-
公开(公告)号：CN111370122B
公开(公告)日：2023-12-19
申请号：CN202010125334.7
申请日：2020-02-27
Applicant: 西安交通大学
IPC: G16H50/30 , G16H50/70 , G16H70/20 , G06N3/042 , G06N3/0442 , G06N3/045 , G06N3/09 , G06F18/2415 , G06F123/02
Abstract: 能够提升时序数据风险预测的准确性。本发明公开了一种基于知识指导的时序数据风险预测方法、系统及其应用，包括以下步骤：采集样本时序数据，将每个样本时序数据转换为输入序列矩阵，从知识图中获取风险事件及事件关系的特征信息；将距离权重矩阵、风险事件及事件关系的特征信息输入到预先设定的网络模型中，获得两个上下文向量，将两个上下文向量进行全连接，进行风险预测；根据各样本时序数据序列以及两个上下文向量训练预先设定的网络模型，进行有监督的训练，得到发生风险的概(56)对比文件陈德华;殷苏娜;乐嘉锦;王梅;潘乔;朱立峰.一种面向临床领域时序知识图谱的链接预测模型.计算机研究与发展.2017,(12),全文.
-
公开(公告)号：CN111383328B
公开(公告)日：2022-05-20
申请号：CN202010125871.1
申请日：2020-02-27
Applicant: 西安交通大学
Abstract: 本发明公开了一种面向乳腺癌病灶的3D可视化方法及系统，包括：根据文件上传器的引导和提示，上传采集的乳腺癌医学影像文件；根据上传的乳腺癌医学影像文件通过卷积神经网络的分析得到乳腺外轮廓信息点和乳腺病灶区域信息点，进而通过three.js插件绘制乳腺外轮廓的3D可视化视图和乳腺癌病灶区域的3D医学成像，主要是病灶区域的数据点以及边缘信息点的润化处理，同时添加辅助分析控件对3D成像做进一步分析。本发明可快速高效的对患者乳房医学影像进行可视化，精确定位并分析病灶区域。
-
公开(公告)号：CN111370122A
公开(公告)日：2020-07-03
申请号：CN202010125334.7
申请日：2020-02-27
Applicant: 西安交通大学
Abstract: 本发明公开了一种基于知识指导的时序数据风险预测方法、系统及其应用，包括以下步骤：采集样本时序数据，将每个样本时序数据转换为输入序列矩阵，从知识图中获取风险事件及事件关系的特征信息；将距离权重矩阵、风险事件及事件关系的特征信息输入到预先设定的网络模型中，获得两个上下文向量，将两个上下文向量进行全连接，进行风险预测；根据各样本时序数据序列以及两个上下文向量训练预先设定的网络模型，进行有监督的训练，得到发生风险的概率后训练至预设收敛条件，获得训练好的风险预测模型；通过得到的风险预测模型进行风险预测。本发明对时序序列数据表示更加合理有效，能够提升时序数据风险预测的准确性。
-
公开(公告)号：CN111367961A
公开(公告)日：2020-07-03
申请号：CN202010124544.4
申请日：2020-02-27
Applicant: 西安交通大学
IPC: G06F16/2458 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于图卷积神经网络的时序数据事件预测方法、系统及其应用，包括：将数据清洗后的时序数据以预定的时间间隔转换成事件序列数据，获得事件与事件集合的向量表示；将事件序列数据中每一条序列样本数据最后一个时刻所包含的事件集合作为预测目标，将其作为对应序列样本标签，得到已标注的事件序列数据；当图卷积神经网络模型被训练至满足预设定的收敛条件时，使用测试集对模型预测效果进行测试，取测试效果的模型作为最终的事件预测模型。本发明可弥补传统方法对数据数量及质量要求高、无法充分利用知识图谱的缺陷。
-
公开(公告)号：CN111400366B
公开(公告)日：2022-12-09
申请号：CN202010124669.7
申请日：2020-02-27
Applicant: 西安交通大学
IPC: G06F16/2458 , G06F16/248 , G06F17/16 , G06K9/62 , G06F17/18 , G06Q10/04
Abstract: 本发明公开了一种基于CatBoost模型的交互式门诊量预测可视分析方法及系统，包括：构建为用户提供的用于分析数据、选择数据和特征的交互式可视化界面；用户在前端界面选择完数据和特征，按预定时间间隔将信息传给后端，后端对原始输入特征进行更改，建立基于CatBoost的回归模型；模型建立完成后将信息传回前端界面，在可视化界面中更新特征重要程度分析和预测结果，用于帮助用户理解预测结果和交互式地挖掘数据背后的信息。本发明通过将机器学习模型与前端可视化内容结合，能够解决传统方法特征单一，可解释性不足，对于非专业领域人士难以使用，无法交互式分析等缺陷。
