CN114300116B - 一种基于在线分类算法的鲁棒性病症检测方法 - Google Patents
一种基于在线分类算法的鲁棒性病症检测方法 Download PDFInfo
- Publication number
- CN114300116B CN114300116B CN202111327568.0A CN202111327568A CN114300116B CN 114300116 B CN114300116 B CN 114300116B CN 202111327568 A CN202111327568 A CN 202111327568A CN 114300116 B CN114300116 B CN 114300116B
- Authority
- CN
- China
- Prior art keywords
- sample
- samples
- data
- disease
- cluster
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 37
- 238000007635 classification algorithm Methods 0.000 title claims abstract description 22
- 208000011580 syndromic disease Diseases 0.000 title abstract description 7
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 44
- 201000010099 disease Diseases 0.000 claims abstract description 30
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000004590 computer program Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 230000008030 elimination Effects 0.000 claims description 4
- 238000003379 elimination reaction Methods 0.000 claims description 4
- 238000003064 k means clustering Methods 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 4
- 230000002708 enhancing effect Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 5
- 230000008859 change Effects 0.000 abstract description 3
- 206010028980 Neoplasm Diseases 0.000 description 35
- 201000011510 cancer Diseases 0.000 description 33
- 238000013480 data collection Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 239000000835 fiber Substances 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
一种基于在线分类算法的鲁棒性病症检测方法。所述方法包括；S1、通过在线分类方法处理病症数据集，得到病症检测集成分类器；S2、通过在线分类算法更新病症检测集成分类器中的历史数据，删除噪声点；S3、通过病症检测集成分类器对目标病症数据集进行病症检测。本发明通过在步骤S1中划分聚类空间对样本做出区分，然后在步骤S2中进一步筛选数据样本，对样本进行更新、淘汰，提升分类预测的质量，处理噪声点带来的负面影响，加强数据集的稳定性；在样本以数据流的形式到达时，样本空间不断做出更新，大大提升了优秀样本的利用率，通过样本在不同簇的选取情况，确定每个簇的活跃程度，判断病症样本的变化区间，提升分类的精度。
Description
技术领域
本发明涉及数据流和分类学习技术领域，尤其涉及一种基于在线分类算法的鲁棒性病症检测方法。
背景技术
在当今的社会中，众多的疾病一直威胁这人类的健康，影响人们的生活质量，随着生活水平的提升，人们也开始重视自己的身体健康，对自己的身体做出检查，判断自身是否患有疾病，比如癌症，虽然医护人员可以利用历史的诊断信息做出判断，但往往需要大量的数据，而且每个患者的数据都不相同，癌症数据可能也会发生变化，数据中往往有一些无关数据(噪声点)，传统的一些理论可能会不太适用，因此如何正确有效地检测出癌症并进行相关治疗，成为很重要的一项技术。在现实的大量医学数据信息中，选择重要的数据信息，并随着数据的变化而做出更新，对癌症检测是非常重要的。
传统的离线分类学习方法对医学数据的筛选不够准确，往往不能做出及时更新，存在大量的冗余和未知区域信息，这使得训练分类的消耗很大，分类往往也不够准确。
发明内容
为使得病症检测的数据在噪声环境下筛选更加准确、稳定，为此，本发明提出了一种基于在线分类算法的鲁棒性病症检测方法，具体方案如下：
