CN116741373A - 基于神经网络模型的蛇伤类型识别方法、装置及电子设备 - Google Patents
基于神经网络模型的蛇伤类型识别方法、装置及电子设备 Download PDFInfo
- Publication number
- CN116741373A CN116741373A CN202311009118.6A CN202311009118A CN116741373A CN 116741373 A CN116741373 A CN 116741373A CN 202311009118 A CN202311009118 A CN 202311009118A CN 116741373 A CN116741373 A CN 116741373A
- Authority
- CN
- China
- Prior art keywords
- snake bite
- snake
- neural network
- network model
- bite
- 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.)
- Granted
Links
- 208000004078 Snake Bites Diseases 0.000 title claims abstract description 277
- 238000003062 neural network model Methods 0.000 title claims abstract description 81
- 238000000034 method Methods 0.000 title claims abstract description 26
- 230000003287 optical effect Effects 0.000 claims description 19
- 238000007781 pre-processing Methods 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 8
- 230000036772 blood pressure Effects 0.000 claims description 4
- 230000036760 body temperature Effects 0.000 claims description 4
- 230000008030 elimination Effects 0.000 claims description 4
- 238000003379 elimination reaction Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 206010052428 Wound Diseases 0.000 description 3
- 208000027418 Wounds and injury Diseases 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 206010014080 Ecchymosis Diseases 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000008961 swelling Effects 0.000 description 2
- 241000270295 Serpentes Species 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000003792 electrolyte Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003993 interaction Effects 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
- 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
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Epidemiology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- Pathology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明属于蛇伤类型识别技术领域,涉及基于神经网络模型的蛇伤类型识别方法、装置及电子设备。该方法包括:获取历史蛇伤病例数据,构建蛇伤病例数据库;预处理;建立蛇伤类型识别神经网络模型;利用历史蛇伤病例数据对蛇伤类型识别神经网络模型进行训练,得到训练后的蛇伤类型识别神经网络模型;获取当前蛇伤病例数据,提取当前蛇伤病例数据的蛇伤特征参数;加载训练后的蛇伤类型识别神经网络模型,得到目标蛇伤类型数据。本发明采用蛇伤类型识别神经网络模型能够快速、准确的识别蛇伤类型,解决基层医生蛇伤医疗经验不足问题,从而有利于根据该蛇伤病例数据分类结果制定科学高效的医疗方案,有效降低蛇伤致死致残率。