-
Patent Agency Ranking
公开(公告)号：CN111242098B
公开(公告)日：2022-04-22
申请号：CN202010125945.1
申请日：2020-02-27
Applicant: 西安交通大学
Abstract: 本发明公开了一种结合特征提取和inception网络的心电数据分类方法及系统，包括：步骤1，对滤波后的心电图数据进行归一化处理；步骤2，将步骤1获得的处理后的心电图数据进行分割；步骤3，对步骤2获得的若干心跳片段进行特征提取；步骤4，构建适用于心电数据的inception网络；步骤5，计算获得整个心电图数据上的相对小波能量、小波能量，以及全部心跳片段的小波能量和心跳间隔时间的绝对平均偏差；步骤6，将整合后的特征作为预构建的多层感知机的输入，训练所述多层感知机至预设收敛条件，获得最终的分类模型。本发明中，模型既提取非常有价值的专家特征，又考虑到心电数据的深层次特征，能够达到增强模型健壮性和分类能力的目的。
-
公开(公告)号：CN111383328A
公开(公告)日：2020-07-07
申请号：CN202010125871.1
申请日：2020-02-27
Applicant: 西安交通大学
Abstract: 本发明公开了一种面向乳腺癌病灶的3D可视化方法及系统，包括：根据文件上传器的引导和提示，上传采集的乳腺癌医学影像文件；根据上传的乳腺癌医学影像文件通过卷积神经网络的分析得到乳腺外轮廓信息点和乳腺病灶区域信息点，进而通过three.js插件绘制乳腺外轮廓的3D可视化视图和乳腺癌病灶区域的3D医学成像，主要是病灶区域的数据点以及边缘信息点的润化处理，同时添加辅助分析控件对3D成像做进一步分析。本发明可快速高效的对患者乳房医学影像进行可视化，精确定位并分析病灶区域。
-
公开(公告)号：CN111324659A
公开(公告)日：2020-06-23
申请号：CN202010125418.0
申请日：2020-02-27
Applicant: 西安交通大学
IPC: G06F16/26 , G06F16/2457 , G16H70/00
Abstract: 本发明公开了一种针对时序医疗数据的可视化推荐方法及系统，包括：将采集的时序医疗数据处理为标准格式，获取导入数据库中的数据类别特征；基于已统计分析图表类型，将可视化元素拆分为若干视觉编码通道，不同编码通道对应视觉呈现元素，不同编码通道预设若干种视图绘制方法；根据可视化编码通道内容，获取可视化视觉编码，获取多元化配置结果；根据多元化配置结果，完成可视化推荐；其中，可视化推荐包括：单变量视图推荐、关联特征对视图推荐、替换视图推荐、替换视图推荐。本发明能够实现可视化编码的推荐，可增强推荐结果的针对性以及实用性。
-
公开(公告)号：CN109903292A
公开(公告)日：2019-06-18
申请号：CN201910067705.8
申请日：2019-01-24
Applicant: 西安交通大学
Abstract: 本发明公开了一种基于全卷积神经网络的三维图像分割方法及系统，包括以下步骤：步骤1，采集获取序列图像并进行标注，获得训练样本数据；步骤2，将步骤1获得的训练样本数据进行归一化预处理；步骤3，应用步骤2处理后的样本数据对预构建的3-D全卷积残差U-net网络模型进行有监督的训练，训练至预设收敛条件，获得训练好的三维图像分割模型；步骤4，将待分割的序列图像数据归一化处理后，输入步骤3训练好的三维图像分割模型中，获得序列图像分割结果。本发明可充分利用序列的连续性信息，能够在三维图像分割中获得一个相对较好的结果。
-
公开(公告)号：CN109886307A
公开(公告)日：2019-06-14
申请号：CN201910067772.X
申请日：2019-01-24
Applicant: 西安交通大学
Abstract: 本发明公开了一种基于卷积神经网络的图像检测方法及系统，包括以下步骤：采集获取预设数量的标注好的样本图像，预处理后获得去噪后的带标注的目标区域图像；将每个带标注的目标区域图像进行特征提取，获得每个带标注的目标区域的3D特征矩阵；用获得的所有3D特征矩阵对3D卷积神经网络弱实体检测模型进行训练，获得训练好的3D卷积神经网络弱实体检测模型；将待检测图片进行预处理和特征提取，获得待检测图片的3D特征矩阵，将待检测图片的3D特征矩阵输入训练好的3D卷积神经网络弱实体检测模型中，输出待检测图片的检测结果。本发明能够更加精确和快速的完成弱实体目标检测。
-
-
-
-
-
-
-
-
-
Search Results
38
records
(took 0.025 seconds)
