CN114171162B - 一种基于大数据分析的镜像神经元康复训练的方法及系统 - Google Patents
一种基于大数据分析的镜像神经元康复训练的方法及系统 Download PDFInfo
- Publication number
- CN114171162B CN114171162B CN202111466103.3A CN202111466103A CN114171162B CN 114171162 B CN114171162 B CN 114171162B CN 202111466103 A CN202111466103 A CN 202111466103A CN 114171162 B CN114171162 B CN 114171162B
- Authority
- CN
- China
- Prior art keywords
- patient
- rehabilitation training
- image
- sequence
- information
- 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
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
- 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
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Child & Adolescent Psychology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Developmental Disabilities (AREA)
- Hospice & Palliative Care (AREA)
- Psychiatry (AREA)
- Psychology (AREA)
- Social Psychology (AREA)
- Epidemiology (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于大数据分析的镜像神经元康复训练的方法,对患者特征进行提取,对提取的患者特征进行归集,通过分类模型对提取的基本信息进行分类,再对患者采集的图形信息构建卷积神经网络模型用于基于病人的图像症状特征进行分类,根据所述稀疏表示向量确定所述待分类图像的类别;对患者的基本信息和图像信息进行数值化处理然后根据病症的相关性对信息分配权值,根据患者的基本信息和图像信息分别计算患者所在分类的相似度,再基于分类的患者群体的加权之和进行排序得到第一序列,将所述第一序列中的患者所在序列位置的相邻范围内的其他患者的康复训练方法推荐给当前患者。
Description
技术领域
本发明涉及医疗康复的技术领域,尤其涉及一种基于大数据分析的镜像神经元康复训练的方法及系统。
背景技术
中枢神经系统病变常常引起人体运动功能障碍,最常见的是偏侧肢体瘫痪,极大的影响患者的工作和生活,而且给家庭和社会也带来了沉重的负担。而通过镜像神经元训练具有较为积极的作用。镜像神经元(mirror neuron system,简称MNS)是指能直接在观察者大脑中映射出别人的动作、情绪、意图等的一类具有特殊映射功能的神经元,它广泛存在于多个脑区并参与动作的理解、模仿、共情、社会认知等活动。作为国内外认知神经科学研究的热点,研究人员发现镜像神经元在动作识别及其模仿上起着重要作用。作为一类特殊的神经元,镜像神经元不仅在个体执行特定动作时产生兴奋,当个体观察到其他同类执行相同或相似动作时,也可以产生类似的兴奋。
目前,虽然一些研究表明了基于镜像神经元的训练对功能障碍患者的康复具有一定的作用,且在临床上MNS治疗的报道已有很多,但是在硬件方面,基于镜像神经元进行康复训练的设备比较简陋,进行程序化自动化的康复训练设备更是未见公开,利用已有的设备无法获得更好的治疗效果。
同时,康复训练的方法有限,患者并不能选择出更好的复健方法进行训练。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此,本发明公开了一种基于大数据分析的镜像神经元康复训练的方法,所述方法包括:
步骤1,对患者特征进行提取,对提取的患者特征进行归集,通过分类模型对提取的基本信息进行分类,再对患者采集的图形信息构建卷积神经网络模型用于基于病人的图像症状特征进行分类,其中,将所述待分类特征向量输入图像分类模型,基于所述图像分类模型的目标函数计算所述待分类特征向量的稀疏表示向量,且根据所述稀疏表示向量确定所述待分类图像的类别,其中,所述患者特征包括患者的基本信息及图像信息;
步骤2,对患者的基本信息和图像信息进行数值化处理然后根据病症的相关性对信息分配权值,根据步骤1中的患者的基本信息和图像信息分别计算患者所在分类的相似度,再基于分类的患者群体的加权之和进行排序得到第一序列;
步骤3,对所述排序得到的第一序列,接收患者输入的可接受序列邻域范围,将所述第一序列中的患者所在序列位置的相邻范围内的其他患者的康复训练方法推荐给当前患者。
更进一步地,所述步骤3进一步包括:对其他患者的康复训练参数进行数学取中值,得到反映患者输入范围内的康复训练方法的平均参数设定值,基于该参数设定值生成镜像神经元康复训练的参考模板。
更进一步地,将所述参考模板推荐给所述第一序列中全部相邻患者。
更进一步地,所述得到反映患者输入范围内的康复训练方法的平均参数设定值,基于该参数设定值生成镜像神经元康复训练的参考模板进一步包括:构建多刺激源的训练建议模型,其中所述多刺激源额训练建议模型分别包括多种算法,所述算法经训练以将分类分配至所述处理后的复健参数数据的任一个参数和方法步骤,最后输出相邻患者的康复训练的建议。
更进一步地,对于神经网络的训练包括:设计康复训练任务以便于指导患者执行任务要求的内容;再对患者完成任务的情况进行评估打分,并将评估结果好于预设分值的反馈至神经网络模型作为训练集。
更进一步地,所述卷积神经网络模型包括输入层、第一层卷积层,第二层池化层,第三层卷积层,第四层池化层,第五层卷积层,第六层全连接层和输出层的六层结构。
本发明进一步公开了一种系统,所述系统包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现上述的方法。
本发明进一步公开了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述的方法。
本发明与现有技术相比,有益效果为:通过大数据分析的方法对采用镜像神经元训练复健的患者进行训练方法推荐,让患者找到与自己相近似的患者,共同分享复健训练方法,让患者可以有更多接触复健训练方法的机会。
附图说明
从以下结合附图的描述可以进一步理解本发明。图中的部件不一定按比例绘制,而是将重点放在示出实施例的原理上。在图中,在不同的视图中,相同的附图标记指定对应的部分。
图1是本发明一种基于大数据分析的镜像神经元康复训练的方法的流程图。
具体实施方式
实施例一
本发明实施例的涉及的神经网络可具有相同或不同的结构,例如,可采用更多的卷积层、全连接层,采用平均池化或最大池化方式均可,并且分类结果不限于说明书记载。此外,神经网络和结果输出单元等可采用软件模块或硬件实现,例如硬件处理器或逻辑电路等。
如图1所示,本发明公开了一种基于大数据分析的镜像神经元康复训练的方法,所述方法包括:
步骤1,对患者特征进行提取,对提取的患者特征进行归集,通过分类模型对提取的基本信息进行分类,再对患者采集的图形信息构建卷积神经网络模型用于基于病人的图像症状特征进行分类,其中,将所述待分类特征向量输入图像分类模型,基于所述图像分类模型的目标函数计算所述待分类特征向量的稀疏表示向量,且根据所述稀疏表示向量确定所述待分类图像的类别,其中,所述患者特征包括患者的基本信息及图像信息;
步骤2,对患者的基本信息和图像信息进行数值化处理然后根据病症的相关性对信息分配权值,根据步骤1中的患者的基本信息和图像信息分别计算患者所在分类的相似度,再基于分类的患者群体的加权之和进行排序得到第一序列;
步骤3,对所述排序得到的第一序列,接收患者输入的可接受序列邻域范围,将所述第一序列中的患者所在序列位置的相邻范围内的其他患者的康复训练方法推荐给当前患者。
更进一步地,所述步骤3进一步包括:对其他患者的康复训练参数进行数学取中值,得到反映患者输入范围内的康复训练方法的平均参数设定值,基于该参数设定值生成镜像神经元康复训练的参考模板。
更进一步地,将所述参考模板推荐给所述第一序列中全部相邻患者。
更进一步地,所述得到反映患者输入范围内的康复训练方法的平均参数设定值,基于该参数设定值生成镜像神经元康复训练的参考模板进一步包括:构建多刺激源的训练建议模型,其中所述多刺激源额训练建议模型分别包括多种算法,所述算法经训练以将分类分配至所述处理后的复健参数数据的任一个参数和方法步骤,最后输出相邻患者的康复训练的建议。
更进一步地,对于神经网络的训练包括:设计康复训练任务以便于指导患者执行任务要求的内容;再对患者完成任务的情况进行评估打分,并将评估结果好于预设分值的反馈至神经网络模型作为训练集。
更进一步地,所述卷积神经网络模型包括输入层、第一层卷积层,第二层池化层,第三层卷积层,第四层池化层,第五层卷积层,第六层全连接层和输出层的六层结构。
在本实施中,根据训练出的神经网络分类器模型进行ASD的分类预测。首先,根据输入数据的不同,经过训练得到三个卷积神经网络分类器,这三个分类器分别以患者基本信息的热图、焦点图和扫描路径图为输入,输出对应极轻微、轻度、中度和重度中风症状的四个类别。而后根据三个分类器的预测输出,使用简单投票法进行结合给出最终的预测结果,最终的四个结果仍然是上述四个类别中的一个,以此对患者进行相应分类。
本发明的实施例还提供了一种存储介质,所述存储介质可用于保存用于实现实施例中训练模块和评估模块中的程序代码。可选地,在本实施例中,上述存储介质可以位于计算机网络的多个网络设备中的至少一个网络设备。可选地,在本实施例中,上述存储介质可以包括但不限于:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
虽然上面已经参考各种实施例描述了本发明,但是应当理解,在不脱离本发明的范围的情况下,可以进行许多改变和修改。因此,其旨在上述详细描述被认为是例示性的而非限制性的,并且应当理解,以下权利要求(包括所有等同物)旨在限定本发明的精神和范围。以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后,技术人员可以对本发明作各种改动或修改,这些等效变化和修饰同样落入本发明权利要求所限定的范围。
Claims (5)
1.一种基于大数据分析的镜像神经元康复训练的方法,其特征在于,所述方法包括:
步骤1,对患者特征进行提取,对提取的患者特征进行归集,通过分类模型对提取的基本信息进行分类,再对患者采集的图形信息构建卷积神经网络模型用于基于病人的图像症状特征进行分类,其中,将待分类特征向量输入图像分类模型,基于所述图像分类模型的目标函数计算所述待分类特征向量的稀疏表示向量,且根据所述稀疏表示向量确定待分类图像的类别,其中,所述患者特征包括患者的基本信息及图像信息;
步骤2,对患者的基本信息和图像信息进行数值化处理然后根据病症的相关性对信息分配权值,根据步骤1中的患者的基本信息和图像信息分别计算患者所在分类的相似度,再基于分类的患者群体的加权之和进行排序得到第一序列;
步骤3,对所述排序得到的第一序列,接收患者输入的可接受序列邻域范围,将所述第一序列中的患者所在序列位置的相邻范围内的其他患者的康复训练方法推荐给当前患者;
所述步骤3进一步包括:对其他患者的康复训练参数进行数学取中值,得到反映患者输入范围内的康复训练方法的平均参数设定值,基于该参数设定值生成镜像神经元康复训练的参考模板;
所述得到反映患者输入范围内的康复训练方法的平均参数设定值,基于该参数设定值生成镜像神经元康复训练的参考模板进一步包括:构建多刺激源的训练建议模型,其中所述多刺激源的 训练建议模型分别包括多种算法,所述算法经训练以将分类分配至所述处理后的复健参数数据的任一个参数和方法步骤,最后输出相邻患者的康复训练的建议;
所述卷积神经网络模型包括输入层、第一层卷积层,第二层池化层,第三层卷积层,第四层池化层,第五层卷积层,第六层全连接层和输出层的六层结构。
2.如权利要求1所述的一种基于大数据分析的镜像神经元康复训练的方法,其特征在于,将所述参考模板推荐给所述第一序列中全部相邻患者。
3.如权利要求1所述的一种基于大数据分析的镜像神经元康复训练的方法,其特征在于,对于神经网络的训练包括:设计康复训练任务以便于指导患者执行任务要求的内容;再对患者完成任务的情况进行评估打分,并将评估结果好于预设分值的反馈至神经网络模型作为训练集。
4.一种系统,其特征在于,所述系统包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-3中任一所述的方法。
5.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-3中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111466103.3A CN114171162B (zh) | 2021-12-03 | 2021-12-03 | 一种基于大数据分析的镜像神经元康复训练的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111466103.3A CN114171162B (zh) | 2021-12-03 | 2021-12-03 | 一种基于大数据分析的镜像神经元康复训练的方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114171162A CN114171162A (zh) | 2022-03-11 |
CN114171162B true CN114171162B (zh) | 2022-10-11 |
Family
ID=80482704
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111466103.3A Active CN114171162B (zh) | 2021-12-03 | 2021-12-03 | 一种基于大数据分析的镜像神经元康复训练的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114171162B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011095365A2 (de) * | 2010-02-05 | 2011-08-11 | Cytolon Ag | Automatisiertes system zur auswahl und vermittlung von gelagerten allogenen biologischen zellen für transplantation, therapie und forschung |
CN110232971A (zh) * | 2019-05-24 | 2019-09-13 | 深圳市翩翩科技有限公司 | 一种医生推荐方法及装置 |
CN110364243A (zh) * | 2019-07-19 | 2019-10-22 | 广州穗海新峰医疗设备制造有限公司 | 一种镜像神经元康复训练系统、康复训练方法及存储介质 |
Family Cites Families (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20070054596A (ko) * | 2004-02-05 | 2007-05-29 | 모토리카 리미티드 | 재활훈련 방법 및 장치와 트레이닝 관련 어플리케이션 |
US20140244292A1 (en) * | 2011-01-27 | 2014-08-28 | Wiser Together, Inc. | Method for Helping Patients Find Treatments Based on Similar Patients' Experiences |
US20200388360A1 (en) * | 2014-12-10 | 2020-12-10 | Koninklijke Philips N.V. | Methods and systems for using artificial neural networks to generate recommendations for integrated medical and social services |
JP2017006192A (ja) * | 2015-06-17 | 2017-01-12 | セイコーエプソン株式会社 | アドバイス生成方法、アドバイス生成プログラムおよびアドバイス生成システム |
US20180032689A1 (en) * | 2016-07-29 | 2018-02-01 | Qatar University | Method and apparatus for performing feature classification on electrocardiogram data |
US11497417B2 (en) * | 2016-10-04 | 2022-11-15 | The Johns Hopkins University | Measuring patient mobility in the ICU using a novel non-invasive sensor |
CN106778042A (zh) * | 2017-01-26 | 2017-05-31 | 中电科软件信息服务有限公司 | 心脑血管患者相似性分析方法及系统 |
JP2020537579A (ja) * | 2017-10-17 | 2020-12-24 | ラオ、サティシュ | 神経障害を識別及び監視するための機械学習ベースのシステム |
CN108511056A (zh) * | 2018-02-09 | 2018-09-07 | 上海长江科技发展有限公司 | 基于脑卒中患者相似性分析的治疗方案推荐方法及系统 |
EP3576020A1 (en) * | 2018-05-30 | 2019-12-04 | Siemens Healthcare GmbH | Methods for generating synthetic training data and for training deep learning algorithms for tumor lesion characterization, method and system for tumor lesion characterization, computer program and electronically readable storage medium |
CA3112564A1 (en) * | 2018-09-14 | 2020-03-19 | Neuroenhancement Lab, LLC | System and method of improving sleep |
CN109621324A (zh) * | 2018-12-26 | 2019-04-16 | 嘉兴市第二医院 | 基于镜像神经元理论的上肢功能康复智能系统 |
CN109858575B (zh) * | 2019-03-19 | 2024-01-05 | 苏州市爱生生物技术有限公司 | 基于卷积神经网络的数据分类方法 |
CN110400301A (zh) * | 2019-07-25 | 2019-11-01 | 中山大学中山眼科中心 | 一种基于眼部特征的脑卒中人工智能筛查方法 |
CN110415824B (zh) * | 2019-07-30 | 2023-05-09 | 广东工业大学 | 脑卒中风的患病风险评估装置和设备 |
CN110675933B (zh) * | 2019-09-06 | 2022-05-17 | 南京邮电大学 | 一种手指镜像康复训练系统 |
CN110575663B (zh) * | 2019-09-25 | 2021-02-09 | 郑州大学 | 一种基于人工智能的体育辅助训练方法 |
US11497455B2 (en) * | 2019-09-30 | 2022-11-15 | International Business Machines Corporation | Personalized monitoring of injury rehabilitation through mobile device imaging |
JP7349078B2 (ja) * | 2019-10-04 | 2023-09-22 | 日本電気株式会社 | リハビリ計画装置、リハビリ計画方法、及びプログラム |
CN110765920B (zh) * | 2019-10-18 | 2023-03-24 | 西安电子科技大学 | 基于卷积神经网络的运动想象分类方法 |
CN111061700A (zh) * | 2019-11-12 | 2020-04-24 | 山大地纬软件股份有限公司 | 基于相似性学习的就医迁移方案推荐方法及系统 |
EP3847967A1 (en) * | 2020-01-07 | 2021-07-14 | Koninklijke Philips N.V. | Patient model estimation for interventions |
CN111161842A (zh) * | 2019-12-30 | 2020-05-15 | 天津大学 | 一种基于人工智能技术的术后康复营养建议方法 |
CN111388960A (zh) * | 2020-04-13 | 2020-07-10 | 福建中医药大学 | 一种基于物联网系统的上下肢康复训练方法 |
WO2021214521A1 (en) * | 2020-04-23 | 2021-10-28 | Sharifrazi Danial | Neuro-rehabilitation system for patients with movement disorders and visual disabilities by audio-visual feedback based on deep learning |
CN111524571B (zh) * | 2020-05-21 | 2022-06-10 | 电子科技大学 | 一种脑卒中患者个性化治疗方案推荐系统 |
CN112768065A (zh) * | 2021-01-29 | 2021-05-07 | 北京大学口腔医学院 | 一种基于人工智能的面瘫分级诊断方法、装置 |
CN113192626B (zh) * | 2021-04-13 | 2022-09-13 | 山东大学 | 基于孪生神经网络的用药方案推荐系统及方法 |
-
2021
- 2021-12-03 CN CN202111466103.3A patent/CN114171162B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011095365A2 (de) * | 2010-02-05 | 2011-08-11 | Cytolon Ag | Automatisiertes system zur auswahl und vermittlung von gelagerten allogenen biologischen zellen für transplantation, therapie und forschung |
CN110232971A (zh) * | 2019-05-24 | 2019-09-13 | 深圳市翩翩科技有限公司 | 一种医生推荐方法及装置 |
CN110364243A (zh) * | 2019-07-19 | 2019-10-22 | 广州穗海新峰医疗设备制造有限公司 | 一种镜像神经元康复训练系统、康复训练方法及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114171162A (zh) | 2022-03-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kwasigroch et al. | Deep CNN based decision support system for detection and assessing the stage of diabetic retinopathy | |
Hossen et al. | Federated machine learning for detection of skin diseases and enhancement of internet of medical things (IoMT) security | |
CN111553295B (zh) | 基于自注意力机制的多模态情感识别方法 | |
Ogiela et al. | Cognitive techniques in visual data interpretation | |
CN110070935A (zh) | 基于对抗神经网络的医学图像合成方法、分类方法及装置 | |
Smaida et al. | Bagging of Convolutional Neural Networks for Diagnostic of Eye Diseases. | |
Zhang et al. | Bi-dimensional approach based on transfer learning for alcoholism pre-disposition classification via EEG signals | |
Stuchi et al. | Frequency learning for image classification | |
Lu et al. | Speech depression recognition based on attentional residual network | |
Irmak | A novel implementation of deep-learning approach on malaria parasite detection from thin blood cell images | |
Praveena et al. | Brain tumor detection using ANFIS classifier and segmentation | |
Alam et al. | An Autism Detection Architecture with Fusion of Feature Extraction and Classification | |
Agalya et al. | Cpro: competitive poor and rich optimizer-enabled deep learning model and holoentropy weighted-power k-means clustering for brain tumor classification using mri | |
CN114171162B (zh) | 一种基于大数据分析的镜像神经元康复训练的方法及系统 | |
Raizada et al. | Organ risk prediction for Parkinson’s disease using deep learning techniques | |
Haridas et al. | MED-GPVS: a deep learning-based joint biomedical image classification and visual question answering system for precision e-health | |
Pandya et al. | Ai based classification for autism spectrum disorder detection using video analysis | |
Estella-Nonay et al. | Automatic diagnosis of mild cognitive impairment using siamese neural networks | |
Рудаков et al. | The method of intelligent image processing based on a three-channel purely convolutional neural network | |
Coelho et al. | A novel sEMG data augmentation based on WGAN-GP | |
Alhatemi et al. | A weighted ensemble approach with multiple pre-trained deep learning models for classification of stroke | |
Sriram et al. | Deep Learning Approaches for Pneumonia Classification in Healthcare | |
Gopakumar et al. | Analysis of Alcoholic EEG Signal using Semantic Technologies | |
Silva et al. | Classification of electroencephalogram signals for detecting predisposition to alcoholism using computer vision and transfer learning | |
CN114398932A (zh) | 一种基于注意力机制和集成学习的睡眠分期方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |