TWI829065B - 資料融合系統及其操作方法 - Google Patents
資料融合系統及其操作方法 Download PDFInfo
- Publication number
- TWI829065B TWI829065B TW111100631A TW111100631A TWI829065B TW I829065 B TWI829065 B TW I829065B TW 111100631 A TW111100631 A TW 111100631A TW 111100631 A TW111100631 A TW 111100631A TW I829065 B TWI829065 B TW I829065B
- Authority
- TW
- Taiwan
- Prior art keywords
- data
- feature matrix
- feature
- matrix
- format
- Prior art date
Links
- 230000004927 fusion Effects 0.000 title claims abstract description 21
- 238000000034 method Methods 0.000 title description 3
- 239000011159 matrix material Substances 0.000 claims abstract description 194
- 239000002131 composite material Substances 0.000 claims abstract description 52
- 230000010354 integration Effects 0.000 claims abstract description 21
- 238000013528 artificial neural network Methods 0.000 claims abstract description 13
- 238000000605 extraction Methods 0.000 claims abstract description 13
- 230000003287 optical effect Effects 0.000 claims description 21
- 238000004140 cleaning Methods 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 4
- 238000007500 overflow downdraw method Methods 0.000 claims description 3
- 238000011946 reduction process Methods 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 239000000284 extract Substances 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 6
- 238000003384 imaging method Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 206010028980 Neoplasm Diseases 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011017 operating method Methods 0.000 description 2
- 208000035211 Heart Murmurs Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001568 sexual effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
資料融合系統，用以形成一包括不同格式資料的一複合式特徵矩陣，包括：一資料接收元件用以收集複數資料，其中該些資料包括複數種資料格式；一特徵擷取元件，根據該些資料格式應用對應神經網路架構對該些資料進行特徵矩陣擷取，產生複數個特徵矩陣；以及一特徵集成元件用以接收該些特徵矩陣，以結合該些特徵矩陣成該複合式特徵矩陣。
