CN117711608A - 一种用于整合神经损伤数据的综合分析系统 - Google Patents
一种用于整合神经损伤数据的综合分析系统 Download PDFInfo
- Publication number
- CN117711608A CN117711608A CN202410154121.5A CN202410154121A CN117711608A CN 117711608 A CN117711608 A CN 117711608A CN 202410154121 A CN202410154121 A CN 202410154121A CN 117711608 A CN117711608 A CN 117711608A
- Authority
- CN
- China
- Prior art keywords
- data
- training
- detection
- abnormal
- network
- 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
- 208000028389 Nerve injury Diseases 0.000 title claims abstract description 89
- 230000008764 nerve damage Effects 0.000 title claims abstract description 89
- 238000004458 analytical method Methods 0.000 title claims abstract description 57
- 238000001514 detection method Methods 0.000 claims abstract description 264
- 230000002159 abnormal effect Effects 0.000 claims abstract description 109
- 238000013528 artificial neural network Methods 0.000 claims abstract description 80
- 239000013598 vector Substances 0.000 claims description 169
- 238000012549 training Methods 0.000 claims description 160
- 238000003066 decision tree Methods 0.000 claims description 40
- 238000000034 method Methods 0.000 claims description 37
- 238000007637 random forest analysis Methods 0.000 claims description 26
- 238000012216 screening Methods 0.000 claims description 19
- 238000012544 monitoring process Methods 0.000 claims description 17
- 230000006378 damage Effects 0.000 claims description 14
- 238000012351 Integrated analysis Methods 0.000 claims description 7
- 230000008713 feedback mechanism Effects 0.000 claims description 7
- 238000002372 labelling Methods 0.000 claims description 5
- 238000002790 cross-validation Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000005192 partition Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 abstract description 7
- 230000005856 abnormality Effects 0.000 description 14
- 238000013527 convolutional neural network Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 8
- 208000027418 Wounds and injury Diseases 0.000 description 4
- 208000014674 injury Diseases 0.000 description 4
- 230000001537 neural effect Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000013480 data collection Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000009525 mild injury Effects 0.000 description 2
- 230000009526 moderate injury Effects 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种用于整合神经损伤数据的综合分析系统,包括采集模块、数据字典模块和综合分析模块,能够先对检测点进行检测,得到正确的检测点在开始收集数据,并且对收集的数据再次进行检测,得到标准数据,保证获取到正确的数据,然后对标准数据进行检测是否异常,最后再检测标准数据的异常指标,在进行检测标准数据异常情况时,可以依据检测情况进行判断是否需要执行下一步操作,即进行异常指标检测,提高了检测效率,并且在最后能得出标准数据中出现的异常指标,提高了神经损伤检测的效率和准确性。通过深度神经网络多维度的数据特征提取,能够快速定位到出现损失位置,进一步分析出现神经损伤的原因,提高了神经损伤检测的效率和准确性。
Description
技术领域
本发明涉及神经损伤分析技术领域,具体而言,涉及一种用于整合神经损伤数据的综合分析系统。
背景技术