一种基于在线分类算法的病症检测方法，包括；
S1、通过在线分类方法处理病症数据集，得到病症检测集成分类器；
S2、通过在线分类算法更新病症检测集成分类器中的历史数据，删除噪声点；
S3、通过病症检测集成分类器对目标病症数据集进行病症检测。
具体地说，步骤S1具体包括：
S11、通过在线方式，将病症数据集当作数据流处理，选取病症数据集前N个个体作为初始种群，数据集最后一列为样本标签，其余数据流式读取；
S12、将训练集属性特征转换为分类器需要的格式，对数据进行归一化；
S13、通过多层聚类框架对初始种群进行聚类划分，形成不同数量簇组成的样本空间，得到样本预测模型，利用KNN分类器分类；在样本进行更新时，通过样本所属的簇引导更新；新样本预测时，通过所属的簇辅助预测。
具体地说，步骤S13中所述多层聚类框架具体包括：
采用k-means聚类算法对训练集中的数据进行聚类，利用不同的k值形成多层聚类样本空间，形成多样性，产生集成预测模型，计算数据预测准确度，D是病症数据集大小，/>是分类器预测标签，yi是样本真实标签，其中m是集成分类器数量，fj i表示第j个分类器对样本的预测结果。
具体地说，步骤S2具体为：
S21、根据新的样本更新多层样本空间中保存的样本权重；
S22、通过多层聚类空间中的样本权重对样本进行筛选淘汰，样本随着数据流实时更新，删除数据集中的噪声点，加强数据集的稳定性，通过最终筛选的样本空间训练的分类器对接下来的病症样本预测。
具体地说，步骤S21中更新保存的样本的权重具体步骤包括：
更新与新样本同一个簇的样本的内部权重dt表示当前t时刻到达样本,di表示与新样本同一个簇的旧样本，c表示当前簇的质心；更新所有样本的外部权重/>θ表示衰减系数。
具体地说，步骤S22中通过多层聚类空间中的样本权重对样本进行筛选淘汰、删除噪声点是使用以下淘汰机制：
其中m表示聚类空间簇的数目，ω表示聚类空间大小，β为常量，若样本权重低于阈值，对应样本便会被淘汰。
一种计算机可读存储介质，介质上存有计算机程序，计算机程序运行所述的基于在线分类算法的鲁棒性病症检测方法。
一种计算机系统，包括处理器、存储介质，存储介质上存有计算机程序，处理器从存储介质上读取并运行计算机程序以执所述的基于在线分类算法的鲁棒性病症检测方法。
本发明的有益效果在于：本发明通过在步骤S1中划分聚类空间对样本做出区分，然后在步骤S2中进一步筛选数据样本，对样本进行更新、淘汰，删除噪声点，提升分类预测的质量；在样本以数据流的形式到达时，样本空间不断做出更新，大大提升了优秀样本的利用率，通过样本在不同簇的选取情况，确定每个簇的活跃程度，判断癌症样本的变化区间，提升分类的精度。
附图说明
图1是本发明方法的流程图。
具体实施方式
如图1所示，一种基于在线分类算法的鲁棒性病症检测方法，在此以癌症数据为例，包括以下步骤：
S1、通过在线分类方法处理癌症数据集，得到癌症检测集成分类器；具体步骤为：
S11、通过在线方式，将癌症数据集当作数据流处理，选取癌症数据集前N个个体作为初始种群，获取癌症数据中常见的属性特征，其中，第t个癌症数据，记为(xt,yt)，且表示第t个癌症样本的属性特征，/>表示第t个癌症数据中第i个属性特征，yt表示该样本的标签，若yt＝1，表示该数据为正常数据，若yt＝0，表示为癌症数据，将癌症检测转换为二分类问题，其余数据流式读取；
S12、对第t个癌症数据的属性特征xt进行标准化处理，将训练集属性特征转换为分类器需要的格式，对数据进行归一化，减少模型训练的计算复杂度；
S13、通过多层次聚类框架对初始种群进行聚类划分，形成不同数量簇组成的样本空间，得到样本预测模型，利用KNN分类器分类；在样本进行更新时，通过样本所属的簇引导更新；新样本预测时，通过所属的簇辅助预测。
所述的多层聚类框架，具体包括：采用k-means聚类算法对训练集中的数据进行聚类，利用不同的k值形成多层聚类样本空间，对N个初始样本进行聚类，不同的样本空间产生不同的聚类结果，形成多样性，产生集成预测模型，计算数据预测准确度，D是癌症数据集大小，/>是分类器预测标签，yi是样本真实标签，其中m是集成分类器数量，/>表示第j个分类器对样本的预测结果。
S2、通过在线分类算法更新癌症检测分类器中的历史数据，删除噪声点，提升分类器的准确度；
具体包括：
S21、根据新的样本更新多层样本空间中保存的样本的权重，本发明将癌症数据集当作数据流的形式处理，每当新的数据到达时，会根据新样本对旧数据做出更新，保证对新样本预测的准确性。
更新保存的样本的权重，包括：
更新与新样本同一个簇的样本的内部权重c表示当前簇的质心，当旧样本与新数据的距离小于新数据与质心的距离时，就将旧样本的内部权重置为1，否则利用时间衰减系数降低样本权重；
更新所有样本的外部权重θ表示衰减系数，每当新样本到达时，旧样本对分类器预测的作用可能会降低，因此，利用时间衰减系数来降低样本外部权重；
S22、通过多层聚类空间中的样本权重对样本进行筛选淘汰，保证样本随着数据流实时更新，噪声点因为权重的衰减而被淘汰，通过最终筛选的样本空间训练的分类器对接下来的癌症样本预测。当样本的权重变低时，旧样本可能对分类器的预测起负面作用，因此及时淘汰负面样本也是提升分类性能的关键，在本发明中，淘汰机制包括：其中m表示聚类空间簇的数目，ω表示聚类空间大小，β为常量，若样本权重低于阈值，该样本便会被淘汰，防止影响整体预测精度。