Description
本發明涉及一種形成資料的系統及其操作方法，尤其是有關於一種資料融合系統及其操作方法，用以形成包括不同格式資料的複合式特徵矩陣。
隨著人口數量的不斷增長、人口老齡化的加重，越來越多的人需要尋求醫療幫助。近年來，將大數據分析應用於醫療輔助上與日俱增，不少醫師與工程師合作開發能幫助醫療體系效率與容錯率的模型開發，在一定程度上減少醫療體系資源浪費與強化精準醫療。
傳統上，都是將不同格式的生理資料分別用不同的演算法進行訓練建立對應判斷模型，例如，分別將文字格式的數據生理資料、光學格式的影像生理資料或聲學格式的聲音生理資料等，以不同的演算法分別進行訓練來建立模型。然而，如此的做法存在資料所能學習的特徵限制，例如，單純使用病人的影像生理資料，如X光片，所產生之判斷結果，醫師並無法完整下診斷，通常需要進一步結
合病人數據生理資料或影像生理資料所產生之判斷結果，做綜合評斷，才能精確下診斷。
因此過去以單一生理資料特徵進行模型的訓練方式，存在改進空間。
本案的一實施態樣係提供一種資料融合系統，用以形成一包括不同格式資料的一複合式特徵矩陣，包括：一資料接收元件用以收集複數資料，其中該些資料包括複數種資料格式；一特徵擷取元件，根據該些資料格式應用對應神經網路架構對該些資料進行特徵矩陣擷取，產生複數個特徵矩陣；以及一特徵集成元件用以接收該些特徵矩陣，以結合該些特徵矩陣成該複合式特徵矩陣。
在一些實施例中，該些資料包括文字格式的數據生理資料、光學格式的影像生理資料以及聲學格式的聲音生理資料。
在一些實施例中，擷取元件使用一前饋神經網路架構從該文字格式的數據生理資料中擷取出具一第一維度的一第一特徵矩陣，以及使用一卷積神經網路從該光學格式的影像生理資料以及該聲學格式的聲音生理資料，分別擷取出具一第二維度的一第二特徵矩陣以及具一第三維度的一第三特徵矩陣。
在一些實施例中，該特徵集成元件將該第一特徵矩陣、該第二特徵矩陣以及該第三特徵矩陣直接做連接，形成該複合式特徵矩陣。
在一些實施例中，該複合式特徵矩陣具一第四維度，該第四維度等於該第一維度、該第二三維度和該第三維度加總。
在一些實施例中，該特徵集成元件將該第一特徵矩陣、該第二特徵矩陣以及該第三特徵矩陣進行一參數平均計算來形成該複合式特徵矩陣。
在一些實施例中，在該特徵集成元件進行該參數平均計算前，更包括透過一全連接層進行一矩陣向量乘積之降維度處理，讓該第一特徵矩陣、該第二特徵矩陣以及該第三特徵矩陣具有相同維度。
在一些實施例中，該特徵集成元件進行該參數平均計算來形成該複合式特徵矩陣更包括：該複合式特徵矩陣=a*(該第一特徵矩陣)+b*(該第二特徵矩陣112)+c*(該第三特徵矩陣113)，其中，a、b、c分別為該第一特徵矩陣、該第二特徵矩陣和該第三特徵矩陣對應權重，其中a+b+c=1。
在一些實施例中，資料融合系統更包括一資料清理元件耦接該資料接收元件，用以整理該些資料。
本案的另一實施態樣係提供一種資料融合方法，用以形成一包括不同格式資料的一複合式特徵矩陣，包括：收集複數資料，其中該些資料包括複數種資料格式；根據
該些資料格式應用對應神經網路架構對該些資料進行特徵矩陣擷取，產生複數個特徵矩陣；以及將該些特徵矩陣直接接合或進行一參數平均計算來形成該複合式特徵矩陣。
本發明通過整合不同的資料格式結合成一複合式資料提供模型進行學習。依此，模型能夠對此複合式資料中不同格式的資料特徵進行一個整合學習，因此，可結合病人的數據生理資料、影像生理資料以及聲音生理資料來提供一綜合判斷，大幅提升判斷得準確性。
以下將以實施方式對上述的說明作詳細的描述，並對本發明的技術方案提供更進一步的解釋。
100:資料融合系統
101:資料接收元件
102:資料清理元件
104:特徵擷取元件
105:特徵矩陣
106:特徵矩陣
107:特徵矩陣
108:特徵集成元件
110:複合式特徵矩陣
111:全連接層
112:特徵矩陣
113:特徵矩陣
401-404:步驟
此處的附圖被併入說明書中並構成本說明書的一部分，這些附圖示出了符合本發明的實施例，並與說明書一起用於說明本發明實施例的技術方案。
第1圖所示為根據本案一實施例的資料融合系統概略圖。
第2圖所示為根據本案一實施例形成一複合式特徵矩陣之概略圖。
第3圖所示為根據本案另一實施例形成一複合式特徵矩陣之概略圖。
第4圖所示為根據本案一實施例的資料融合方法流程圖。