目前的神经损伤研究中,通过对神经损伤监测点检测出监测数据,通过监测数据进行分析得出损伤情况。一般的,对于一个植株或者动物体的神经进行损伤分析,是基于多个检测点的监测数据对神经进行神经损伤分析,每个监测点对应一个监测设备采集得到该监测数据。目前,数据的采集\收集会受到计算机资源的影响,如计算机网络延迟、内存使用爆满等情况会对获取\采集的数据就会出现不准确,采集到的一些监测点的检测数据并非有效,且对于分析阶段,在获取到监测数据后,通过检测来判断该监测数据是否异常,以判断该检测点是否出现神经损伤,然而这样的方式没有检测到具体是哪个监测数据、指标、位置出现的异常,增加了再次进行判断的复杂度,降低了神经损伤监测和分析的准确性。
发明内容
本发明的目的在于提供了一种用于整合神经损伤数据的综合分析系统,用以解决现有技术中存在的上述问题。
本发明实施例提供了一种用于整合神经损伤数据的综合分析系统,所述系统包括:
采集模块,用于采集神经损伤检测点的检测数据集,多个检测点对应获得多组检测数据,多组检测数据构成检测数据集,每个检测数据对应一个采集时间,每个检测点有一个标号;
数据字典模块,用于将检测数据作为键,检测数据对应的检测点的标号作为值,得到检测点字典;将检测数据输入检测点网络的第一神经网络和第三神经网络,得到检测点向量;所述检测点向量为检测点网络中第三特征向量中的一个元素向量;将检测点向量输入分类器,结合检测点字典,得到有效检测点的标号;将有效检测点的标号作为值,将有效数据作为键,得到指标检测点字典;有效数据为所述有效检测点对应的检测数据;
综合分析模块,用于将有效数据以及所述有效数据对应的采集时间输入筛选网络,通过神经网络筛选数据,得到标准数据;将标准数据和所述标准数据对应的采集时间输入异常网络进行异常数据检测,得到异常标志;所述异常标志表示标准数据的异常情况;根据异常标志,将标准数据输入神经损伤综合分析网络进行神经损伤分析,得到神经损伤情况以及出现神经损伤的监测点的标号;神经损伤情况包括损伤程度。
可选的,所述检测点网络包括第一神经网络、第二神经网络、第三神经网络和分类器。
可选的,所述检测点网络在训练时网络结构包括第一神经网络、第二神经网络、第三神经网络;所述检测点网络在测试时网络结构包括第一神经网络、第三神经网络和分类器。
可选的,所述检测点网络的训练方法,包括:
获取训练检测点数据;所述训练检测点数据包括多个历史数据,历史数据包括历史采集数据和历史采集数据对应的数据内容;
将训练检测点数据输入第一神经网络,提取检测点数据特征,得到第一特征向量;所述第一特征向量的行数为训练检测点数据的行数;
将数据内容输入第二神经网络,提取数据内容特征,得到第二特征向量;所述第二特征向量的行数为数据内容的行数;
将第一特征向量和第二特征向量输入第三神经网络,得到第三特征向量;所述第三特征向量中元素向量的数量为第二特征向量的行数;所述第三特征向量中每一个元素向量的行数为第一特征向量的行数;
计算第三特征向量中每个元素向量与第二特征向量的损失值,若第三特征向量中每个元素向量与第二特征向量的损失值收敛,停止训练,得到训练好的检测点网络。
可选的,所述异常网络的训练方法,包括:
获取训练数据和标注数据;所述训练数据包括检测时间和标准数据;所述标准数据为异常标志;
将训练数据输入两个随机森林,计算决策树左右节点的概率,得到样本得分;所述决策树为随机森林中的每一颗树;
将样本得分按照划分比例进行划分,得到样本标志;所述样本标志表示训练数据的检测结果;
计算样本标志与异常标志的误检率,得到样本错误数量;所述样本错误数量为样本标志中检测错误的样本总数;
调整划分比例;所述划分比例的调整由样本错误数量控制;
将决策树深度输入反馈机制,通过划分比例进行调整,得到新的决策树深度;
反复通过新的决策树深度构建随机森林,直到达到预设的迭代次数,停止训练,得到训练好的异常网络。
可选的,所述将训练数据输入两个随机森林,计算决策树左右节点的概率,得到样本得分,包括:
将样本特征作为键,样本特征对应的标准时间作为值,得到样本字典;所述样本特征为训练数据中标准数据的每一条数据;
将训练数据中检测时间进行归一化处理,得到标准时间;
将训练数据中标准数据按照交叉验证法进行划分,得到两个子数据集;
将子数据集中样本特征进行随机选择,在与对应标准时间相乘,得到节点划分标准;
根据节点划分标准,将每个子数据集的样本特征划分为决策树的左右两个子节点,直到达到停止条件,得到两个随机森林;所述决策树的每一个节点都需要重新选择节点划分标准;
所述决策树深度为达到最大深度;
根据每一个子数据集,遍历每个随机森林节点,计算样本特征划分到左子节点与右子节点的概率,得到两个概率向量;
计算训练数据中每个样本特征在两个随机森林中决策树上对应的概率的内积,得到样本得分。
可选的,所述神经损伤综合分析网络的训练方法,包括:
获得训练数据集,训练数据集包括神经损伤检测点的多个历史检测数据以及每个历史检测数据对应的标签;标签标注所述检测点是否存在损伤,标签包括异常指标和正常指标;
基于所述训练数据集,得到训练数据特征和训练标签特征;
将训练数据特征分别输入两个二维卷积,进行特征提取,得到两个二维卷积向量;
将两个二维卷积向量与训练数据特征进行拼接,得到卷积特征图;
将卷积特征图输入三维卷积,沿着三个方向进行特征提取,得到三维卷积向量;
将三维卷积向量输入一维卷积,通过一维卷积核上下移动,得到输出向量;
计算输出向量和训练标签特征的损失值,若所述损失值收敛,停止训练,得到训练好的神经损伤综合分析网络。
可选的,所述计算输出向量和训练标签特征的损失值,若所述损失收敛,停止训练,得到训练好的神经损伤综合分析网络,包括:
基于第一损失计算输出向量与训练标签特征的损失,得到全损失;
根据全损失,重新进行模型训练,得到模型输出向量;
将模型输出向量与训练标签特征进行数据分类,得到分类数据;所述数据分类为预测正确和预测错误,预测正确包括预测正常实际正常、预测异常实际异常,预测错误包括预测异常实际正常、预测异常实际异常、预测正常实际异常;
将分类数据进行分组,得到分组数据;所述分组数据包括预测正确为第一组数据、预测错误中预测异常实际正常和预测正常实际异常为第二组数据、预测错误中预测异常实际异常为第三组数据;
计算每一组数据的概率,对概率进行排序,得到概率数据;所述概率数据包括第一概率、第二概率、第三概率;
使用第二损失计算第二组数据的损失,并乘以第二概率,得到第二组损失;
使用第三损失计算第三组数据的损失,并乘以第三概率,得到第三组损失;
将第二组损失和第三组损失加权求和,在除以训练标签特征的数量,得到分组损失;
根据分组损失,通过反向传播对模型参数进行训练,得到训练好的神经损伤综合分析网络。