S3、通过癌症检测集成分类器对目标癌症数据集进行癌症检测。
具体包括，通过集成分类器对目标癌症数据集进行癌症检测，判别目标癌症数据集中的未知样本为癌症样本或正常样本。
本发明通过在步骤S1中划分聚类空间对样本做出区分，然后在步骤S2中进一步筛选数据样本，对样本进行更新、淘汰，提升分类预测的质量；在样本以数据流的形式到达时，样本空间不断做出更新，大大提升了优秀样本的利用率，降低了噪声点带来的负面影响，通过样本在不同簇的选取情况，确定每个簇的活跃程度，判断癌症样本的变化区间，提升分类的精度。
本发明中另外包括的一种基于在线分类算法的鲁棒性病症检测系统，包括：
病症数据收集处理器，通过在线分类的方法处理收集的病症数据；
具体地说，病症数据收集处理器通过在线方式，将癌症数据集当作数据流处理，选取癌症数据集前N个个体作为初始种群，数据集最后一列为样本标签，其余数据流式读取，将训练集属性特征转换为分类器需要的格式，对数据进行归一化。
病症检测集成分类器，与病症数据收集处理器连接，将病症数据进行分类；病症检测集成分类器是通过多层聚类框架对初始种群进行聚类划分，形成不同数量簇组成的样本空间，得到样本预测模型，利用KNN分类器分类；在样本进行更新时，通过样本所属的簇引导更新；新样本预测时，通过所属的簇辅助预测。其中多层聚类框架采用k-means聚类算法对训练集中的数据进行聚类，利用不同的k值形成多层聚类样本空间，形成多样性，产生集成预测模型，计算数据预测准确度，D是癌症数据集大小，/>是分类器预测标签，yi是样本真实标签，/>其中m是集成分类器数量，/>表示第j个分类器对样本的预测结果。
数据在线更新模块，通过在线分类算法更新病症检测分类器中的历史数据；
具体地说，数据在线更新模块根据新的样本更新多层样本空间中保存的样本的权重；通过多层聚类空间中的样本权重对样本进行筛选淘汰，保证样本随着数据流实时更新，通过最终筛选的样本空间训练的分类器对接下来的癌症样本预测。其中更新保存的样本的权重具体步骤包括：更新与新样本同一个簇的样本的内部权重dt表示当前t时刻到达样本,di表示与新样本同一个簇的旧样本，c表示当前簇的质心；更新所有样本的外部权重/>θ表示衰减系数。对样本进行筛选淘汰的机制是/>其中m表示聚类空间簇的数目，ω表示聚类空间大小，β为常量，若样本权重低于阈值，对应样本便会被淘汰。
病症检测集成分类器，接收数据在线更新模块更新后的数据，用于对更新后的数据进行病症检测，判别目标癌症数据集中的未知样本为癌症样本或正常样本。
此外，本发明还揭示了一种计算机可读存储介质，介质上存有计算机程序，计算机程序运行后执行如前述实施例描述的基于在线分类算法的病症检测方法。
本发明还揭示了一种计算机系统，包括处理器、存储介质，存储介质上存有计算机程序，处理器从存储介质上读取并运行计算机程序以执行前述实施例描述的基于在线分类算法的病症检测方法。
尽管为使解释简单化将上述方法图示并描述为一系列动作，但是应理解并领会，这些方法不受动作的次序所限，因为根据一个或多个实施例，一些动作可按不同次序发生和/或与来自本文中图示和描述或本文中未图示和描述但本领域技术人员可以理解的其他动作并发地发生。
本领域技术人员将进一步领会，结合本文中所公开的实施例来描述的各种解说性逻辑板块、模块、电路、和算法步骤可实现为电子硬件、计算机软件、或这两者的组合。为清楚地解说硬件与软件的这一可互换性，各种解说性组件、框、模块、电路、和步骤在上面是以其功能性的形式作一般化描述的。此类功能性是被实现为硬件还是软件取决于具体应用和施加于整体系统的设计约束。技术人员对于每种特定应用可用不同的方式来实现所描述的功能性，但这样的实现决策不应被解读成导致脱离了本发明的范围。
结合本文所公开的实施例描述的各种解说性逻辑板块、模块、和电路可用通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其它可编程逻辑器件、分立的门或晶体管逻辑、分立的硬件组件、或其设计成执行本文所描述功能的任何组合来实现或执行。通用处理器可以是微处理器，但在替换方案中，该处理器可以是任何常规的处理器、控制器、微控制器、或状态机。处理器还可以被实现为计算设备的组合，例如DSP与微处理器的组合、多个微处理器、与DSP核心协作的一个或多个微处理器、或任何其他此类配置。
结合本文中公开的实施例描述的方法或算法的步骤可直接在硬件中、在由处理器执行的软件模块中、或在这两者的组合中体现。软件模块可驻留在RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动盘、CD-ROM、或本领域中所知的任何其他形式的存储介质中。示例性存储介质耦合到处理器以使得该处理器能从/向该存储介质读取和写入信息。在替换方案中，存储介质可以被整合到处理器。处理器和存储介质可驻留在ASIC中。ASIC可驻留在用户终端中。在替换方案中，处理器和存储介质可作为分立组件驻留在用户终端中。