以下將以圖式及詳細敘述清楚說明本案之精神，任何所屬技術領域中具有通常知識者在瞭解本案之實施例後，當可由本案所教示之技術，加以改變及修飾，其並不脫離本案之精神與範圍。
本文之用語只為描述特定實施例，而無意為本案之限制。單數形式如“一”、“這”、“此”、“本”以及“該”，如本文所用，同樣也包含複數形式。
關於本文中所使用之『耦接』或『連接』，均可指二或多個元件或裝置相互直接作實體接觸，或是相互間接作實體接觸，亦可指二或多個元件或裝置相交互操作或動作。
關於本文中所使用之『包含』、『包括』、『具有』、『含有』等等，均為開放性的用語，即意指包含但不限於。
關於本文中所使用之『及/或』，係包括所述事物的任一或全部組合。
關於本文中所使用之用詞(terms)，除有特別註明外，通常具有每個用詞使用在此領域中、在本案之內容中與特殊內容中的平常意義。某些用以描述本案之用詞將於下或在此說明書的別處討論，以提供本領域技術人員在有關本案之描述上額外的引導。
為解決傳統上僅使用單一生理資料特徵做學習，造成最終僅能提供單方向判斷結果，無法進行全方位評估，
達到精準診斷之目的。因此，本案藉由整合不同的資料格式，將文字格式的數據生理資料、光學格式的影像生理資料以及聲學格式的聲音生理資料，結合成一複合式資料提供模型進行學習。依此，模型能夠對此複合式資料中不同格式的資料特徵進行一個整合學習，因此，可結合病人的數據生理資料、影像生理資料以及聲音生理資料來提供一綜合判斷，大幅提升判斷得準確性。
第1圖所示為根據本案一實施例整合不同資料格式特徵矩陣的資料融合系統概略圖。資料融合系統100可形成一包括不同格式資料的複合式特徵矩陣110。資料融合系統100包括一資料接收元件101、一資料清理元件102、一特徵擷取元件104以及一特徵集成元件108。在一實施例中，資料清理元件102、特徵擷取元件104以及特徵集成元件108可整合成一單一元件或為分離元件，可由中央處理器、微處理器、微控制器、數位信號處理器、特殊應用積體電路來實現。
資料接收元件101用以收集資料，在一實施例中，本案收集的資料包括不同的資料格式，例如文字格式的數據生理資料、光學格式的影像生理資料以及聲學格式的聲音生理資料。在一實施例中，資料接收元件101用以收集文字格式的數據生理資料、光學格式的影像生理資料以及聲學格式的聲音生理資料至少兩者。
資料清理元件102耦接資料接收元件101，用以對資料接收元件101所收集的資料進行數據整理，以改善
資料品質，同時形成符合電腦處理的資料格式。在一實施例中，資料清理元件102對數據遺缺、重複資料、不一致性、數字誤植資料進行整理。在一實施例中，資料清理元件102根據不同格式資料進行對應整理。在一實施裡中，針對文字格式的數據生理資料，資料清理元件102進行數據正規化以及依照資料屬性分類數據，提供給後續特徵擷取元件104進行特徵矩陣擷取。針對光學格式的影像生理資料，資料清理元件102可進行影像轉換，強化影像擴大影像中灰階或色彩的對比，去除影像中因不良傳輸或干擾或不良取像或量化所造成的雜訊，以及擷取影像中點、線、邊、角、區域等特徵，提供給後續特徵擷取元件104進行特徵矩陣擷取。針對聲學格式的聲音生理資料，使用MFCC(Mel-Frequency Cepstral Coefficients，梅爾頻率倒譜係數)進行整理，以形成對應的梅爾頻率倒譜係數特徵，提供給後續特徵擷取元件104進行特徵矩陣擷取。
特徵擷取元件104耦接資料清理元件102，對資料清理元件102處理後之資料進行特徵矩陣擷取。在一實施例中，特徵擷取元件104會根據不同格式資料進行對應特徵矩陣擷取。在一實施裡中，特徵擷取元件104使用前饋神經網路(Feedforward Neural Networks,FNN)，從資料清理元件102處理後之文字格式的數據生理資料中擷取出特徵矩陣105。在一實施例中，所擷取出特徵矩陣105具有128維度。在一實施裡中，特
徵擷取元件104使用卷積神經網路(Convolutional Neural Networks,CNN)，從資料清理元件102處理後之光學格式的影像生理資料中擷取出特徵矩陣106。在一實施例中，所擷取出特徵矩陣106具有256維度。在一實施裡中，特徵擷取元件104使用卷積神經網路(Convolutional Neural Networks,CNN)，從資料清理元件102處理後之聲學格式的聲音生理資料中擷取出特徵矩陣107。在一實施例中，所擷取出特徵矩陣107具有256維度。值得注意的是，上述特徵矩陣之維度，僅為一實施例，在其他實施例中，亦可根據所需產生不同維度特徵矩陣。此外，本案所使用的神經網路架構亦不以上述所述為限，其他形式的神經網路架構，例如，人工神經網路(Artificial Neural Networks,ANN)架構，遞歸(循環)神經網路(Recurrent Neural Networks,RNN)架構亦可使用於本發明中，來提取特徵矩陣。