Description
技术领域
本发明属于蛇伤类型识别技术领域,具体而言,涉及基于神经网络模型的蛇伤类型识别方法、装置及电子设备。
背景技术
我国每年蛇伤大约10万~20万人次,由于基层医院医生蛇伤治疗经验不足,对蛇伤类型判断不准确导致治疗效果差,导致蛇伤患者到医院接受治疗的意愿不高,直接导致蛇伤致死致残率较高。因此迫切需要构建一种蛇伤类型识别神经网络模型,能准确识别蛇伤类型,有助于蛇伤类型识别与蛇伤医疗方案选择,从而促进蛇伤医疗水平的提高,促进更多蛇伤患者到基层医院接受正规蛇伤治疗。
发明内容
为了解决上述技术问题,本发明提供基于神经网络模型的蛇伤类型识别方法、装置及电子设备。
第一方面,本发明提供了基于神经网络模型的蛇伤类型识别方法,包括:
获取历史蛇伤病例数据,构建蛇伤病例数据库;每个所述历史蛇伤病例数据包括若干个蛇伤特征参数与蛇伤类型数据;
对所述历史蛇伤病例数据进行预处理,提取蛇伤特征参数;
建立蛇伤类型识别神经网络模型;
利用所述历史蛇伤病例数据中的所述蛇伤特征参数与所述蛇伤类型数据对所述蛇伤类型识别神经网络模型进行训练,确定所述蛇伤类型识别神经网络模型的结构参数,得到训练后的所述蛇伤类型识别神经网络模型;
获取当前蛇伤病例数据,提取所述当前蛇伤病例数据的蛇伤特征参数;
将所述当前蛇伤病例数据的蛇伤特征参数输入至训练后的所述蛇伤类型识别神经网络模型;
加载训练后的所述蛇伤类型识别神经网络模型,对所述当前蛇伤特征参数进行处理,得到目标蛇伤类型数据。
第二方面,本发明提供了基于神经网络模型的蛇伤类型识别装置,包括获取单元、预处理单元、模型建立单元、模型训练单元、特征参数提取单元、输入单元与处理单元;
所述获取单元,用于获取历史蛇伤病例数据,构建蛇伤病例数据库;每个所述历史蛇伤病例数据包括若干个蛇伤特征参数与蛇伤类型数据;
所述预处理单元,用于对所述历史蛇伤病例数据进行预处理,提取蛇伤特征参数;
所述模型建立单元,用于建立蛇伤类型识别神经网络模型;
所述模型训练单元,用于利用所述历史蛇伤病例数据中的所述蛇伤特征参数与所述蛇伤类型数据对所述蛇伤类型识别神经网络模型进行训练,确定所述蛇伤类型识别神经网络模型的结构参数,得到训练后的所述蛇伤类型识别神经网络模型;
所述特征参数提取单元,用于获取当前蛇伤病例数据,提取所述当前蛇伤病例数据的蛇伤特征参数;
所述输入单元,用于将所述当前蛇伤病例数据的蛇伤特征参数输入至训练后的所述蛇伤类型识别神经网络模型;
所述处理单元,用于加载训练后的所述蛇伤类型识别神经网络模型,对所述当前蛇伤特征参数进行处理,得到目标蛇伤类型数据。
第三方面,本发明提供了一种电子设备,包括:
处理器和存储器;
所述存储器,用于存储计算机操作指令;
所述处理器,用于通过调用所述计算机操作指令,执行所述的基于神经网络模型的蛇伤类型识别方法。
在上述技术方案的基础上,本发明还可以做如下改进。
进一步,所述历史蛇伤病例数据包括蛇伤部位医疗光学图像数据、蛇伤患者生化数据与蛇伤患者生命体征数据。
进一步,所述蛇伤部位医疗光学图像数据对应的所述蛇伤特征参数包括蛇伤部位医疗光学图像的颜色参数与纹理参数;所述蛇伤患者生化数据对应的所述蛇伤特征参数包括蛇伤患者生化数据范围;所述蛇伤患者生命体征数据对应的所述蛇伤特征参数包括体温数据、脉搏数据与血压数据。
进一步,对所述历史蛇伤病例数据进行预处理,提取蛇伤特征参数,包括:
对所述历史蛇伤病例数据进行处理,包括增强、滤波、消噪和分割;
基于最小二乘法从处理后的所述历史蛇伤病例数据中提取所述蛇伤特征参数。
进一步,利用所述历史蛇伤病例数据中的所述蛇伤特征参数与所述蛇伤类型数据对所述蛇伤类型识别神经网络模型进行训练时,使用反向传播算法对所述蛇伤类型识别神经网络模型的权值和偏差进行反复的调整训练。
本发明的有益效果是:本发明采用神经网络模型能够快速、准确的识别蛇伤类型,解决基层医生蛇伤医疗经验不足问题,从而有利于根据该蛇伤病例数据分类结果制定科学高效的医疗方案,有效降低蛇伤致死致残率。
附图说明
图1为本发明实施例1提供的基于神经网络模型的蛇伤类型识别方法的原理图;
图2为本发明实施例2提供的基于神经网络模型的蛇伤类型识别装置的原理图;
图3为本发明实施例3提供的一种电子设备的原理图。
