-
公开(公告)号：CN116327211A
公开(公告)日：2023-06-27
申请号：CN202310159027.4
申请日：2023-02-23
Applicant: 南京信息工程大学
IPC: A61B5/346
Abstract: 本发明公开了基于可持续学习浅层循环神经网络的心电信号分类装置，包括预处理模块、信号初始化模块、神经网络分类模块；其中，预处理模块，用于接收心电图机输出的心电信号，对心电信号分别进行数据弱增强和数据强增强；信号初始化模块，用于对经过弱增强的心电信号和强增强心电信号进行重要性评估，然后对分别进行编码；神经网络分类模块，用于对信号初始化模块输出的心电信号进行训练，获得心电信号分类模型，实现对心电信号正常或异常的分类结果。本发明能够实现对于多维时间序列数据的自动、高效、准确的处理，同时解决RNN模型对于时序的依赖以及对于多维时间序列数据在硬件上的处理对于物理成本消耗很大的问题。
-
公开(公告)号：CN112216375B
公开(公告)日：2023-05-09
申请号：CN202010920141.0
申请日：2020-09-03
Applicant: 南京信息工程大学
IPC: G16H40/67 , G16H50/20 , G06F16/953 , G06F40/30
Abstract: 本发明公开了一种自主构建医疗监测系统的方法，包括：预先封装训练完成的基于深度学习模型的医疗监测系统，并拆分成为若干个独立部署的微服务构件；将这些构件存储于微服务库中，并形成一个构件关系图；基于该构件关系图，用户自主输入关键词；基于A*的启发式算法，结合关键词与微服务构件的匹配程度，及微服务构件之间的数据通信关系，从构件关系图中搜索得到一个较优子图作为最优解；将搜索得到的较优子图中待组建的微服务构件和微服务构件之间的数据通信关系部署在边缘节点上，搭建获得所需的轻量级医疗监测系统。本发明能高效快速自动搜索搭建系统，自动精准构建满足用户功能需求的轻量级系统，很好地适配用户。
-
公开(公告)号：CN114595731B
公开(公告)日：2022-08-19
申请号：CN202210495956.8
申请日：2022-05-09
Applicant: 南京信息工程大学
Abstract: 本发明提出一种基于持续学习的非线性医疗传感器数据的语义分割方法，包括：基于CNN构建语义分割模型；将心电信号样本数据集导入语义分割模型进行迭代训练；选取对于当前训练任务难度较低的实例定义为第一重要实例存放至缓冲区；将脑电信号样本数据集中导入语义分割模型再次进行训练；选取对于当前训练任务难度较低的实例定义为第二重要实例存放至缓冲区；采用缓冲区存储的重要实例对模型再次训练，保存准确率最高的模型作为最终应用的语义分割模型。本发明能够使计算机进行自动、高效、准确地对非线性的医疗传感器数据中的各个类别的数据进行精确定位和分类；并且使得模型具有一定的持续学习能力和迁移能力。
-
公开(公告)号：CN112686091A
公开(公告)日：2021-04-20
申请号：CN202011319283.8
申请日：2020-11-23
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种基于深度神经网络的两步骤心律失常分类方法。属于计算机、软件类领域；具体步骤：1、预处理；2、初始化；3、Bi‑LSTM分类N，SV,F和Q；4、GAN生成不平衡心跳数据；5、Bi‑LSTM分类S和V；本发明适用于收集到的ECG心跳数据不足的心律失常的分类；可以保证较高的分类准确率；此外采用的两步骤分类框架充分考虑了医学事实，因此本发明可以保证较高的分类准确率，具有实际意义。
-
公开(公告)号：CN112052750A
公开(公告)日：2020-12-08
申请号：CN202010841403.4
申请日：2020-08-20
Applicant: 南京信息工程大学
IPC: G06K9/00 , G06K9/62 , G06N3/04 , A61B5/0402 , A61B5/00
Abstract: 本发明公开了一种基于类不平衡传感数据与深度模型的心律失常分类方法，属于智慧医疗技术邻域；该方法首先收集原始传感数据并截取心拍，利用GAN网络生成数据不平衡类的心拍，收集足够的数据后，训练一个基于堆叠的Bi‑LSTM的分类模型，利用训练完成后的Bi‑LSTM分类模型将输入的未知类别的心拍数据分类。本发明方法适用于数据不平衡条件下的心律失常分类，可以避免因为心拍数据的不足而对分类的结果造成影响，从而提高了心拍分类的准确率。
-
Patent Agency Ranking
公开(公告)号：CN119446482A
公开(公告)日：2025-02-14
申请号：CN202411430722.0
申请日：2024-10-14