特徵集成元件108耦接特徵擷取元件104，用以接收特徵擷取元件104所產生的特徵矩陣105、特徵矩陣106以及特徵矩陣107，以結合成一複合式特徵矩陣110提供模型進行學習。在一實施例中，特徵集成元件108將特徵矩陣105、特徵矩陣106以及特徵矩陣107做連接(Concatenate)，形成複合式特徵矩陣110。其中是將特徵矩陣105、特徵矩陣106以及特徵矩陣107的維度直接做連接，如第2圖所示為根據本案一實施例複合式特徵
矩陣110之概略圖。在一實施例中，特徵矩陣105具有128維度。特徵矩陣106具有256維度。特徵矩陣107具有256維度。因此，所形成的複合式特徵矩陣110將會有128+256+256=640維度的大小。
在另一實施例中，特徵集成元件108將特徵矩陣105、特徵矩陣106以及特徵矩陣107進行參數平均(weight average)計算來形成複合式特徵矩陣110。也就是說，本案更可根據參酌特徵之重要性，對特徵矩陣安排不同權重，例如，對一腫瘤進行判別時，光學格式的影像生理資料，如病患的x光片特徵，在腫瘤判別時的重要性，一般會高於文字格式的數據生理資料，如病患的血脂肪或血壓數據特徵，以及聲學格式的聲音生理資料，如病患的心雜音特徵。因此，可根據參酌特徵之重要性，在進行腫瘤判別訓練時，將從光學格式影像生理資料中擷取出的特徵矩陣106安排較高之權重。依此，為了根據參酌特徵之重要性，對特徵矩陣進行不同權重的安排，來形成複合式特徵矩陣110。因此會先將特徵矩陣105、特徵矩陣106以及特徵矩陣107形成一同一維度，如第3圖所示為根據本案一實施例依據不同權重所形成的複合式特徵矩陣概略圖。在一實施例中，因為特徵矩陣105為128維度，而特徵矩陣106和特徵矩陣107為256維度。因此，特徵矩陣106和特徵矩陣107會先降維度為128維度以和特徵矩陣105連接。在一實施例中，特徵矩陣106和特徵矩陣107會輸入一全連接層(Fully connected layer,
FC layer)111進行降維，其中全連接層111執行一個矩陣向量乘積，透過一個轉換矩陣分別將特徵矩陣106和特徵矩陣107從256維度降維成128維度，形成特徵矩陣112和特徵矩陣113以和特徵矩陣105連接。在一實施例中，當特徵矩陣105、特徵矩陣112和特徵矩陣113均為128維度後，即可根據參酌特徵之重要性安排特徵矩陣105、特徵矩陣112和特徵矩陣113對應權重，特徵集成元件108進行參數平均(weight average)計算形成複合式特徵矩陣110。其中複合式特徵矩陣110=a*(特徵矩陣105)+b*(特徵矩陣112)+c*(特徵矩陣113)。其中，a、b、c分別為特徵矩陣105、特徵矩陣112和特徵矩陣113對應權重，a+b+c=1。依此，所形成的複合式特徵矩陣110為128維度。
第4圖所示，為根據本案一實施例形成一包括不同格式資料的複合式特徵矩陣之流程圖。請同時參閱第1圖至第4圖。首先於步驟401，進行資料收集。在一實施例中，資料接收元件101用以收集資料，其中本案所收集的資料包括不同的資料格式，例如文字格式的數據生理資料、光學格式的影像生理資料以及聲學格式的聲音生理資料。
於步驟402，對所收集的資料進行資料整理。在一實施例中，資料清理元件102用以對資料接收元件101所收集的資料進行數據整理，以改善資料品質，同時形成符合電腦處理的資料格式。
於步驟403，對整理後之資料進行特徵矩陣擷取。在一實施例中，一特徵擷取元件104會根據不同格式資料進行對應特徵矩陣擷取。在一實施裡中，特徵擷取元件104使用前饋神經網路(Feedforward Neural Networks,FNN)，從處理後之文字格式的數據生理資料中擷取出特徵矩陣105。使用卷積神經網路(Convolutional Neural Networks,CNN)，從光學格式的影像生理資料以及聲學格式的聲音生理資料中分別擷取出特徵矩陣106以及特徵矩陣107。
