-
公开(公告)号：CN117831703B
公开(公告)日：2024-08-09
申请号：CN202410003596.4
申请日：2024-01-02
Applicant: 复旦大学
IPC: G16H20/00 , G16H50/70 , G16H10/20 , G16H10/60 , G06N3/0464 , G06N3/048 , G06N3/0499 , G06N3/084
Abstract: 本发明公开了一种基于图神经网络与深度学习的失能老人照护方案推荐方法，采用护理需求调查表采集多位失能老人特征信息，确定照护项目标签，作为深度学习模型的训练数据；以老人和特征作为本体构建二部图结构图数据集，构建神经网络模型并基于二部图结构图数据集对该模型进行训练，得到照护方案推荐模型；将已填好的护理需求调查表数据作为预先训练好的深度学习模型的输入信息，预测得到该失能老人的照护方案。该方法以二部图的方式建模失能老人照护数据，充分保留原始数据中的样本特征及关系信息，适用于复杂而个性化的照护推荐任务，提高照护推荐模型预测时对样本全局信息的提取能力。
-
公开(公告)号：CN117942056A
公开(公告)日：2024-04-30
申请号：CN202311733171.0
申请日：2023-12-18
Applicant: 复旦大学
IPC: A61B5/024 , G06F18/214 , G06F18/2411 , G06F18/15 , G06F18/213 , A61B5/00
Abstract: 本发明提供一种基于脉搏波的心律失常多分类检测方法及系统，涉及智能心率失常分类技术领域，利用心律失常类型预测模型对光电容积脉搏波信号作处理以得到心率失常的类型，该心率失常类型预测模型的波形空间特征提取层对脉搏波信号采集装置传送的信号通过多组顺序有效尺寸的卷积核，将多周期的一维脉搏波信号转化为多层二维空间特征矩阵，通过波形时间特征提取层接收二维空间特征矩阵，并结合学习时间依赖关系输出多维时间特征向量，事件发生预测层接收多维时间特征向量，并通过多层感知机，对心律失常发生类型预测，将光电容积脉搏波信号，输入到端到端的深度学习模型，在线数据处理分析预测心律失常发生类型，有效提升心率失常分类结果的精确性。
-
公开(公告)号：CN117942056B
公开(公告)日：2025-01-28
申请号：CN202311733171.0
申请日：2023-12-18
Applicant: 复旦大学
IPC: A61B5/024 , G06F18/214 , G06F18/2411 , G06F18/15 , G06F18/213 , A61B5/00
Abstract: 本发明提供一种基于脉搏波的心律失常多分类检测方法及系统，涉及智能心律失常分类技术领域，利用心律失常类型预测模型对光电容积脉搏波信号作处理以得到心律失常的类型，该心律失常类型预测模型的波形空间特征提取层对脉搏波信号采集装置传送的信号通过多组顺序有效尺寸的卷积核，将多周期的一维脉搏波信号转化为多层二维空间特征矩阵，通过波形时间特征提取层接收二维空间特征矩阵，并结合学习时间依赖关系输出多维时间特征向量，事件发生预测层接收多维时间特征向量，并通过多层感知机，对心律失常发生类型预测，将光电容积脉搏波信号，输入到端到端的深度学习模型，在线数据处理分析预测心律失常发生类型，有效提升心律失常分类结果的精确性。
-
公开(公告)号：CN117831703A
公开(公告)日：2024-04-05
申请号：CN202410003596.4
申请日：2024-01-02
Applicant: 复旦大学
IPC: G16H20/00 , G16H50/70 , G16H10/20 , G16H10/60 , G06N3/0464 , G06N3/048 , G06N3/0499 , G06N3/084
Abstract: 本发明公开了一种基于图神经网络与深度学习的失能老人照护方案推荐方法，采用护理需求调查表采集多位失能老人特征信息，确定照护项目标签，作为深度学习模型的训练数据；以老人和特征作为本体构建二部图结构图数据集，构建神经网络模型并基于二部图结构图数据集对该模型进行训练，得到照护方案推荐模型；将已填好的护理需求调查表数据作为预先训练好的深度学习模型的输入信息，预测得到该失能老人的照护方案。该方法以二部图的方式建模失能老人照护数据，充分保留原始数据中的样本特征及关系信息，适用于复杂而个性化的照护推荐任务，提高照护推荐模型预测时对样本全局信息的提取能力。
-
-
-
Search Results
4
records
(took 0.013 seconds)
