-
公开(公告)号:CN119745355A
公开(公告)日:2025-04-04
申请号:CN202411622930.0
申请日:2024-11-14
Applicant: 中国科学院计算技术研究所
IPC: A61B5/021 , A61B5/00 , G06F18/15 , G06F18/213 , G06F18/2433 , G06N3/0464 , G06N3/045 , G06N3/088 , G06N3/09 , G06N3/048
Abstract: 本发明提供了一种生理语义一致的无袖带血压模型对比学习预训练方法,所述血压预测模型构建方法首先采用无标签PPG信号对模型进行无监督训练以提高模型的泛化能力,再采用有标签的PPG信号对模型进行有监督训练以训练模型的预测性能,最后采用少量的目标对象的有标签PPG信号对模型进行个性化训练以使模型具备预测目标对象血压数据的性能,其中,在无监督训练过程中,基于血压关键生理知识实现数据增强以确保增强数据的质量和实用性,并通过随机特征掩蔽、特征重采样以提高模型提取特征的多样性。本发明与现有的血压预测方法相比,减少了训练过程中有标签数据的需求量,同时,基于血压关键生理信息进行数据增强与特征重建以提高血压预测模型的泛化能力。
-
公开(公告)号:CN119724457A
公开(公告)日:2025-03-28
申请号:CN202411750631.5
申请日:2024-12-02
Applicant: 中国科学院计算技术研究所
IPC: G16H10/60 , G06N20/20 , G06V10/774 , G06V10/764 , G06T1/00
Abstract: 本发明提供了一种基于水印嵌入的医疗系统联邦学习方法,本发明的技术方案通过对医疗系统中各个客户端进行预设轮次的第一阶段训练以获得每个客户端的水印深度并基于每个客户端的水印深度评估每个客户端对水印任务的适配能力,基于每个客户端的水印深度重新配置自身的主任务与水印任务的比重并依此调整自身预设的损失函数,最后基于每个客户端调整后的损失函数对进行多轮联邦训练以使每个客户端获得一个嵌入水印的医疗任务模型,较现有水印嵌入技术,本发明通过医疗系统模型中的中心服务器与客户端协作实现水印嵌入,同时,基于每个客户端的水印任务适配能力调整每个客户端的水印任务与主任务的比重,提高水印任务性能的同时确保主任务的精度。
-
公开(公告)号:CN119673469A
公开(公告)日:2025-03-21
申请号:CN202411608809.2
申请日:2024-11-12
Applicant: 中国科学院计算技术研究所
IPC: G16H50/70 , A61B5/021 , A61B5/00 , G16H50/30 , G06F18/27 , G06F18/213 , G06F18/214 , G06F18/25 , G06N3/0985 , G06N3/0464 , G06N3/0442
Abstract: 本发明提供了一种基于元学习的域泛化血压估计训练方法,本发明的技术方通过两阶段元学习的策略,将学习过程分为元训练阶段和元测试阶段,其中元训练阶段进一步分为训练子阶段和优化子阶段,学习过程中,变换地选定源域组成元优化域,其余源域作为元训练域,在每一轮元训练阶段,模型在元训练域内的多个源域上训练,以模拟不同个体的数据分布,通过对不同个体数据的学习,提升模型的泛化性能;在元测试阶段,模型利用源域数据进行微调,以提升在真正的目标域上的预测精度。
-
公开(公告)号:CN119324056A
公开(公告)日:2025-01-17
申请号:CN202411360209.9
申请日:2024-09-27
Applicant: 中国科学院计算技术研究所
IPC: G16H50/30 , A61B5/00 , A61B5/16 , A61B5/369 , G16H50/70 , G16H10/20 , G16H10/60 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明提供了一种普适化认知评估系统,包括患者管理模块,用于存储和管理患者的身份信息和测试相关信息;任务测试模块,用于通过触控设备向待测患者提供用于评估认知能力的多种测试任务,并通过触摸屏和/或摄像头获取待测患者的测试反馈数据;任务报告模块,用于根据待测患者的测试反馈数据,通过预设的基于神经网络的认知评估模型评估待测患者的认知能力,以生成待测患者的认知评估报告。
-
公开(公告)号:CN118690223A
公开(公告)日:2024-09-24
申请号:CN202410667497.6
申请日:2024-05-28
Applicant: 中国科学院计算技术研究所
IPC: G06F18/24 , G06F18/25 , G06N3/0464 , G06N3/09