於步驟404，結合特徵矩陣105、特徵矩陣106以及特徵矩陣107成一複合式特徵矩陣110。在一實施例中，一特徵集成元件108將具第一維度的特徵矩陣105、具第二維度的特徵矩陣106以及具第三維度的特徵矩陣107直接連接(Concatenate)，形成具第四維度的複合式特徵矩陣110，其中第四維度的大小等於第一維度、第二維度以及第三維度加總後的大小。
在另一實施例中，一特徵集成元件108根據參酌特徵之重要性，將特徵矩陣105、特徵矩陣106以及特徵矩陣107進行參數平均(weight average)計算來形成複合式特徵矩陣110。在一實施例中，透過一全連接層(Fully connected layer,FC layer)111矩陣向量乘積之降維度處理，讓特徵矩陣106、特徵矩陣107和特徵矩陣105具有相同維度，再根據參酌特徵之重要性安排特徵矩陣105、特徵矩陣112和特徵矩陣113對應權重，
特徵集成元件108進行參數平均(weight average)計算形成複合式特徵矩陣110。其中，複合式特徵矩陣110=a*(特徵矩陣105)+b*(特徵矩陣112)+c*(特徵矩陣113)。其中，a、b、c分別為特徵矩陣105、特徵矩陣112和特徵矩陣113對應權重。
綜上所述，本案藉由整合不同的資料格式，將文字格式的數據生理資料、光學格式的影像生理資料以及聲學格式的聲音生理資料，結合成一複合式資料提供模型進行學習。依此，模型能夠對此複合式資料中不同格式的資料特徵進行一個整合學習，因此，可結合病人的數據生理資料、影像生理資料以及聲音生理資料來提供一綜合判斷，大幅提升判斷得準確性。
雖然本案以實施例揭露如上，然其並非用以限定本案，任何熟習此技藝者，在不脫離本案之精神和範圍內，當可作各種之更動與潤飾，因此本案之保護範圍當視後附之申請專利範圍所界定者為準。
100:資料融合系統
101:資料接收元件
102:資料清理元件
104:特徵擷取元件
105:特徵矩陣
106:特徵矩陣
107:特徵矩陣
108:特徵集成元件
110:複合式特徵矩陣
Claims (9)
- 一種資料融合系統，用以形成一包括不同格式資料的一複合式特徵矩陣，包括：一資料接收元件用以收集複數資料，其中該些資料包括複數種資料格式，其中該複數種資料格式包括一文字格式的數據生理資料、一光學格式的影像生理資料以及一聲學格式的聲音生理資料中之至少二格式；一特徵擷取元件用以從該文字格式的數據生理資料中擷取出一第一特徵矩陣，從該光學格式的影像生理資料中擷取出一第二特徵矩陣以及從該聲學格式的聲音生理資料中擷取出一第三特徵矩陣；以及一特徵集成元件用以接收該第一特徵矩陣、該第二特徵矩陣以及該第三特徵矩陣，以結合該第一特徵矩陣、該第二特徵矩陣以及該第三特徵矩陣來形成該複合式特徵矩陣，其中該複合式特徵矩陣包括該文字格式的數據生理資料特徵、該光學格式的影像生理資料特徵以及該聲學格式的聲音生理資料特徵，以及根據該複合式特徵矩陣對一模型進行訓練。
- 如請求項1所述的資料融合系統，其中該擷取元件使用一前饋神經網路架構從該文字格式的數據生理資料中擷取出具一第一維度的該第一特徵矩陣，以及使用一卷積神經網路從該光學格式的影像生理資料以及該聲學格式的聲音生理資料，分別擷取出具一第二維度的該第 二特徵矩陣以及具一第三維度的該第三特徵矩陣。
- 如請求項2所述的資料融合系統，其中該特徵集成元件將該第一特徵矩陣、該第二特徵矩陣以及該第三特徵矩陣直接做連接，形成該複合式特徵矩陣。
- 如請求項3所述的資料融合系統，其中該複合式特徵矩陣具一第四維度，該第四維度等於該第一維度、該第二維度和該第三維度加總。
- 如請求項2所述的資料融合系統，其中該特徵集成元件將該第一特徵矩陣、該第二特徵矩陣以及該第三特徵矩陣進行一參數平均計算來形成該複合式特徵矩陣。
- 如請求項5所述的資料融合系統，其中在該特徵集成元件進行該參數平均計算前，更包括透過一全連接層進行一矩陣向量乘積之降維度處理，讓該第一特徵矩陣、該第二特徵矩陣以及該第三特徵矩陣具有相同維度。
- 如請求項6所述的資料融合系統，其中該特徵集成元件進行該參數平均計算來形成該複合式特徵矩陣更包括：該複合式特徵矩陣=a*(該第一特徵矩 陣)+b*(該第二特徵矩陣)+c*(該第三特徵矩陣)，其中，a、b、c分別為該第一特徵矩陣、該第二特徵矩陣和該第三特徵矩陣對應權重，其中a+b+c=1。
