心电信号的处理方法、装置及终端设备

    公开(公告)号:CN111160139A

    公开(公告)日:2020-05-15

    申请号:CN201911282356.8

    申请日:2019-12-13

    发明人: 王如心 李烨

    IPC分类号: G06K9/00 G06N3/04 G06N3/08

    摘要: 本申请适用于生物医学工程技术领域,提供了心电信号处理方法,包括:获取待分析的心电信号,对心电信号进行预处理得到张量,对张量进行多尺度重采样得到多个预设尺度的心电数据,将心电数据输入已训练的分类模型进行处理得到心电信号类型,分类模型基于多个样本心电数据以及分类标签对深度学习网络进行训练得到,分类模型包括卷积神经网络、循环神经网络以及分类器,在训练过程中,卷积神经网络用于对多个样本心电数据进行特征提取,循环神经网络用于对卷积神经网络提取的特征信息进行融合,分类器用于对融合后的特征信息进行分类得到分类结果。本申请还提供了心电信号处理装置和终端设备,提高了心电信号处理效率和分类精度。

    心电信号的处理方法、装置及终端设备

    公开(公告)号:CN111160139B

    公开(公告)日:2023-10-24

    申请号:CN201911282356.8

    申请日:2019-12-13

    发明人: 王如心 李烨

    摘要: 本申请适用于生物医学工程技术领域,提供了心电信号处理方法,包括:获取待分析的心电信号,对心电信号进行预处理得到张量,对张量进行多尺度重采样得到多个预设尺度的心电数据,将心电数据输入已训练的分类模型进行处理得到心电信号类型,分类模型基于多个样本心电数据以及分类标签对深度学习网络进行训练得到,分类模型包括卷积神经网络、循环神经网络以及分类器,在训练过程中,卷积神经网络用于对多个样本心电数据进行特征提取,循环神经网络用于对卷积神经网络提取的特征信息进行融合,分类器用于对融合后的特征信息进行分类得到分类结果。本申请还提供了心电信号处理装置和终端设备,提高了心电信号处理效率和分类精度。

    食物识别模型建模方法及系统、食物识别方法及系统

    公开(公告)号:CN116266347A

    公开(公告)日:2023-06-20

    申请号:CN202111535416.X

    申请日:2021-12-15

    摘要: 本发明公开了一种食物识别模型建模方法及系统、食物识别方法及系统,其中食物识别模型建模方法包括:获取并预处理食物图像识别数据集,按照设定比例将预处理后的食物图像识别数据集划分为训练集、验证集和测试集;基于预处理后的食物图像识别数据集构建图数据集;挖掘获得图数据集的局部特征和全局特征;融合所述局部特征和全局特征得到融合特征;将训练集对应的融合特征作为输入特征,训练获得食物识别模型。本发明利用图像的深度特征,根据图像内部之间的节点属性关系重新构建图,然后借助图卷积网络从图结构中聚合信息,进一步挖掘内部潜在的空间和语义关系,融合了局部和全局特征,能够有效提升食物识别的精度。

    医学图像分割方法、装置及服务器

    公开(公告)号:CN111161279A

    公开(公告)日:2020-05-15

    申请号:CN201911292823.5

    申请日:2019-12-12

    发明人: 王如心 李烨

    IPC分类号: G06T7/11

    摘要: 本申请属于图像分割的技术领域,提供了一种医学图像分割方法、装置及服务器,该方法包括:将待分割图像输入图像分割模型,对所述待分割图像进行特征提取生成图像特征;对所述图像特征进行边界特征提取得到边界特征;融合所述图像特征、所述边界特征和所述待分割图像得到全局特征数据;融合所述图像特征和所述全局特征数据生成特征图像;根据所述特征图像对所述待分割图像进行病灶区域分割,输出病灶区域图像。本申请实施例解决图像的病灶区域分割准确率低的问题。

    医学图像分割方法、装置及服务器

    公开(公告)号:CN111161279B

    公开(公告)日:2023-05-26

    申请号:CN201911292823.5

    申请日:2019-12-12

    发明人: 王如心 李烨

    IPC分类号: G06T7/11

    摘要: 本申请属于图像分割的技术领域,提供了一种医学图像分割方法、装置及服务器,该方法包括:将待分割图像输入图像分割模型,对所述待分割图像进行特征提取生成图像特征;对所述图像特征进行边界特征提取得到边界特征;融合所述图像特征、所述边界特征和所述待分割图像得到全局特征数据;融合所述图像特征和所述全局特征数据生成特征图像;根据所述特征图像对所述待分割图像进行病灶区域分割,输出病灶区域图像。本申请实施例解决图像的病灶区域分割准确率低的问题。

    一种图神经网络解释方法、系统、终端以及存储介质

    公开(公告)号:CN114399026A

    公开(公告)日:2022-04-26

    申请号:CN202111572903.3

    申请日:2021-12-21

    IPC分类号: G06N3/04 G06N3/08 G06K9/62

    摘要: 本申请涉及一种图神经网络解释方法、系统、终端以及存储介质。所述方法包括:根据设定的扰动策略对原始特征矩阵进行扰动,得到扰动后的特征矩阵;将扰动后的特征矩阵和原始邻接矩阵输入待解释模型,通过待解释模型输出分类预测结果,并将扰动后的特征矩阵输入解释模型,通过解释模型输出每个特征的重要性预测结果;根据每个特征的重要性预测结果计算各个节点内每个特征的贡献度,并根据每个特征的贡献度计算各个节点的贡献度;将贡献度大于设定阈值的节点和特征作为重要节点和重要特征,并通过重要节点和重要特征生成用于对解释模型的预测行为进行解释的解释性子图。通过本申请可以得到一个更加准确的待解释模型的内部逻辑。

    半监督的图像分析方法、装置、计算机设备及存储介质

    公开(公告)号:CN118941928A

    公开(公告)日:2024-11-12

    申请号:CN202411142647.8

    申请日:2024-08-20

    发明人: 王如心 李烨

    摘要: 本申请涉及半监督的图像分析技术领域,揭示了一种半监督的图像分析方法、装置、计算机设备及存储介质,方法包括:获取训练集中的样本图像;基于样本图像以及初始学生模型进行预测,得到第一预测分布、第二预测分布;基于样本图像以及初始教师模型进行预测,得到第三预测分布;基于第一预测分布、第二预测分布、第三预测分布、第一因果特征、第二因果特征、非因果特征,确定目标损失函数;基于目标损失函数,对初始学生模型中的网络参数进行更新。能够通过目标损失函数训练初始学生模型,从而得到训练好的学生模型,该学生模型具有模型泛化能力强、效率和准确性高的特点,而后利用该学生模型对图像进行分析,提高了图像分析的效果。

    一种多视图数据聚类方法、装置以及计算机可读存储介质

    公开(公告)号:CN114926672A

    公开(公告)日:2022-08-19

    申请号:CN202210537309.9

    申请日:2022-05-13

    IPC分类号: G06V10/762 G06V10/80

    摘要: 本申请提供一种多视图数据聚类方法、装置以及计算机可读存储介质。该多视图数据聚类方法包括:获取多视图数据的数据矩阵,并初始化每个视图数据的基矩阵、系数矩阵;利用所述每个视图数据的基矩阵的范数补偿对应的系数矩阵,得到补偿系数矩阵;利用所述多视图数据的数据矩阵、基矩阵以及补偿系数矩阵,构建所述多视图数据的最小化问题;求解所述最小化问题,得到所述多视图数据的最终系数矩阵;融合所述多视图数据的最终系数矩阵,对得到的融合特征矩阵进行聚类。通过上述方式,多视图数据聚类装置保障了模型的快速、稳定收敛,与同类非负矩阵分解方法相比,可以更有效地对数据进行拟合,从而得到更好的融合特征,并获得更有效的聚类结果。

    一种图神经网络解释方法、系统、终端以及存储介质

    公开(公告)号:CN114399025A

    公开(公告)日:2022-04-26

    申请号:CN202111571139.8

    申请日:2021-12-21

    摘要: 本申请涉及一种图神经网络解释方法、系统、终端以及存储介质。所述方法包括:根据设定的扰动策略对初始图网络进行扰动,得到扰动后的邻接矩阵;将扰动后的邻接矩阵和原始特征矩阵输入待解释模型,通过待解释模型输出分类预测结果,并将特征矩阵输入解释模型,通过解释模型输出每个特征的重要性预测结果;根据特征的重要性预测结果计算图网络中每个节点的独立贡献度,并根据节点的独立贡献度计算边的贡献度;将贡献度大于设定阈值的边作为重要的边,并通过重要的边以及与之相连的节点生成用于对解释模型的预测行为进行解释的解释性子图。本申请充分考虑了被解释模型对实例周围的其它实例的反应,能够获得一个准确的局部忠诚的解释模型。

    传染病预测方法、装置、电子设备及计算机可读介质

    公开(公告)号:CN109859854A

    公开(公告)日:2019-06-07

    申请号:CN201811546053.8

    申请日:2018-12-17

    IPC分类号: G16H50/80 G16H50/70

    摘要: 本发明提供了一种传染病预测方法、装置、电子设备及计算机可读介质,涉及计算机应用技术领域,方法包括:获取传染病的历史发病数据;通过卷积神经网络提取历史发病数据的空间特征;通过循环神经网络提取历史发病数据的第一时序特征;将空间特征和第一时序特征进行融合,得到历史发病数据的时空特征;根据时空特征对传染病进行风险预测。本发明利用由卷积神经网络和循环神经网络构成的预测网络模型,对传染病数据的时空特征进行深度挖掘,进而提高传染病预测的准确度。