在一个或多个示例性实施例中，所描述的功能可在硬件、软件、固件或其任何组合中实现。如果在软件中实现为计算机程序产品，则各功能可以作为一条或更多条指令或代码存储在计算机可读介质上或藉其进行传送。计算机可读介质包括计算机存储介质和通信介质两者，其包括促成计算机程序从一地向另一地转移的任何介质。存储介质可以是能被计算机访问的任何可用介质。作为示例而非限定，这样的计算机可读介质可包括RAM、ROM、EEPROM、CD-ROM或其它光盘存储、磁盘存储或其它磁存储设备、或能被用来携带或存储指令或数据结构形式的合意程序代码且能被计算机访问的任何其它介质。任何连接也被正当地称为计算机可读介质。例如，如果软件是使用同轴电缆、光纤电缆、双绞线、数字订户线(DSL)、或诸如红外、无线电、以及微波之类的无线技术从web网站、服务器、或其它远程源传送而来，则该同轴电缆、光纤电缆、双绞线、DSL、或诸如红外、无线电、以及微波之类的无线技术就被包括在介质的定义之中。如本文中所使用的盘(disk)和碟(disc)包括压缩碟(CD)、激光碟、光碟、数字多用碟(DVD)、软盘和蓝光碟，其中盘(disk)往往以磁的方式再现数据，而碟(disc)用激光以光学方式再现数据。上述的组合也应被包括在计算机可读介质的范围内。
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 (5)
1.一种基于在线分类算法的病症检测方法，其特征在于，包括；
S1、通过在线分类方法处理病症数据集，得到病症检测集成分类器；具体包括以下步骤：
S11、通过在线方式，将病症数据集当作数据流处理，选取病症数据集前N个个体作为初始种群，数据集最后一列为样本标签，其余数据流式读取；
S12、将训练集属性特征转换为分类器需要的格式，对数据进行归一化；
S13、通过多层聚类框架对初始种群进行聚类划分，形成不同数量簇组成的样本空间，得到样本预测模型，利用KNN分类器分类；在样本进行更新时，通过样本所属的簇引导更新；新样本预测时，通过所属的簇辅助预测；
其中，所述多层聚类框架具体包括：
采用k-means聚类算法对训练集中的数据进行聚类，利用不同的k值形成多层聚类样本空间，形成多样性，产生集成预测模型，计算数据预测准确度，D是病症数据集大小，/>是分类器预测标签，yi是样本真实标签，其中m是集成分类器数量，/>表示第j个分类器对样本的预测结果；
S2、通过在线分类算法更新病症检测集成分类器中的历史数据，删除噪声点；具体包括以下步骤：
S21、根据新的样本更新多层样本空间中保存的样本权重；
S22、通过多层聚类空间中的样本权重对样本进行筛选淘汰，样本随着数据流实时更新，删除数据集中的噪声点，加强数据集的稳定性，通过最终筛选的样本空间训练的分类器对接下来的病症样本预测；
S3、通过病症检测集成分类器对目标病症数据集进行病症检测。
2.根据权利要求1所述的一种基于在线分类算法的病症检测方法，其特征在于，
步骤S21中更新保存的样本的权重具体步骤包括：
更新与新样本同一个簇的样本的内部权重dt表示当前t时刻到达样本,di表示与新样本同一个簇的旧样本，c表示当前簇的质心；更新所有样本的外部权重/>θ表示衰减系数。
3.根据权利要求1所述的一种基于在线分类算法的病症检测方法，其特征在于，步骤S22中通过多层聚类空间中的样本权重对样本进行筛选淘汰、删除噪声点是使用以下淘汰机制：
其中m表示聚类空间簇的数目，ω表示聚类空间大小，β为常量，若样本权重低于阈值，对应样本便会被淘汰。
4.一种计算机可读存储介质，其特征在于，介质上存有计算机程序，计算机程序运行如权利要求1-3任意一项所述的基于在线分类算法的病症检测方法。
5.一种计算机系统，其特征在于，包括处理器、存储介质，存储介质上存有计算机程序，处理器从存储介质上读取并运行计算机程序以执行如权利要求1至3任意一项所述的基于在线分类算法的病症检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111327568.0A CN114300116B (zh) | 2021-11-10 | 2021-11-10 | 一种基于在线分类算法的鲁棒性病症检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111327568.0A CN114300116B (zh) | 2021-11-10 | 2021-11-10 | 一种基于在线分类算法的鲁棒性病症检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114300116A CN114300116A (zh) | 2022-04-08 |
| CN114300116B true CN114300116B (zh) | 2023-11-28 |
Family
ID=80963812
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111327568.0A Active CN114300116B (zh) | 2021-11-10 | 2021-11-10 | 一种基于在线分类算法的鲁棒性病症检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114300116B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108877947A (zh) * | 2018-06-01 | 2018-11-23 | 重庆大学 | 基于迭代均值聚类的深度样本学习方法 |
| CN109360656A (zh) * | 2018-08-20 | 2019-02-19 | 安徽大学 | 一种基于多目标演化算法的癌症检测方法 |