- 如請求項1所述的資料融合系統，更包括一資料清理元件耦接該資料接收元件，用以整理該些資料。
- 一種資料融合方法，用於如求項1所述的資料融合系統中以形成一包括不同格式資料的一複合式特徵矩陣，包括：使用該資料接收元件收集複數資料，其中該些資料包括複數種資料格式，其中該複數種資料格式包括一文字格式的數據生理資料、一光學格式的影像生理資料以及一聲學格式的聲音生理資料中之至少二者；使用該特徵擷取元件從該文字格式的數據生理資料中擷取出一第一特徵矩陣，從該光學格式的影像生理資料中擷取出一第二特徵矩陣以及從該聲學格式的聲音生理資料中擷取出一第三特徵矩陣；使用該特徵集成元件將該第一特徵矩陣、該第二特徵矩陣以及該第三特徵矩陣直接接合或進行一參數平均計算來形成該複合式特徵矩陣，其中該複合式特徵矩陣包括該文字格式的數據生理資料特徵、該光學格式的影像生理資料特徵以及該聲學格式的聲音生理資料特徵；以及根據該複合式特徵矩陣對一模型直接進行訓練。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW111100631A TWI829065B (zh) | 2022-01-06 | 2022-01-06 | 資料融合系統及其操作方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW111100631A TWI829065B (zh) | 2022-01-06 | 2022-01-06 | 資料融合系統及其操作方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TW202329153A TW202329153A (zh) | 2023-07-16 |
| TWI829065B true TWI829065B (zh) | 2024-01-11 |
Family
ID=88147532
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW111100631A TWI829065B (zh) | 2022-01-06 | 2022-01-06 | 資料融合系統及其操作方法 |
Country Status (1)
| Country | Link |
|---|---|
| TW (1) | TWI829065B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190343457A1 (en) * | 2018-05-08 | 2019-11-14 | The Regents Of The University Of California | Pain assessment method and apparatus for patients unable to self-report pain |
| CN110751208A (zh) * | 2018-10-29 | 2020-02-04 | 山东大学 | 一种基于自权重差分编码器进行多模态特征融合的服刑人员情感识别方法 |
| CN113241135A (zh) * | 2021-04-30 | 2021-08-10 | 山东大学 | 一种基于多模态融合的疾病风险预测方法和系统 |
| CN113505652A (zh) * | 2021-06-15 | 2021-10-15 | 腾讯科技（深圳）有限公司 | 活体检测方法、装置、电子设备和存储介质 |
-
2022
- 2022-01-06 TW TW111100631A patent/TWI829065B/zh active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190343457A1 (en) * | 2018-05-08 | 2019-11-14 | The Regents Of The University Of California | Pain assessment method and apparatus for patients unable to self-report pain |
| CN110751208A (zh) * | 2018-10-29 | 2020-02-04 | 山东大学 | 一种基于自权重差分编码器进行多模态特征融合的服刑人员情感识别方法 |