可选的,所述基于所述训练数据集,得到训练数据特征和训练标签特征,包括:
将训练数据集通过空值检测,并进行补零操作,得到所有新数据;
获取最大值列表和最小值列表;所述最大值列表和最小值列表为包括所有新数据中每一个标签对应的最大值和最小值;
将所有新数据中每一个标签通过最大值列表和最小值列表中对应的最大值和最小值进行归一化,得到训练数据特征;
将所有的标签转换为在训练数据集中异常指标对应的索引值,得到训练标签特征。
可选的,所述筛选网络的训练方法,包括:
获取训练数据和标签数据;所述训练数据为从检测点中检测得到的数据;所述标签数据为预先得到的标准数据;
将训练数据进行预处理,得到处理数据;
将处理数据输入神经网络,提取数据特征,得到预测数据概率;
将预测数据概率与阈值进行比较,得到预测数据;
计算预测数据和标签数据的损失值,若预测数据和标签数据的损失值收敛,停止训练,得到训练好的筛选网络。
相较于现有技术,本发明实施例达到了以下有益效果:
本发明实施例提供了一种用于整合神经损伤数据的综合分析系统,所述系统包括采集模块、数据字典模块和综合分析模块,其中,采集模块用于采集神经损伤检测点的检测数据集,多个检测点对应获得多组检测数据,多组检测数据构成检测数据集,每个检测数据对应一个采集时间,每个检测点有一个标号;数据字典模块用于:将检测数据作为键,检测数据对应的检测点的标号作为值,得到检测点字典;将检测数据输入检测点网络的第一神经网络和第三神经网络,得到检测点向量;所述检测点向量为检测点网络中第三特征向量中的一个元素向量;将检测点向量输入分类器,结合检测点字典,得到有效检测点的标号;将有效检测点的标号作为值,将有效数据作为键,得到指标检测点字典;有效数据为所述有效检测点对应的检测数据;综合分析模块用于:将有效数据以及所述有效数据对应的采集时间输入筛选网络,通过神经网络筛选数据,得到标准数据;将标准数据和所述标准数据对应的采集时间输入异常网络进行异常数据检测,得到异常标志;所述异常标志表示标准数据的异常情况;根据异常标志,将标准数据输入神经损伤综合分析网络进行神经损伤分析,得到神经损伤情况以及出现神经损伤的监测点的标号;神经损伤情况包括损伤程度。
通过采用以上方案,对于标号,能够先对检测点进行检测,得到正确的检测点在开始收集数据,并且对收集的数据再次进行检测,得到标准数据,保证获取到正确的数据,然后对标准数据进行检测是否异常,最后再检测标准数据的异常指标,在进行检测标准数据异常情况时,可以依据检测情况进行判断是否需要执行下一步操作,即进行异常指标检测,提高了检测效率,并且在最后能得出标准数据中出现的异常指标,减少了再次检测的操作,能够快速定位出现异常的原因,提高了神经损伤检测的效率和准确性。
综上,本实施例中的检测点获取,能够在众多的数据收集途径中找到最适合的收集标准数据的途径,通过卷积神经网络和自注意力网络进行数据特征提取和数据间的相关性,来进行检测点的选择,从选择好的检测点中进行数据,通过深度神经网络,得到有用的数据,舍弃无用数据,在提取过程之前先对基础数据的判断来是否有外部因素影响了数据的获取,最终得到标准数据,使用本方法能够保证收集到的数据是有效的,减少收集到错误数据的可能性,减少了外部因素的影响。在进行异常检测时,先进行检测标准数据是否有问题,通过构建随机森林,划分节点,且节点的划分是随机的,且包含了当前检测时间的特征,实现了对高维数据的快速和准确的检测,并且使用交叉验证的方法,提高了模型的泛化能力,解决了鲁棒性问题,还能得到模型的最佳参数,增加模型的准确率,对于没有异常的标准数据,则会直接进行下一阶段业务指标检测,不进行异常指标的检测。最后进行异常指标检测,通过深度神经网络,多维度的数据特征提取,得到异常指标,通过异常指标能够快速定位到出现损失位置,还能进一步分析出现神经损伤的原因,提高了神经损伤检测的效率和准确性。
附图说明
图1是本发明实施例提供的一种用于整合神经损伤数据的综合分析方法流程图。
具体实施方式
下面结合附图,对本发明作详细的说明。
实施例1
本发明实施例提供了一种用于整合神经损伤数据的综合分析系统,包括采集模块、数据字典模块和综合分析模块,采集模块与数据字典模块电连接,数据字典模块与综合分析模块电连接。以下一一介绍本发明实施例提供的用于整合神经损伤数据的综合分析系统中各个模块的功能和用途。
采集模块,用于采集神经损伤检测点的检测数据集,多个检测点对应获得多组检测数据,多组检测数据构成检测数据集,每个检测数据对应一个采集时间,每个检测点有一个标号。
该标号也可以是该采集点的采集设备的标号。检测数据可以是肌电图数据。
数据字典模块,用于:
将检测数据作为键,检测数据对应的检测点的标号作为值,得到检测点字典。检测点字典包括多个包含键和值的键值对。
将检测数据输入检测点网络的第一神经网络和第三神经网络,得到检测点向量。其中检测点向量为检测点网络中第三特征向量中的一个元素向量。
将检测点向量输入分类器,结合检测点字典,得到有效检测点的标号。
将有效检测点的标号作为值,将有效数据作为键,得到指标检测点字典。指标检测点字典包括多个包含键和值的键值对。
其中,有效数据为有效检测点对应的检测数据。
在本发明实施了中,检测点网络包括第一神经网络、第二神经网络、第三神经网络和分类器。其中,第一神经网络、第二神经网络、第三神经网络为深度神经网络为(DeepNeural Networks,DNN)。分类器为支持向量机分类器或者神经网络分类器。
综合分析模块,用于:
将有效数据以及有效数据对应的采集时间输入筛选网络,通过神经网络筛选数据,得到标准数据。
将标准数据和所述标准数据对应的采集时间输入异常网络进行异常数据检测,得到异常标志。
其中,异常标志表示标准数据的异常情况。
根据异常标志,将标准数据输入神经损伤综合分析网络进行神经损伤分析,得到神经损伤情况以及出现神经损伤的监测点的标号。
其中,神经损伤情况包括损伤程度,例如神经损伤情况为轻度损伤、中度损伤或者严重损伤。
在本发明实施例中提供的用于整合神经损伤数据的综合分析系统,用于执行用于整合神经损伤数据的综合分析方法,该方法包括如图1所示的步骤:
S101:采集神经损伤检测点的检测数据集。
其中,多个检测点对应获得多组检测数据,多组检测数据构成检测数据集,每个检测数据对应一个采集时间,每个检测点有一个标号。
S102:将检测数据作为键,检测数据对应的检测点的标号作为值,得到检测点字典。
S103:将检测数据输入检测点网络的第一神经网络和第三神经网络,得到检测点向量。
其中,检测点向量为检测点网络中第三特征向量中的一个元素向量。