图标:30-电子设备;310-处理器;320-总线;330-存储器;340-收发器。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
实施例1
作为一个实施例,如附图1所示,为解决上述技术问题,本实施例提供基于神经网络模型的蛇伤类型识别方法,包括:
获取历史蛇伤病例数据,构建蛇伤病例数据库;每个历史蛇伤病例数据包括若干个蛇伤特征参数与蛇伤类型数据;
对历史蛇伤病例数据进行预处理,提取蛇伤特征参数;
建立蛇伤类型识别神经网络模型;
利用历史蛇伤病例数据中的蛇伤特征参数与蛇伤类型数据对蛇伤类型识别神经网络模型进行训练,确定蛇伤类型识别神经网络模型的结构参数,得到训练后的蛇伤类型识别神经网络模型;
获取当前蛇伤病例数据,提取当前蛇伤病例数据的蛇伤特征参数;
将当前蛇伤病例数据的蛇伤特征参数输入至训练后的蛇伤类型识别神经网络模型;
加载训练后的蛇伤类型识别神经网络模型,对当前蛇伤特征参数进行处理,得到目标蛇伤类型数据。
在实际应用过程中,将蛇伤特征参数与蛇伤类型数据作为蛇伤类型识别神经网络模型的样本数据,其中,蛇伤特征参数作为蛇伤类型识别神经网络模型的输入数据,蛇伤类型数据作为蛇伤类型识别神经网络模型的输出数据,利用样本数据对蛇伤类型识别神经网络模型进行训练,得到训练后的蛇伤类型识别神经网络模型;利用训练后的蛇伤类型识别神经网络模型对当前蛇伤病例数据的当前蛇伤特征参数进行处理,得到目标蛇伤类型数据,实现对蛇伤病例数据的识别。
本发明采用蛇伤类型识别神经网络模型能够快速、准确的识别蛇伤类型,解决基层医生蛇伤医疗经验不足无法进行蛇伤类型识别的问题,从而有利于根据该蛇伤病例数据分类结果制定科学高效的医疗方案,有效降低蛇伤致死致残率。
可选的,历史蛇伤病例数据包括蛇伤部位医疗光学图像数据、蛇伤患者生化数据与蛇伤患者生命体征数据。
蛇伤部位一般会有肿胀或者瘀斑,通过采集蛇伤部位医疗光学图像对肿胀或者瘀斑的蛇伤部位进行图像采集分析,对蛇伤部位医疗光学图像进行特征提取。
可选的,蛇伤部位医疗光学图像数据对应的蛇伤特征参数包括蛇伤部位医疗光学图像的颜色参数与纹理参数;蛇伤患者生化数据对应的蛇伤特征参数包括蛇伤患者生化数据范围;蛇伤患者生命体征数据对应的蛇伤特征参数包括体温数据、脉搏数据与血压数据。
在实际应用过程中,对于蛇伤部位医疗光学图像数据采用图像特征提取与识别的方式,提取蛇伤部位医疗光学图像的颜色参数与纹理参数;蛇伤患者生化数据如血糖、血脂、电解质等。
可选的,对历史蛇伤病例数据进行预处理,提取蛇伤特征参数,包括:
对历史蛇伤病例数据进行处理,包括增强、滤波、消噪和分割;
基于最小二乘法从处理后的历史蛇伤病例数据中提取蛇伤特征参数。
可选的,利用所述历史蛇伤病例数据中的所述蛇伤特征参数与所述蛇伤类型数据对所述神经网络模型进行训练时,计算蛇伤类型数据的误差,确定蛇伤类型识别神经网络模型的损失值;利用图神经网络模型的损失值,使用反向传播算法对蛇伤类型识别神经网络模型的权值和偏差进行反复的调整训练,直至蛇伤类型识别神经网络模型收敛。
本发明通过蛇伤类型识别神经网络模型对蛇伤类型进行识别,有助于蛇伤医疗方案选择,从而促进蛇伤医疗水平的提高,促进更多蛇伤患者到基层医院接受正规蛇伤治疗。
实施例2
基于与本发明的实施例1中所示的方法相同的原理,如附图2所示,本发明的实施例中还提供了基于神经网络模型的蛇伤类型识别装置,包括获取单元、预处理单元、模型建立单元、模型训练单元、特征参数提取单元、输入单元与处理单元;
获取单元,用于获取历史蛇伤病例数据,构建蛇伤病例数据库;每个历史蛇伤病例数据包括若干个蛇伤特征参数与蛇伤类型数据;
预处理单元,用于对历史蛇伤病例数据进行预处理,提取蛇伤特征参数;
模型建立单元,用于建立蛇伤类型识别神经网络模型;
模型训练单元,用于利用历史蛇伤病例数据中的蛇伤特征参数与蛇伤类型数据对蛇伤类型识别神经网络模型进行训练,确定蛇伤类型识别神经网络模型的结构参数,得到训练后的蛇伤类型识别神经网络模型;
特征参数提取单元,用于获取当前蛇伤病例数据,提取当前蛇伤病例数据的蛇伤特征参数;
输入单元,用于将当前蛇伤病例数据的蛇伤特征参数输入至训练后的蛇伤类型识别神经网络模型;
处理单元,用于加载训练后的蛇伤类型识别神经网络模型,对当前蛇伤特征参数进行处理,得到目标蛇伤类型数据。
可选的,历史蛇伤病例数据包括蛇伤部位医疗光学图像数据、蛇伤患者生化数据与蛇伤患者生命体征数据。
可选的,蛇伤部位医疗光学图像数据对应的蛇伤特征参数包括蛇伤部位医疗光学图像的颜色参数与纹理参数;蛇伤患者生化数据对应的蛇伤特征参数包括蛇伤患者生化数据范围;蛇伤患者生命体征数据对应的蛇伤特征参数包括体温数据、脉搏数据与血压数据。
可选的,对历史蛇伤病例数据进行预处理,提取蛇伤特征参数,包括:
对历史蛇伤病例数据进行处理,包括增强、滤波、消噪和分割;
基于最小二乘法从处理后的历史蛇伤病例数据中提取蛇伤特征参数。