Applicant: 南京信息工程大学
Abstract: 本发明公开了智慧医疗技术领域的一种基于量子联邦学习的医疗辅助诊断方法及电子设备，其方法包括：基于预训练的量子联邦学习模型进行医疗辅助诊断，量子联邦学习模型的获取过程包括：构建量子联邦学习模型，包括本地客户端和中心服务器端；重复执行以下步骤直至达到预设的训练周期：在当前训练周期内，根据训练样本集对本地客户端进行训练，根据测试样本集计算本地客户端的准确度；本地客户端在当前训练周期后将其准确度和最终的模型梯度发送至中心服务器；中心服务器根据准确度和模型梯度更新全局模型参数，并返回至本地客户端；本地客户端根据全局模型参数更新本地模型参数。本发明能够提高医疗辅助诊断的准确度和效率。
-
公开(公告)号：CN118762349A
公开(公告)日：2024-10-11
申请号：CN202411245459.8
申请日：2024-09-06
Applicant: 南京信息工程大学
IPC: G06V20/58 , G06V10/82 , G06V10/764 , G06N3/0464 , G06N3/0442 , G06N3/084 , G06N3/09
Abstract: 本发明公开了一种基于量子卷积神经网络的交通标志识别方法，具体包括如下步骤：步骤1：采集交通标志图像，并为每个图像进行标签处理；将采集的交通标志图像和对应的标签作为样本数据；步骤2：建立量子卷积神经网络，所述量子卷积神经网络包括预处理层，量子计算层和分类层；步骤3：对量子卷积神经网络进行训练，并采用训练好的量子卷积神经网络进行交通标志识别。本发明提高了交通标志分类性能，降低复杂性，能够应对大规模图像数据，具有较好的抗量子噪声性能，拥有很好的可应用性和可扩展性。
-
公开(公告)号：CN118644765A
公开(公告)日：2024-09-13
申请号：CN202411104260.3
申请日：2024-08-13
Applicant: 南京信息工程大学
Abstract: 本发明公开了图像识别领域的一种基于异构和长尾数据的联邦学习方法及系统，方法包括：客户端接收全局模型和重训练模型，以及获取异构和长尾数据集，并对全局模型进行本地训练，以及利用重训练模型计算真实特征的梯度；客户端将本地模型和真实特征的梯度发送到服务器端聚合，得到聚合后的全局模型和类C的聚合特征梯度；服务器端构建类C的虚拟特征，并计算虚拟特征梯度，通过比较两个特征梯度之间的差异，选择一个最优的虚拟特征梯度，并获得对应的最新虚拟特征；服务器端将聚合后的全局模型和最新的重训练模型发送至客户端，完成当前迭代轮次的训练；本发明能够解决因异构和长尾数据导致联邦学习准确率低问题，从而有效保护数据的隐私。
-
公开(公告)号：CN118115862A
公开(公告)日：2024-05-31
申请号：CN202410533850.1
申请日：2024-04-30
Applicant: 南京信息工程大学
IPC: G06V20/00 , G06V40/16 , G06V10/82 , G06V10/774 , G06N3/045 , G06N3/0475 , G06N3/094 , G06N3/084 , G06N3/088
Abstract: 本发明提出了一种人脸图像篡改异常检测方法、装置及介质，在cycleGAN基础上，引入了SENet通道注意力模块以增强模型性能。该方法通过无监督学习正常未经篡改的人脸图像分布，使用量化的异常图像重建差异作为异常得分；通过与预设阈值进行比较，实现对人脸篡改图像的异常检测；本发明利用生成式模型和通道注意力模块相结合，有效提升了人脸篡改图像检测的精度和鲁棒性；通过量化异常图像的重建差异，该方法能够可靠地识别出潜在的篡改行为，为人脸图像的安全性提供了有效保障。
-
公开(公告)号：CN117272309A
公开(公告)日：2023-12-22
申请号：CN202311044340.X
申请日：2023-08-17
Applicant: 南京信息工程大学
IPC: G06F21/57 , G06N3/042 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于图神经网络和可解释模型的源代码漏洞检测方法及装置，该方法包括：首先使用有效的构造图结构的方法将源代码转换成图表征，采用PL预训练模型学习图表征以充分提取源代码的有效信息，结合和池和最大池获得图表征的全局嵌入，将全局嵌入输入到全连接层获得粗粒度的漏洞检测结果；在判断该源代码是否存在漏洞后，使用可解释模型推导出可作为预测结果解释的漏洞语句，达到细粒度漏洞检测的效果。本发明能够帮助开发人员更快地识别和修复潜在的安全问题，从而提高修复效率和系统安全性。
-
-
-
-
-
-
-
-
-
Search Results
71
records
(took 0.039 seconds)