Abstract: 本发明提供了一种多模态平衡的睡眠阶段分类模型训练方法,所述方法包括:获取训练集,其包括多个样本、每个样本对应类别标签以及领域标签;利用所述训练集对预设的睡眠阶段分类模型和领域判别器进行多轮训练,得到经训练的睡眠阶段分类模型,其中,每轮训练中:利用分类模型的特征提取器提取样本中的特征,利用分类模型的分类器根据特征进行分类;利用领域判别器根据特征进行领域判别;根据特征的分类结果和类别标签确定分类性能指标和分类损失;根据特征的域判别结果和领域标签确定域判别性能指标和域判别损失;根据分类损失和域判别损失确定的总损失更新特征提取器的参数,根据损失和性能指标确定的梯度更新分类器或领域判别器中的参数。
-
公开(公告)号:CN118135651A
公开(公告)日:2024-06-04
申请号:CN202410212853.5
申请日:2024-02-27
Applicant: 中国科学院计算技术研究所
IPC: G06V40/20 , G06V20/64 , G06V10/774 , G06V10/82 , G06V10/764 , G06N3/0464
Abstract: 本发明提供了一种面向三维数字人的碰撞检测模型的训练方法,包括:获取采用树形卷积结构构建的碰撞检测模型,并且所述树形卷积结构依赖三维数字人的节点的拓扑层次,其中,所述节点对应三维数字人的活动关节;获取根据所述三维数字人的姿态数据和蒙皮数据构建的训练集,其包括:多个3D姿态样本和每个3D姿态样本对应的碰撞状态标签,3D姿态样本包括三维数字人的各个节点的姿态数据;利用所述训练集和预设的损失函数,训练碰撞检测模型,根据3D姿态样本检测碰撞状态,得到经训练的碰撞检测模型;构建的碰撞检测模型更符合三维数字人的数据的层次结构,更贴近姿态数据的分布规律,可以辅助高效检测碰撞状态,提升检测的效率和准确性。
-
公开(公告)号:CN117612709A
公开(公告)日:2024-02-27
申请号:CN202311800401.0
申请日:2023-12-26
Applicant: 中国科学院计算技术研究所
Abstract: 本发明提供了一种医疗任务模型的联邦构建方法,用于同时构建适用于执行不同任务的医疗任务模型,所述方法包括:步骤S1:通用模型构建步骤,以联邦学习的方式通过步骤S11的初始化步骤和步骤S12的联邦训练步骤构建一个适用于各种医疗任务的通用模型,步骤S2:医疗任务模型组合步骤:将多次联邦训练后中心服务器得到的特征提取模型作为通用模型,并将该通用模型作为特征提取器,将其分别与多个目标任务对应的嵌入模块和输出模块组合以构成每个目标任务对应的医疗任务模型。
-
公开(公告)号:CN117541876A
公开(公告)日:2024-02-09
申请号:CN202311725379.8
申请日:2023-12-15
Applicant: 中国科学院计算技术研究所
IPC: G06V10/764 , G06V10/774 , G06V10/778
Abstract: 本发明提供了一种图像分类模型以及基于类别增量对模型训练的方法,所述图像分类模型包括:嵌入模块,其用于对输入的图像进行嵌入处理,以得到所述图像对应的嵌入向量;提示参数生成模块,其用于根据所述嵌入向量生成一组可学习的提示参数集合;融合模块,其用于将所述嵌入向量和所述可学习的提示参数向量集合进行融合,得到融合向量;特征提取模块,其用于根据所述融合向量提取所述图像对应的特征向量;分类模块,其用于根据提取的特征向量对所述图像进行分类,得到所述图像对应的分类结果。
-
公开(公告)号:CN113298234B
公开(公告)日:2024-01-05
申请号:CN202110576078.8
申请日:2021-05-26
Applicant: 中国科学院计算技术研究所
IPC: G06F16/906 , G06N3/08
Abstract: 本发明实施例提供了一种生成多关系图中节点的表示向量的方法,本发明经过多关系图分解和编码后得到的编码后的单一关系子图,不仅可以降低预测难度,也可避免多关系图下潜在关联预测收到过多干扰,导致关联预测不够准确;然后潜在关联预测可以得到补充了潜在关联后的关系子图,能够实现挖掘多关系图中每一种关系情况中潜在关联信息,再聚合为挖掘了不同的潜在关系的多关系的特征聚合图,基于特征聚合图提取节点的表示向量,从而更好地为后续任务提供准确基础。
-
公开(公告)号:CN116992955A
公开(公告)日:2023-11-03
申请号:CN202310896524.2
申请日:2023-07-20
Applicant: 中国科学院计算技术研究所
IPC: G06N3/098 , G06N3/0464 , G16H50/30
Abstract: 本发明提出一种纵向联邦神经网络模型的训练方法,所述方法包括:S1、获取目标领域的多个数据集及其对应的一个标签集,每个数据集包括目标领域数据的多个特征向量,给每个本地网络分发一个数据集,将标签集分发给所述预测网络;S2、给每个本地网络的每个神经元设置权重参数并对其进行初始化;S3、对所述预测网络和多个本地网络基于其获得的数据进行多轮纵向联邦迭代训练直至每一本地网络均完成神经元删减,以得到训练好的纵向联邦神经网络模型。
-
-
-
-
-
-
-
-
-