可选的,利用历史蛇伤病例数据中的蛇伤特征参数与蛇伤类型数据对蛇伤类型识别神经网络模型进行训练时,使用反向传播算法对蛇伤类型识别神经网络模型的权值和偏差进行反复的调整训练。
实施例3
基于与本发明的实施例中所示的方法相同的原理,本发明的实施例中还提供了一种电子设备,如附图3所示,该电子设备可以包括但不限于:处理器和存储器;存储器,用于存储计算机程序;处理器,用于通过调用计算机程序执行本发明实施例所示的基于神经网络模型的蛇伤类型识别方法。
在一个可选实施例中提供了一种电子设备,图3所示的电子设备30包括:处理器310和存储器330。其中,处理器310和存储器330相连,如通过总线320相连。
可选地,电子设备30还可以包括收发器340,收发器340可以用于该电子设备与其他电子设备之间的数据交互,如数据的发送和/或数据的接收等。需要说明的是,实际应用中收发器340不限于一个,该电子设备30的结构并不构成对本发明实施例的限定。
处理器310可以是CPU(Central Processing Unit,中央处理器),通用处理器,DSP(Digital Signal Processor,数据信号处理器),ASIC(Application SpecificIntegrated Circuit,专用集成电路),FPGA(Field Programmable Gate Array,现场可编程门阵列)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本发明公开内容所描述的各种示例性的逻辑方框,模块和电路。处理器310也可以是实现计算功能的组合,例如包含一个或多个微处理器组合,DSP和微处理器的组合等。
总线320可包括一通路,在上述组件之间传送信息。总线320可以是PCI(Peripheral Component Interconnect,外设部件互连标准)总线或EISA(ExtendedIndustry Standard Architecture,扩展工业标准结构)总线等。总线320可以分为地址总线、数据总线、控制总线等。为便于表示,图3中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
存储器330可以是ROM(Read Only Memory,只读存储器)或可存储静态信息和指令的其他类型的静态存储设备,RAM(Random Access Memory,随机存取存储器)或者可存储信息和指令的其他类型的动态存储设备,也可以是EEPROM(Electrically ErasableProgrammable Read Only Memory,电可擦可编程只读存储器)、CD-ROM(Compact DiscRead Only Memory,只读光盘)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。
存储器330用于存储执行本发明方案的应用程序代码(计算机程序),并由处理器310来控制执行。处理器310用于执行存储器330中存储的应用程序代码,以实现前述方法实施例所示的内容。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.基于神经网络模型的蛇伤类型识别方法,其特征在于,包括:
获取历史蛇伤病例数据,构建蛇伤病例数据库;每个所述历史蛇伤病例数据包括若干个蛇伤特征参数与蛇伤类型数据;
对所述历史蛇伤病例数据进行预处理,提取蛇伤特征参数;
建立蛇伤类型识别神经网络模型;
利用所述历史蛇伤病例数据中的所述蛇伤特征参数与所述蛇伤类型数据对所述蛇伤类型识别神经网络模型进行训练,确定所述蛇伤类型识别神经网络模型的结构参数,得到训练后的所述蛇伤类型识别神经网络模型;
获取当前蛇伤病例数据,提取所述当前蛇伤病例数据的蛇伤特征参数;
将所述当前蛇伤病例数据的蛇伤特征参数输入至训练后的所述蛇伤类型识别神经网络模型;
加载训练后的所述蛇伤类型识别神经网络模型,对所述当前蛇伤特征参数进行处理,得到目标蛇伤类型数据。
2.根据权利要求1所述基于神经网络模型的蛇伤类型识别方法,其特征在于,所述历史蛇伤病例数据包括蛇伤部位医疗光学图像数据、蛇伤患者生化数据与蛇伤患者生命体征数据。
3.根据权利要求2所述基于神经网络模型的蛇伤类型识别方法,其特征在于,所述蛇伤部位医疗光学图像数据对应的所述蛇伤特征参数包括蛇伤部位医疗光学图像的颜色参数与纹理参数;所述蛇伤患者生化数据对应的所述蛇伤特征参数包括蛇伤患者生化数据范围;所述蛇伤患者生命体征数据对应的所述蛇伤特征参数包括体温数据、脉搏数据与血压数据。
4.根据权利要求1所述基于神经网络模型的蛇伤类型识别方法,其特征在于,对所述历史蛇伤病例数据进行预处理,提取蛇伤特征参数,包括:
