限公司 | 一种智能ai导诊实现技术 |
| CN111968741B (zh) * | 2020-07-15 | 2023-07-18 | 华南理工大学 | 基于深度学习与集成学习的糖尿病并发症高危预警系统 |
| CN112802568A (zh) * | 2021-02-03 | 2021-05-14 | 紫东信息科技(苏州)有限公司 | 基于病历文本的多标签胃部疾病分类方法及装置 |
| CN112951379A (zh) * | 2021-03-16 | 2021-06-11 | 重庆肃侨科技有限公司 | 智能型精神心理疾病智能化问诊及辅助诊断系统 |
-
2021
- 2021-07-09 CN CN202110779029.4A patent/CN113421632B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104915386A (zh) * | 2015-05-25 | 2015-09-16 | 中国科学院自动化研究所 | 一种基于深度语义特征学习的短文本聚类方法 |
| CN108072626A (zh) * | 2018-01-31 | 2018-05-25 | 长安大学 | 一种沥青品牌识别方法 |
| CN109299270A (zh) * | 2018-10-30 | 2019-02-01 | 云南电网有限责任公司信息中心 | 一种基于卷积神经网络的文本数据无监督聚类方法 |
| CN112818892A (zh) * | 2021-02-10 | 2021-05-18 | 杭州医典智能科技有限公司 | 基于时间卷积神经网络的多模态抑郁症检测方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 基于最优文档嵌入的《红楼梦》作者辨析;薛扬等;《中文信息学报》;第34卷(第09期);第97-110页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113421632A (zh) | 2021-09-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Srinivasu et al. | From blackbox to explainable AI in healthcare: existing tools and case studies | |
| US12057204B2 (en) | Health care information system providing additional data fields in patient data | |
| US7809660B2 (en) | System and method to optimize control cohorts using clustering algorithms | |
| Wang et al. | Integrating TTF and IDT to evaluate user intention of big data analytics in mobile cloud healthcare system | |
| US11257574B1 (en) | Information system providing explanation of models | |
| CN117292840A (zh) | 融合深度学习的医疗数据挖掘方法与系统 | |
| WO2022188773A1 (zh) | 文本分类方法、装置、设备、计算机可读存储介质及计算机程序产品 | |
| CN109464122B (zh) | 基于多模态数据的个体核心特质预测系统及方法 | |
| US20060184489A1 (en) | Genetic knowledgebase creation for personalized analysis of medical conditions | |
| WO2006065822A1 (en) | Personalized genetic-based analysis of medical conditions | |
| US20140006447A1 (en) | Generating epigenentic cohorts through clustering of epigenetic suprisal data based on parameters | |
| Sohail et al. | A hybrid Forecast Cost Benefit Classification of diabetes mellitus prevalence based on epidemiological study on Real-life patient’s data | |
| Thapa et al. | Cognitive Internet of Things (IoT) and computational intelligence for mental well-being | |
| US20200321082A1 (en) | Confidence evaluation to measure trust in behavioral health survey results | |
| CN114330482A (zh) | 一种数据处理方法、装置及计算机可读存储介质 | |
| CN118013001A (zh) | 基于知识库和大语言模型的互动式知识交互系统 | |
| CN113421632B (zh) | 一种基于时间序列的心理疾病类型诊断系统 | |
| CN115036034B (zh) | 一种基于患者表征图的相似患者识别方法及系统 | |
| WO2023084254A1 (en) | Diagnosic method and system | |
| Carhuancho et al. | Machine Learning Algorithms for High Performance Modelling in Health Monitoring System Based on 5G Networks | |
| Virk et al. | A multimodal feature fusion framework for sleep-deprived fatigue detection to prevent accidents | |
| Eddie | A Review of Medical Data Sources, and Advanced Data Analytics in the Medical Sector | |
| Rahman et al. | Multiple Disease Prediction using Machine Learning and Deep Learning with the Implementation of Web Technology | |
| Harlapur et al. | Text-Based Prediction of Heart Disease Doctor Chatbot Using Machine Learning | |
| Apriansyah et al. | COMPARISON OF NAVE BAYES METHODS AND SUPPORT VECTOR MACHINE IN CLASSIFICATION OF TUBERCULOSIS DISEASE |
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 |