| CN113241135A (zh) * | 2021-04-30 | 2021-08-10 | 山东大学 | 一种基于多模态融合的疾病风险预测方法和系统 |
| CN113505652A (zh) * | 2021-06-15 | 2021-10-15 | 腾讯科技（深圳）有限公司 | 活体检测方法、装置、电子设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| TW202329153A (zh) | 2023-07-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Xiao et al. | Follow the sound of children’s heart: a deep-learning-based computer-aided pediatric CHDs diagnosis system | |
| CN110353725A (zh) | 一种基于云架构的心音采集与分析系统及方法 | |
| WO2019024380A1 (zh) | 一种中医智能诊断方法、系统及中医医疗系统 | |
| CN108461151A (zh) | 一种知识图谱的逻辑增强方法及装置 | |
| CN107066514A (zh) | 老年人的情绪识别方法和系统 | |
| CN110097955B (zh) | 一种基于支持向量机分类器的儿科智能急诊预检分诊系统 | |
| CN113436726B (zh) | 一种基于多任务分类的肺部病理音自动化分析方法 | |
| CN112101096A (zh) | 一种基于语音和微表情的多模态融合的自杀情绪感知方法 | |
| CN113095302A (zh) | 用于心律失常分类的深度模型、利用该模型的方法及装置 | |
| CN114188022A (zh) | 一种基于TextCNN模型的临床儿童咳嗽智能预诊断系统 | |
| Wibawa et al. | Abnormal heart rhythm detection based on spectrogram of heart sound using convolutional neural network | |
| CN113392918A (zh) | 一种基于多源信息融合的抑郁障碍相关因素识别方法 | |
| CN115732076A (zh) | 一种多模态抑郁数据的融合分析方法 | |
| Voigt et al. | A deep neural network using audio files for detection of aortic stenosis | |
| US11963771B2 (en) | Automatic depression detection method based on audio-video | |
| CN113855042B (zh) | 融合深度和医学特征的基于序列标注的多导联心电信号分类方法 | |
| TWI829065B (zh) | 資料融合系統及其操作方法 | |
| Kadhim et al. | Detection of COVID-19 in X-Rays by convolutional neural networks | |
| CN112990270B (zh) | 一种传统特征与深度特征的自动融合方法 | |
| CN111938691B (zh) | 一种基础心音识别方法及设备 | |
| CN111759302A (zh) | 一种可穿戴式个体心电检测方法 | |
| CN108831560B (zh) | 一种确定医疗数据属性数据的方法和装置 | |
| Gulati | LungAI: A Deep Learning Convolutional Neural Network for Automated Detection of COVID-19 from Posteroanterior Chest X-Rays | |
| TÜRKER et al. | Smart Stethoscope | |
| Partovi et al. | A Self-Supervised Task-Agnostic Embedding for EEG Signals |