对所述历史蛇伤病例数据进行处理,包括增强、滤波、消噪和分割;
基于最小二乘法从处理后的所述历史蛇伤病例数据中提取所述蛇伤特征参数。
5.根据权利要求1所述基于神经网络模型的蛇伤类型识别方法,其特征在于,利用所述历史蛇伤病例数据中的所述蛇伤特征参数与所述蛇伤类型数据对所述蛇伤类型识别神经网络模型进行训练时,使用反向传播算法对所述蛇伤类型识别神经网络模型的权值和偏差进行反复的调整训练。
6.基于神经网络模型的蛇伤类型识别装置,其特征在于,包括获取单元、预处理单元、模型建立单元、模型训练单元、特征参数提取单元、输入单元与处理单元;
所述获取单元,用于获取历史蛇伤病例数据,构建蛇伤病例数据库;每个所述历史蛇伤病例数据包括若干个蛇伤特征参数与蛇伤类型数据;
所述预处理单元,用于对所述历史蛇伤病例数据进行预处理,提取蛇伤特征参数;
所述模型建立单元,用于建立蛇伤类型识别神经网络模型;
所述模型训练单元,用于利用所述历史蛇伤病例数据中的所述蛇伤特征参数与所述蛇伤类型数据对所述蛇伤类型识别神经网络模型进行训练,确定所述蛇伤类型识别神经网络模型的结构参数,得到训练后的所述蛇伤类型识别神经网络模型;
所述特征参数提取单元,用于获取当前蛇伤病例数据,提取所述当前蛇伤病例数据的蛇伤特征参数;
所述输入单元,用于将所述当前蛇伤病例数据的蛇伤特征参数输入至训练后的所述蛇伤类型识别神经网络模型;
所述处理单元,用于加载训练后的所述蛇伤类型识别神经网络模型,对所述当前蛇伤特征参数进行处理,得到目标蛇伤类型数据。
7.一种电子设备,其特征在于,包括:
处理器和存储器;
所述存储器,用于存储计算机操作指令;
所述处理器,用于通过调用所述计算机操作指令,执行权利要求1至5中任一项所述的基于神经网络模型的蛇伤类型识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311009118.6A CN116741373B (zh) | 2023-08-11 | 2023-08-11 | 基于神经网络模型的蛇伤类型识别方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311009118.6A CN116741373B (zh) | 2023-08-11 | 2023-08-11 | 基于神经网络模型的蛇伤类型识别方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116741373A true CN116741373A (zh) | 2023-09-12 |
CN116741373B CN116741373B (zh) | 2023-11-07 |
Family
ID=87915369
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311009118.6A Active CN116741373B (zh) | 2023-08-11 | 2023-08-11 | 基于神经网络模型的蛇伤类型识别方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116741373B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160042134A1 (en) * | 2013-03-07 | 2016-02-11 | Medesso Gmbh | Method of calculating a score of a medical suggestion as a support in medical decision making |
CN110555371A (zh) * | 2019-07-19 | 2019-12-10 | 华瑞新智科技(北京)有限公司 | 一种基于无人机的野生动物信息获取方法和装置 |
KR20200027587A (ko) * | 2018-08-30 | 2020-03-13 | 충북대학교 산학협력단 | 이미지 패턴화를 이용한 뱀 식별 방법 |
CN113569985A (zh) * | 2021-08-18 | 2021-10-29 | 梧州市中医医院 | 一种烙铁头蛇或竹叶青蛇咬伤的智能识别系统 |
CN115205895A (zh) * | 2021-06-22 | 2022-10-18 | 中国海洋大学 | 基于神经网络的蛇毒种类识别方法及装置 |
-
2023