S104:将检测点向量输入分类器,结合检测点字典,得到有效检测点的标号。
S105:将有效检测点的标号作为值,将有效数据作为键,得到指标检测点字典。
其中,有效数据为所述有效检测点对应的检测数据。
S106:将有效数据以及所述有效数据对应的采集时间输入筛选网络,通过神经网络筛选数据,得到标准数据。
S107:根据异常标志,将标准数据和所述标准数据对应的采集时间输入异常网络进行异常数据检测,得到异常标志。
所述异常标志表示标准数据的异常情况。
S108:将标准数据输入神经损伤综合分析网络进行神经损伤分析,得到神经损伤情况以及出现神经损伤的监测点的标号。
其中,神经损伤情况包括损伤程度,例如神经损伤情况为轻度损伤、中度损伤或者严重损伤。
通过采用以上方案,能够先对检测点进行检测,得到正确的检测点再开始收集数据,并且对收集的数据再次进行检测,得到标准数据,保证获取到正确的数据。然后对标准数据进行检测是否异常,最后再检测标准数据的异常指标,在进行检测标准数据异常情况时,可以依据检测情况进行判断是否需要执行下一步操作,即进行异常指标检测,提高了检测效率,并且在最后能得出标准数据中出现的异常指标,减少了再次检测的操作,能够快速定位出现异常的原因,提高神经损伤综合分析的准确性。
在本发明实施例中,所述检测点网络包括第一神经网络、第二神经网络、第三神经网络和分类器。检测点网络在训练时,涉及的结构包括第一神经网络、第二神经网络和第三神经网络。检测点网络在测试时涉及的结构包括第一神经网络、第三神经网络和分类器。
具体的,检测点网络的训练方法,包括:
获取训练检测点数据。其中,训练检测点数据为在检测点获取的所有数据。一个检测点可以采集多个时间点的对应的多个数据,训练检测点数据包括多个检测点的多个时间点采集的多个数据。训练检测点数据包括多个历史数据,历史数据包括历史采集数据和历史采集数据对应的数据内容。历史采集数据对应的数据内容为通过将该历史采集数据压缩成一个一维的数组数据。具体采用的压缩方式可以是提取特征,然后对提取得到的特征进行压缩,然后进行高斯滤波,得到的一个一维的数组数据。对提取得到的特征进行压缩可以是对特征进行分类,然后取出每一个类别的特征中的最大值设置到内容数组中,按照由大到小的顺序排列,构成数据内容。
将训练检测点数据输入第一神经网络,提取检测点数据特征,得到第一特征向量。
其中,第一特征向量的行数为训练检测点数据的行数。
可选的,第一神经网络可以是卷积神经网络(Convolutional Neural Network,CNN)。
将数据内容输入第二神经网络,提取数据内容特征,得到第二特征向量;所述第二特征向量的行数为数据内容的行数。
可选的,第二神经网络可以是卷积神经网络(Convolutional Neural Network,CNN)。
将第一特征向量和第二特征向量输入第三神经网络,得到第三特征向量。
可选的,第三神经网络可以是卷积神经网络(Convolutional Neural Network,CNN)。
其中,第三特征向量中元素向量的数量为第二特征向量的行数。第三特征向量中每一个元素向量的行数为第一特征向量的行数。
计算第三特征向量中每个元素向量与第二特征向量的损失值,若第三特征向量中每个元素向量与第二特征向量的损失值收敛,停止训练,得到训练好的检测点网络。在训练过程中,需要不断更新第一神经网络、第二神经网络、第三神经网络中的参数。
在本发明实施例中,将第一特征向量和第二特征向量输入第三神经网络,得到第三特征向量,具体为:将第一特征向量和第二特征向量进行拼接,形成一个更大维度的特征项链,然后将这个拼接后的更大维度的特征向量输入第三神经网络,进行行关注,得到第三特征向量。其中,第三特征向量中元素向量的数量为第二特征向量的行数,第三特征向量中每一个元素向量的行数为第一特征向量的行数。所述的行行关注操作为:将第二特征向量的每一行与第一特征向量的每一行进行关注。
可选的,第一神经网络为卷积神经网络。第二特征向量的行数为数据内容的行数。
可选的,第二神经网络为卷积神经网络,第一神经网络和第二神经网络为两个独立的卷积神经网络。第三神经网络为自注意力网络。
其中,第三特征向量中每一个元素向量都对应着一个标号。
在本发明实施例中,若第一特征向量的行数为6,第二特征向量的行数为3,将第二特征向量的第一行与第一特征向量进行行行关注,得到第三特征向量中第一元素向量,第一元素向量对应着第二特征向量的第一行对应的标号。将第二特征向量的第二行与第一特征向量进行行行关注,得到第三特征向量中第二元素向量,第二元素向量对应着第二特征向量的第二行对应的标号。将第二特征向量的第三行与第一特征向量进行行行关注,得到第三特征向量中第二元素向量,第三特征向量对应着第二特征向量的第三行对应的标号。第一元素向量、第二元素向量、第三元素向量的行数均为6,第三特征向量的元素数量为3。也就是说,行行关注就是进行标号配对、捆绑、关联。
在本发明实施例中,异常网络中使用交叉验证法构建决策树。所述异常网络的训练方法为有监督,异常网络中有一个反馈机制。
其中,所述测试时:以样本特征作为值,样本特征的索引(标号)作为键,得到数据字典。将检测时间(采集时间)和标准数据输入异常网络,进行检测,得到异常列表。选取异常列表中数值为正整数的索引。根据索引,从数据字典中查找到样本特征,即异常数据。
其中,所述样本特征的索引从1开始。
其中,如异常列表为“[0, 1, 1, 0 ,1 ,0]”,则异常列表中数值为“1”表示该条数据为异常数据,则数值索引为:“[2,3,5]”,最后从数据字典中根据数值索引找到异常数据。
其中,所述异常标志为0和1数值。
其中,所述异常标志为0,则表示当前标准数据没有异常,不进行异常指标的检测,直接将异常指标赋值为0,写入时间序列数据库,不报警,并进行下一阶段的标号检测。
其中,所述异常标志为1,则进行异常指标的检测,即,将标准数据输入神经损伤综合分析网络进行神经损伤分析,得到神经损伤情况以及出现神经损伤的监测点的标号。
在本发明实施例中,神经损伤综合分析网络在训练中使用三种不同的损失函数进行计算得到全损失和分组损失,且通过全损失优化分组损失进行网络参数更新。
可选的,异常标志为非0时,进行报警。
在本发明实施例中,异常网络的训练方法,包括:
获取训练数据和标注数据。所述训练数据包括检测时间和标准数据;所述标准数据为异常标志。
将训练数据输入两个随机森林,计算决策树左右节点的概率,得到样本得分;所述决策树为随机森林中的每一颗树。
将样本得分按照划分比例进行划分,得到样本标志;所述样本标志表示训练数据的检测结果。
计算样本标志与异常标志的误检率,得到样本错误数量;所述样本错误数量为样本标志中检测错误的样本总数。
调整划分比例。划分比例的调整由样本错误数量控制。
将决策树深度输入反馈机制,通过划分比例进行调整,得到新的决策树深度。
其中,反馈机制是贝叶斯优化方法。
反复通过新的决策树深度构建随机森林,直到达到预设的迭代次数,例如达到3000次,停止训练,得到训练好的异常网络。
其中,本实施例中划分比例以0.5作为初始值。
其中,本实施例中划分方式为将样本得分大于划分比例的记作0,将样本得分小于划分比例的记作1。
其中,本实施例中,0表示样本正常,1表示样本异常。
其中,本实施例中样本标志由0和1 组成。
计算样本标志与异常标志的误检率,得到样本错误数量。所述样本错误数量为样本标志中检测错误的样本总数。
调整划分比例。所述划分比例的调整由样本错误数量控制。
其中,本实施例中,若样本错误数量超过训练数据的一半数量,则比例为样本错误数量与训练数据数量之比,新划分比例为初始划分比例乘以比例。如初始划分比例为0.5,样本错误数量为15,训练数据量为20,则比例为0.75, 划分比例为0.375。
其中,本实施例中,若样本错误数量小于训练数据的一半数量,则比例为0.95倍。如初始划分比例为0.5,样本错误数量为7,训练数据量为20,划分比例为0.475。
将决策树深度输入反馈机制,通过划分比例进行调整,得到新的决策树深度。所述反馈机制是贝叶斯优化方法。
其中,本实施例中若比例为0.95,则减小决策树深度。若比例为其他值,则加深决策树深度。
反复通过新的决策树深度构建随机森林,直到达到预设的迭代次数,得到训练好的异常网络。
其中,本实施例中预设的迭代次数为120。
其中,将训练数据输入两个随机森林,计算决策树左右节点的概率,得到样本得分,包括:
将样本特征作为键,样本特征对应的标准时间作为值,得到样本字典。样本特征为训练数据中标准数据的每一条数据。
将训练数据中检测时间进行归一化处理,得到标准时间。
将训练数据中标准数据按照交叉验证法进行划分,得到两个子数据集;
将子数据集中样本特征进行随机选择,在与对应标准时间相乘,得到节点划分标准。
根据节点划分标准,将每个子数据集的样本特征划分为决策树的左右两个子节点,直到达到停止条件,得到两个随机森林;所述决策树的每一个节点都需要重新选择节点划分标准。
其中,所述停止条件为节点深度、子节点中样本不足。
决策树深度为达到最大深度,或者节点分裂后样本数量最少时的深度。
根据每一个子数据集,遍历每个随机森林节点,计算样本特征划分到左子节点与右子节点的概率,得到两个概率向量。
计算训练数据中每个样本特征在两个随机森林中决策树上对应的概率的内积,得到样本得分。
可选的,本实施例中使用的分类器为归一化指数函数,即Softmax函数。
其中,本实施例中可信度系数为0.8。
其中,本实施例中将检测点向量输入分类器后会得到每个检测点的得分,根据得分与可信度系数进行比较,小于可信度系数的进行舍弃,留下大于可信度系数的检测点的数据,以检测点的数据作为键,在检测点字典中查找键对应的值,得到有效检测点。
其中,本实施例中可信度系数分类为可信度系数大于0.8,检测点有价值。可信度系数在0.7到0.8之间,需对检测点的数据进行处理,部分数据价值。可信度系数低于0.7,需要重新获取检测点。
将标号作为键,有效检测点作为值,得到指标检测点字典。
反复将检测点的数据和标号输入检测点网络并构建指标检测点字典,直到达到停止条件。所述停止条件为所有的标号都全部输入。
其中,本实施例中最大深度为子数据集的数量。
其中,本实施例中使用条件概率。
计算训练数据中每个样本特征在两个随机森林中决策树上对应的概率的内积,得到样本得分。
可选的,神经损伤综合分析网络的训练方法,包括:
获得训练数据集,训练数据集包括神经损伤检测点的多个历史检测数据以及每个历史检测数据对应的标签。其中,标签标注所述检测点是否存在损伤,标签包括异常指标和正常指标。
基于所述训练数据集,得到训练数据特征和训练标签特征。
将训练数据特征分别输入两个二维卷积,进行特征提取,得到两个二维卷积向量。
将两个二维卷积向量与训练数据特征进行拼接,得到卷积特征图。
将卷积特征图输入三维卷积,沿着三个方向进行特征提取,得到三维卷积向量。
将三维卷积向量输入一维卷积,通过一维卷积核上下移动,得到输出向量。
计算输出向量和训练标签特征的损失值,若所述损失值收敛,停止训练,得到训练好的神经损伤综合分析网络。在训练过程中,需要更新神经损伤综合分析网络的参数。
其中,本实施例中两个二维卷积的卷积核尺寸为(2,2),(3,3)。
其中,本实施例中两个二维卷积向量的维度均与训练数据特征维度一致。
将两个二维卷积向量与训练数据特征进行拼接,得到卷积特征图。
其中,本实施例中拼接方式为将两个二维卷积向量和训练数据特征按照维度为0的方向进行维度扩增。
将卷积特征图输入三维卷积,沿着三个方向进行特征提取,得到三维卷积向量。
将三维卷积向量输入一维卷积,通过一维卷积核上下移动,得到输出向量。
计算输出向量和训练标签特征的损失,通过参数更新,得到训练好的神经损伤综合分析网络。
可选的,计算输出向量和训练标签特征的损失值,若所述损失收敛,停止训练,得到训练好的神经损伤综合分析网络,包括:
基于第一损失计算输出向量与训练标签特征的损失,得到全损失。
其中,使用第一损失计算输出向量与训练标签特征的损失,并引入优化项,得到全损失。
在本发明实施例中第一损失为多分类交叉熵损失函数,优化项为L1正则化。
根据全损失,重新进行模型训练,得到模型输出向量。
将模型输出向量与训练标签特征进行数据分类,得到分类数据;所述数据分类为预测正确和预测错误,预测正确包括预测正常实际正常、预测异常实际异常,预测错误包括预测异常实际正常、预测异常实际异常、预测正常实际异常。
其中,本实施例中,若输出向量为“[0,1,2,1,0, 3]”,训练标签特征为“[0,1,0,2,2,3]”,其中“0”表示该标号对应的数据没有异常,其他数值表示该标号对应的数据的异常指标的位置索引,“{0,0}、{1,1}、{3,3}”表示预测正常中预测正常实际正常和预测异常实际异常两种情况,“{2,0}、{1,2}、{0,2}”表示预测错误中预测异常实际正常、预测异常实际异常、预测正常实际异常三种情况。
将分类数据进行分组,得到分组数据。所述分组数据包括预测正确为第一组数据、预测错误中预测异常实际正常和预测正常实际异常为第二组数据、预测错误中预测异常实际异常为第三组数据。
其中,本实施例中,“{0,0}、{1,1}、{3,3}”表示第一组数据,“{2,0}、{0,2}”表示第二组数据,“{1,2}”表示第三组数据。
计算每一组数据的概率,对概率进行排序,得到概率数据。所述概率数据包括第一概率、第二概率、第三概率。
其中,本实施例中排序方法为升序排序。
其中,本实施例中,第一概率为1/6,第二概率为1/3,第三概率为1/2。
使用第二损失计算第二组数据的损失,并乘以第二概率,得到第二组损失。
其中,本实施例中第二损失为二分类损失函数。
使用第三损失计算第三组数据的损失,并乘以第三概率,得到第三组损失。
其中,本实施例中第三损失为KL散度损失函数。
将第二组损失和第三组损失加权求和,在除以训练标签特征的数量,得到分组损失;
根据分组损失,通过反向传播对模型参数进行训练,得到训练好的神经损伤综合分析网络。
可选的,基于所述训练数据集,得到训练数据特征和训练标签特征,包括:
将训练数据集通过空值检测,并进行补零操作,得到所有新数据。
获取最大值列表和最小值列表。所述最大值列表和最小值列表为包括所有新数据中每一个数据指标的最大值和最小值。所述数据指标为标准数据中的数值。
将所有新数据中每一个数据指标通过最大值列表和最小值列表中对应的最大值和最小值进行归一化,得到训练数据特征。
将所有标签(标号)转换为在所有数据中异常指标对应的索引值,得到训练标签特征。
可选的,所述筛选网络的训练方法,包括:
获取训练数据和标签数据;所述训练数据为从检测点中检测得到的数据;所述标签数据为预先得到的标准数据。
将训练数据进行预处理,得到处理数据。所述预处理包括数据清洗和标准化。
其中,本实施例中数据清洗为检测训练数据的空值,并补零进行填充。
将处理数据输入神经网络,提取数据特征,得到预测数据概率。
其中,本实施例中神经网络为深度神经网络为(Deep Neural Networks,DNN)。
其中,本实施例中预测数据概率通过归一化指数函数得到。
将预测数据概率与阈值进行比较,得到预测数据。
其中,本实施例中阈值为0.7。
计算预测数据和标签数据的损失,若预测数据和标签数据的损失值收敛,停止训练,得到训练好的筛选网络。在训练过程中,需要对模型进行参数更新,得到训练好的筛选网络。
其中,本实施例中筛选网络的最大迭代次数为100。训练好的筛选网络的参数为损失值最小时的网络参数。
综上通过上述方法,在获取标准数据时,使用深度学习方法先从检测点中获取有效检测点,然后根据有效检测点收集数据,先对收集的数据进行排查,排除掉外部因素引起的数据异常,在使用深度神经网络进行提取有用的数据信息,得到标准数据。在对其进行异常数据检测时,先检测标准数据是否有误,通过构建两个完全不同的随机森林,并通过交叉验证的方法划分数据集,在训练过程中通过划分比例不断修改决策树的深度,提高了检测的精度,提高了模型的泛化能力,当检测到标准数据没有异常时,则进行下一阶段的标号检测。最后检测标准数据中出现异常的指标数据,得到异常指标,使用全卷积网络进行检测,能够加快检测时间,提升效率,这样能够快速定位到出现异常的原因,并快速的解决。提高神经损伤检测的效率和准确性。
综上,本实施例中的检测点获取,能够在众多的数据收集途径中找到最适合的收集标准数据的途径,通过卷积神经网络和自注意力网络进行数据特征提取和数据间的相关性,来进行检测点的选择,从选择好的检测点中进行数据,通过深度神经网络,得到有用的数据,舍弃无用数据,在提取过程之前先对基础数据的判断来是否有外部因素影响了数据的获取,最终得到标准数据,使用本方法能够保证收集到的数据是有效的,减少收集到错误数据的可能性,减少了外部因素的影响。
在进行异常检测时,先进行检测标准数据是否有问题,通过构建随机森林,划分节点,且节点的划分是随机的,且包含了当前检测时间的特征,实现了对高维数据的快速和准确的检测,并且使用交叉验证的方法,提高了模型的泛化能力,解决了鲁棒性问题,还能得到模型的最佳参数,增加模型的准确率,对于没有异常的标准数据,则会直接进行下一阶段业务指标检测,不进行异常指标的检测。最后进行异常指标检测,通过深度神经网络,多维度的数据特征提取,得到异常指标,通过异常指标能够快速定位到出现损失位置,还能进一步分析出现神经损伤的原因,提高了神经损伤检测的效率和准确性。
在此关于上述实施例中的系统,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述,构造这类系统所要求的结构是显而易见的。此外,本发明也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明的内容,并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本公开并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
Claims (10)
1.一种用于整合神经损伤数据的综合分析系统,其特征在于,所述系统包括:
采集模块,用于采集神经损伤检测点的检测数据集,多个检测点对应获得多组检测数据,多组检测数据构成检测数据集,每个检测数据对应一个采集时间,每个检测点有一个标号;
数据字典模块,用于将检测数据作为键,检测数据对应的检测点的标号作为值,得到检测点字典;将检测数据输入检测点网络的第一神经网络和第三神经网络,得到检测点向量;所述检测点向量为检测点网络中第三特征向量中的一个元素向量;将检测点向量输入分类器,结合检测点字典,得到有效检测点的标号;将有效检测点的标号作为值,将有效数据作为键,得到指标检测点字典;有效数据为所述有效检测点对应的检测数据;
综合分析模块,用于将有效数据以及所述有效数据对应的采集时间输入筛选网络,通过神经网络筛选数据,得到标准数据;将标准数据和所述标准数据对应的采集时间输入异常网络进行异常数据检测,得到异常标志;所述异常标志表示标准数据的异常情况;根据异常标志,将标准数据输入神经损伤综合分析网络进行神经损伤分析,得到神经损伤情况以及出现神经损伤的监测点的标号;神经损伤情况包括损伤程度。
2.根据权利要求1所述的一种用于整合神经损伤数据的综合分析系统,其特征在于,所述检测点网络包括第一神经网络、第二神经网络、第三神经网络和分类器。
3.根据权利要求2所述的一种用于整合神经损伤数据的综合分析系统,其特征在于,所述检测点网络在训练时网络结构包括第一神经网络、第二神经网络、第三神经网络;所述检测点网络在测试时网络结构包括第一神经网络、第三神经网络和分类器。
4.根据权利要求3所述的一种用于整合神经损伤数据的综合分析系统,其特征在于,所述检测点网络的训练方法,包括:
获取训练检测点数据;所述训练检测点数据包括多个历史数据,历史数据包括历史采集数据和历史采集数据对应的数据内容;
将训练检测点数据输入第一神经网络,提取检测点数据特征,得到第一特征向量;所述第一特征向量的行数为训练检测点数据的行数;
将数据内容输入第二神经网络,提取数据内容特征,得到第二特征向量;所述第二特征向量的行数为数据内容的行数;
将第一特征向量和第二特征向量输入第三神经网络,得到第三特征向量;所述第三特征向量中元素向量的数量为第二特征向量的行数;所述第三特征向量中每一个元素向量的行数为第一特征向量的行数;
计算第三特征向量中每个元素向量与第二特征向量的损失值,若第三特征向量中每个元素向量与第二特征向量的损失值收敛,停止训练,得到训练好的检测点网络。
5.根据权利要求3所述的一种用于整合神经损伤数据的综合分析系统,其特征在于,所述异常网络的训练方法,包括:
获取训练数据和标注数据;所述训练数据包括检测时间和标准数据;所述标准数据为异常标志;
将训练数据输入两个随机森林,计算决策树左右节点的概率,得到样本得分;所述决策树为随机森林中的每一颗树;
将样本得分按照划分比例进行划分,得到样本标志;所述样本标志表示训练数据的检测结果;
计算样本标志与异常标志的误检率,得到样本错误数量;所述样本错误数量为样本标志中检测错误的样本总数;
调整划分比例;所述划分比例的调整由样本错误数量控制;
将决策树深度输入反馈机制,通过划分比例进行调整,得到新的决策树深度;
反复通过新的决策树深度构建随机森林,直到达到预设的迭代次数,停止训练,得到训练好的异常网络。
6.根据权利要求3所述的一种用于整合神经损伤数据的综合分析系统,其特征在于,所述将训练数据输入两个随机森林,计算决策树左右节点的概率,得到样本得分,包括:
将样本特征作为键,样本特征对应的标准时间作为值,得到样本字典;所述样本特征为训练数据中标准数据的每一条数据;
将训练数据中检测时间进行归一化处理,得到标准时间;
将训练数据中标准数据按照交叉验证法进行划分,得到两个子数据集;
将子数据集中样本特征进行随机选择,在与对应标准时间相乘,得到节点划分标准;
根据节点划分标准,将每个子数据集的样本特征划分为决策树的左右两个子节点,直到达到停止条件,得到两个随机森林;所述决策树的每一个节点都需要重新选择节点划分标准;
所述决策树深度为达到最大深度;
根据每一个子数据集,遍历每个随机森林节点,计算样本特征划分到左子节点与右子节点的概率,得到两个概率向量;
计算训练数据中每个样本特征在两个随机森林中决策树上对应的概率的内积,得到样本得分。
7.根据权利要求3所述的一种用于整合神经损伤数据的综合分析系统,其特征在于,所述神经损伤综合分析网络的训练方法,包括:
获得训练数据集,训练数据集包括神经损伤检测点的多个历史检测数据以及每个历史检测数据对应的标签;标签标注所述检测点是否存在损伤,标签包括异常指标和正常指标;
基于所述训练数据集,得到训练数据特征和训练标签特征;
将训练数据特征分别输入两个二维卷积,进行特征提取,得到两个二维卷积向量;
将两个二维卷积向量与训练数据特征进行拼接,得到卷积特征图;
将卷积特征图输入三维卷积,沿着三个方向进行特征提取,得到三维卷积向量;
将三维卷积向量输入一维卷积,通过一维卷积核上下移动,得到输出向量;
计算输出向量和训练标签特征的损失值,若所述损失值收敛,停止训练,得到训练好的神经损伤综合分析网络。
8.根据权利要求7所述的一种用于整合神经损伤数据的综合分析系统,其特征在于,所述计算输出向量和训练标签特征的损失值,若所述损失收敛,停止训练,得到训练好的神经损伤综合分析网络,包括:
基于第一损失计算输出向量与训练标签特征的损失,得到全损失;
根据全损失,重新进行模型训练,得到模型输出向量;
将模型输出向量与训练标签特征进行数据分类,得到分类数据;所述数据分类为预测正确和预测错误,预测正确包括预测正常实际正常、预测异常实际异常,预测错误包括预测异常实际正常、预测异常实际异常、预测正常实际异常;
将分类数据进行分组,得到分组数据;所述分组数据包括预测正确为第一组数据、预测错误中预测异常实际正常和预测正常实际异常为第二组数据、预测错误中预测异常实际异常为第三组数据;
计算每一组数据的概率,对概率进行排序,得到概率数据;所述概率数据包括第一概率、第二概率、第三概率;
使用第二损失计算第二组数据的损失,并乘以第二概率,得到第二组损失;
使用第三损失计算第三组数据的损失,并乘以第三概率,得到第三组损失;
将第二组损失和第三组损失加权求和,在除以训练标签特征的数量,得到分组损失;
根据分组损失,通过反向传播对模型参数进行训练,得到训练好的神经损伤综合分析网络。
9.根据权利要求7所述的一种用于整合神经损伤数据的综合分析系统,其特征在于,所述基于所述训练数据集,得到训练数据特征和训练标签特征,包括:
将训练数据集通过空值检测,并进行补零操作,得到所有新数据;
获取最大值列表和最小值列表;所述最大值列表和最小值列表为包括所有新数据中每一个标签对应的最大值和最小值;
将所有新数据中每一个标签通过最大值列表和最小值列表中对应的最大值和最小值进行归一化,得到训练数据特征;
将所有的标签转换为在训练数据集中异常指标对应的索引值,得到训练标签特征。
10.根据权利要求3所述的一种用于整合神经损伤数据的综合分析系统,其特征在于,所述筛选网络的训练方法,包括:
获取训练数据和标签数据;所述训练数据为从检测点中检测得到的数据;所述标签数据为预先得到的标准数据;
将训练数据进行预处理,得到处理数据;
将处理数据输入神经网络,提取数据特征,得到预测数据概率;
将预测数据概率与阈值进行比较,得到预测数据;
计算预测数据和标签数据的损失值,若预测数据和标签数据的损失值收敛,停止训练,得到训练好的筛选网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410154121.5A CN117711608B (zh) | 2024-02-04 | 一种用于整合神经损伤数据的综合分析系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410154121.5A CN117711608B (zh) | 2024-02-04 | 一种用于整合神经损伤数据的综合分析系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117711608A true CN117711608A (zh) | 2024-03-15 |
CN117711608B CN117711608B (zh) | 2024-05-24 |
Family
ID=
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115568866A (zh) * | 2022-10-26 | 2023-01-06 | 上海中医药大学 | 一种神经损伤的评价系统及其方法 |
WO2023281399A1 (en) * | 2021-07-05 | 2023-01-12 | Nervio Ltd | Neuromonitoring data analysis apparatuses and methods |
KR102598101B1 (ko) * | 2022-06-27 | 2023-11-02 | 경북대학교 산학협력단 | 딥 뉴럴 네트워크 기반 실시간 중환자실 환자 상태 분석 시스템 및 방법 |
CN117174313A (zh) * | 2023-09-03 | 2023-12-05 | 南通市康复医院(南通市第二人民医院) | 一种脑出血患者神经功能预后预测模型的建立方法及系统 |
WO2023232607A1 (en) * | 2022-05-31 | 2023-12-07 | F. Hoffmann-La Roche Ag | Computer-implemented methods and systems for analysis of neurological impairment |
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023281399A1 (en) * | 2021-07-05 | 2023-01-12 | Nervio Ltd | Neuromonitoring data analysis apparatuses and methods |
WO2023232607A1 (en) * | 2022-05-31 | 2023-12-07 | F. Hoffmann-La Roche Ag | Computer-implemented methods and systems for analysis of neurological impairment |
KR102598101B1 (ko) * | 2022-06-27 | 2023-11-02 | 경북대학교 산학협력단 | 딥 뉴럴 네트워크 기반 실시간 중환자실 환자 상태 분석 시스템 및 방법 |
CN115568866A (zh) * | 2022-10-26 | 2023-01-06 | 上海中医药大学 | 一种神经损伤的评价系统及其方法 |
CN117174313A (zh) * | 2023-09-03 | 2023-12-05 | 南通市康复医院(南通市第二人民医院) | 一种脑出血患者神经功能预后预测模型的建立方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Colnet: Embedding the semantics of web tables for column type prediction | |
CN109657011B (zh) | 一种筛选恐怖袭击事件犯罪团伙的数据挖掘系统 | |
CN106054858B (zh) | 基于决策树分类和故障码分类的车辆远程诊断与备件检索的方法 | |
CN117216573A (zh) | 一种检测干扰的方法及装置 | |
CN110659175A (zh) | 日志的主干提取方法、分类方法、设备及存储介质 | |
CN113392894A (zh) | 一种多组学数据的聚类分析方法和系统 | |
CN116150698B (zh) | 一种基于语义信息融合的drg自动分组方法及系统 | |
CN110825642B (zh) | 一种基于深度学习的软件代码行级缺陷检测方法 | |
CN114398891B (zh) | 基于日志关键词生成kpi曲线并标记波段特征的方法 | |
CN110969015B (zh) | 一种基于运维脚本的标签自动化识别方法和设备 | |
CN115358481A (zh) | 一种企业外迁预警识别的方法、系统及装置 | |
CN109582743B (zh) | 一种针对恐怖袭击事件的数据挖掘系统 | |
Cao et al. | Combining contents and citations for scientific document classification | |
CN117711608B (zh) | 一种用于整合神经损伤数据的综合分析系统 | |
CN110808947B (zh) | 一种自动化的脆弱性量化评估方法及系统 | |
Mubarokah et al. | Detection of Begomovirus Disease for Identification of Disease Severity Level in Tomato Leaves Using Convolutional Neural Network (CNN) | |
CN117290404A (zh) | 一种主配网故障处理方法快速检索实用方法及系统 | |
CN112382342A (zh) | 一种基于集成特征选择的癌症甲基化数据分类方法 | |
CN115343676B (zh) | 密封电子设备内部多余物定位技术的特征优化方法 | |
CN117711608A (zh) | 一种用于整合神经损伤数据的综合分析系统 | |
CN116129182A (zh) | 一种基于知识蒸馏和近邻分类的多维度医疗图像分类方法 | |
Banerjee et al. | A regularized cnn-svm framework for improved diagnosis of citrus fruit diseases, both common and exotic | |
Jayaprakash et al. | Artificial Rabbit Optimization with Improved Deep Learning Model for Plant Disease Classification | |
CN114496196A (zh) | 医疗实验室临床生化检验自动审核系统 | |
CN113724779A (zh) | 基于机器学习技术的SNAREs蛋白识别方法、系统、存储介质及设备 |
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 |