| CN110993103A (zh) * | 2019-11-28 | 2020-04-10 | 阳光人寿保险股份有限公司 | 疾病风险预测模型的建立方法和疾病保险产品的推荐方法 |
| CN111274874A (zh) * | 2020-01-08 | 2020-06-12 | 上海应用技术大学 | 基于adaboost的食源性致病菌拉曼光谱分类模型训练方法 |
| CN111695626A (zh) * | 2020-06-10 | 2020-09-22 | 湖南湖大金科科技发展有限公司 | 基于混合采样与特征选择的高维度不平衡数据分类方法 |
| CN111798981A (zh) * | 2020-07-10 | 2020-10-20 | 吾征智能技术(北京)有限公司 | 一种基于饮食习惯预测痛风的模型构建方法和系统 |
| WO2021011698A1 (en) * | 2019-07-15 | 2021-01-21 | Regents Of The University Of Minnesota | Artificial intelligence for early cancer detection |
| GB202112104D0 (en) * | 2020-08-24 | 2021-10-06 | Nvidia Corp | Machine-learning techniques for oxygen therapy prediction using medical imaging data and clinical metadata |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020081445A1 (en) * | 2018-10-15 | 2020-04-23 | Hangzhou New Horizon Health Technology Co. Ltd. | Methods and systems for predicting or diagnosing cancer |
| US20200303060A1 (en) * | 2019-03-18 | 2020-09-24 | Nvidia Corporation | Diagnostics using one or more neural networks |
-
2021
- 2021-11-10 CN CN202111327568.0A patent/CN114300116B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108877947A (zh) * | 2018-06-01 | 2018-11-23 | 重庆大学 | 基于迭代均值聚类的深度样本学习方法 |
| CN109360656A (zh) * | 2018-08-20 | 2019-02-19 | 安徽大学 | 一种基于多目标演化算法的癌症检测方法 |
| WO2021011698A1 (en) * | 2019-07-15 | 2021-01-21 | Regents Of The University Of Minnesota | Artificial intelligence for early cancer detection |
| CN110993103A (zh) * | 2019-11-28 | 2020-04-10 | 阳光人寿保险股份有限公司 | 疾病风险预测模型的建立方法和疾病保险产品的推荐方法 |
| CN111274874A (zh) * | 2020-01-08 | 2020-06-12 | 上海应用技术大学 | 基于adaboost的食源性致病菌拉曼光谱分类模型训练方法 |
| CN111695626A (zh) * | 2020-06-10 | 2020-09-22 | 湖南湖大金科科技发展有限公司 | 基于混合采样与特征选择的高维度不平衡数据分类方法 |
| CN111798981A (zh) * | 2020-07-10 | 2020-10-20 | 吾征智能技术(北京)有限公司 | 一种基于饮食习惯预测痛风的模型构建方法和系统 |
| GB202112104D0 (en) * | 2020-08-24 | 2021-10-06 | Nvidia Corp | Machine-learning techniques for oxygen therapy prediction using medical imaging data and clinical metadata |
Non-Patent Citations (7)
| Title |
|---|
| Performance study of K-nearest neighbor classifier and K-means clustering for predicting the diagnostic accuracy;Kavita Mittal et al.;《International Journal of Information Technology》;第535–540页 * |
| 一种适用于不均衡数据集分类的KNN算法;杜娟;刘志刚;衣治安;;科学技术与工程(第12期);第2680-2685页 * |
| 基于分类器选择的集成学习算法研究;陈伟宏;《中国优秀硕士学位论文全文数据库 (信息科技辑)》(第02期);第I138-836页 * |
| 基于少量类标签的概念漂移检测算法;李南;郭躬德;陈黎飞;;计算机应用(第08期);第98-103+107页 * |
| 复杂环境下数据流自适应学习策略及其应用研究;李尧;《中国优秀硕士学位论文全文数据库 (信息科技辑)》(第01期);第I138-904页 * |
| 面向不平衡数据流的动态权重集成分类算法;董明刚;张伟;敬超;;小型微型计算机系统(第08期);第83-89页 * |
| 面向大规模非平衡数据集的潜在家庭宽带用户识别问题研究;林舒卿;《中国优秀硕士学位论文全文数据库 (信息科技辑)》(第07期);第I138-373页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114300116A (zh) | 2022-04-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Makar et al. | Short-term mortality prediction for elderly patients using medicare claims data | |
| CN110051324B (zh) | 一种急性呼吸窘迫综合征死亡率预测方法及系统 | |
| Singh et al. | Robust detection of Parkinson's disease using harvested smartphone voice data: A telemedicine approach | |
| WO2021217867A1 (zh) | 基于XGBoost的数据分类方法、装置、计算机设备及存储介质 | |
| CN110443692A (zh) | 企业信贷审核方法、装置、设备及计算机可读存储介质 | |
| CN111785384A (zh) | 基于人工智能的异常数据识别方法及相关设备 | |
| CN107658023A (zh) | 疾病预测方法、装置、介质和电子设备 | |
| Barata et al. | Automatic recognition, segmentation, and sex assignment of nocturnal asthmatic coughs and cough epochs in smartphone audio recordings: observational field study | |
| CN109817339B (zh) | 基于大数据的患者分组方法和装置 | |
| Wu et al. | The rough set theory and applications | |
| JP7381815B1 (ja) | 適応リサンプリングディープエンコーダネットワークに基づく通路異常検出システム | |
| US20210174968A1 (en) | Visualization of Social Determinants of Health | |
| CN109508336A (zh) | 基于医疗资源事实库的检索方法、存储介质及计算机设备 | |
| CN114448657B (zh) | 一种配电通信网络安全态势感知与异常入侵检测方法 | |
| CN109871866B (zh) | 用于医院内感染预测的模型训练方法、装置、设备及介质 | |
| CN116842460A (zh) | 基于注意力机制与残差神经网络的咳嗽关联疾病识别方法和系统 | |
| Zhang et al. | Exploring unsupervised multivariate time series representation learning for chronic disease diagnosis | |
| WO2019218482A1 (zh) | 基于大数据的人群筛选方法、装置、终端设备及可读存储介质 | |
| CN114300116B (zh) | 一种基于在线分类算法的鲁棒性病症检测方法 | |
| JP2000259719A (ja) | 債務不履行の確率を計算する方法及び装置 | |
| CN116108906A (zh) | 疾病药品关系映射模型训练及相关推荐、检测方法和装置 | |
| Ling et al. | A semi-supervised machine learning approach to detecting recurrent metastatic breast cancer cases using linked cancer registry and electronic medical record data | |
| JP7364206B2 (ja) | 学習装置、学習方法、及び制御プログラム | |
| CN110033862B (zh) | 一种基于加权有向图的中医量化诊断系统及存储介质 | |
| CN112259231A (zh) | 一种高危胃肠间质瘤患者术后复发风险评估方法与系统 |
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 |