- 2023-08-11 CN CN202311009118.6A patent/CN116741373B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160042134A1 (en) * | 2013-03-07 | 2016-02-11 | Medesso Gmbh | Method of calculating a score of a medical suggestion as a support in medical decision making |
KR20200027587A (ko) * | 2018-08-30 | 2020-03-13 | 충북대학교 산학협력단 | 이미지 패턴화를 이용한 뱀 식별 방법 |
CN110555371A (zh) * | 2019-07-19 | 2019-12-10 | 华瑞新智科技(北京)有限公司 | 一种基于无人机的野生动物信息获取方法和装置 |
CN115205895A (zh) * | 2021-06-22 | 2022-10-18 | 中国海洋大学 | 基于神经网络的蛇毒种类识别方法及装置 |
CN113569985A (zh) * | 2021-08-18 | 2021-10-29 | 梧州市中医医院 | 一种烙铁头蛇或竹叶青蛇咬伤的智能识别系统 |
Non-Patent Citations (1)
Title |
---|
张皓洋;: "基于Inception-v3模型的蛇类图像识别", 电子技术与软件工程, no. 10 * |
Also Published As
Publication number | Publication date |
---|---|
CN116741373B (zh) | 2023-11-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Nath et al. | A natural language processing tool for large-scale data extraction from echocardiography reports | |
CN116798646B (zh) | 基于聚类算法的蛇伤预后预测方法、装置及电子设备 | |
CN114912887B (zh) | 一种基于电子病历的临床数据录入方法及录入装置 | |
CN114512228A (zh) | 一种中医疾病辅助诊断系统、设备及存储介质 | |
CN111667474A (zh) | 骨折识别方法、装置、设备和计算机可读存储介质 | |
CN116631561B (zh) | 基于特征划分的患者身份信息匹配方法、装置及电子设备 | |
CN116628560A (zh) | 基于聚类算法的蛇伤病例数据识别方法、装置及电子设备 | |
CN115359066A (zh) | 用于内窥镜的病灶检测方法、装置、电子设备及存储介质 | |
CN115422924A (zh) | 一种信息匹配方法、装置、电子设备及存储介质 | |
CN109299467A (zh) | 医学文本识别方法及装置、语句识别模型训练方法及装置 | |
CN116741373B (zh) | 基于神经网络模型的蛇伤类型识别方法、装置及电子设备 | |
CN117352169A (zh) | 基于神经网络模型的蛇伤康复评价方法、装置及电子设备 | |
CN116719926B (zh) | 基于智慧医疗的先天性心脏病报告数据筛选方法及系统 | |
CN115526882A (zh) | 一种医学图像的分类方法、装置、设备及存储介质 | |
CN115631823A (zh) | 相似病例推荐方法及系统 | |
CN117473372A (zh) | 基于神经网络的蛇伤医疗费用预测方法、装置及电子设备 | |
CN117558461B (zh) | 不同地域的同类蛇伤医疗方案选择方法、装置及电子设备 | |
Farmaha et al. | Wound image segmentation using clustering based algorithms | |
CN112767350B (zh) | 血栓弹力图最大区间预测方法、装置、设备和存储介质 | |
CN111986750B (zh) | 一种电子病历模板结构化检测方法 | |
CN116843988B (zh) | 一种基于深度学习的目标检测方法和系统 | |
CN114334161B (zh) | 模型训练方法、数据处理方法、装置、介质、电子设备 | |
CN117649933B (zh) | 在线问诊辅助方法、装置、电子设备和存储介质 | |
CN117746109A (zh) | 一种病理等级确定方法、装置、设备及存储介质 | |
CN118247287A (zh) | 肾脏自动分段方法、装置、电子设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |