-
公开(公告)号：CN111524593A
公开(公告)日：2020-08-11
申请号：CN202010326646.4
申请日：2020-04-23
Applicant: 厦门大学
IPC: G16H50/20 , G06F16/332 , G06F16/36
Abstract: 本发明公开了一种基于上下文语言模型和知识嵌入的医疗问答方法及系统。该方法包括：获取医疗问题和医疗答案库中的候选医疗答案；采用训练好的上下文语言模型提取医疗问题和候选医疗答案的上下文嵌入；采用训练好的知识表示模型提取医疗问题和候选医疗答案的知识嵌入；对医疗问题的上下文嵌入以及知识嵌入进行融合，得到医疗问题特征表示；对候选医疗答案的上下文嵌入以及知识嵌入进行融合，得到候选医疗答案特征表示；根据医疗问题特征表示和候选医疗答案特征表示计算候选医疗答案与医疗问题的相关度；计算医疗答案库中各候选医疗答案与医疗问题的相关度的大小确定医疗问题的医疗答案。本发明能够对答案实现有效的检索，提高了检索的效率。
-
公开(公告)号：CN106447724A
公开(公告)日：2017-02-22
申请号：CN201610817035.3
申请日：2016-09-12
Applicant: 厦门大学
IPC: G06T7/70
Abstract: 一种基于扫描转换算法和网格压缩的区域限定判断方法，涉及车联网。包括以下步骤：1)一个预处理步骤：先创建一个网格，再确定网格中每一个单元的属性，即该单元在网格内还是网格外，然后压缩网格；2)一个判定步骤：由测试点经纬度，根据建立网格的参数，得到参数在网格中的位置；再计算MD码，在四叉树中查找该MD码，如果查找不到，进入下一层查找；如果找到，返回该MD码对应的属性值，就是被测点是否在多边形内的判断结果。用四叉树压缩算法来存储网格。预处理时间短，减少判定时间,可以使用任何形状的区域，无论是圆形或多边形，都可以在预处理步骤上被处理。
-
公开(公告)号：CN119380911A
公开(公告)日：2025-01-28
申请号：CN202411467371.0
申请日：2024-10-21
Applicant: 厦门大学
IPC: G16H10/60 , G06V30/42 , G06V30/146 , G06V30/412 , G06V10/56 , G06F21/62 , G06F21/60
Abstract: 本申请公开了一种基于骨科临床病历文档生成骨科电子健康记录的方法、装置及设备，涉及医学数据整理领域。本申请对骨科临床病历文档中的图片格式的文档及同时包含文字信息和表格信息的文档分别进行识别，针对OCR算法在表格信息的识别过程中表现出的缺点，本申请首先对文档中的表格区域进行增强，然后利用OCR算法进行识别，提高了骨科临床病历文档中表格数据识别的准确性，另外本申请在构建骨科电子健康记录之前，先对第一识别信息、第二识别信息和医学影像数据进行去识别处理，保证了患者数据的隐私性。
-
公开(公告)号：CN113139128B
公开(公告)日：2024-03-01
申请号：CN202110495025.3
申请日：2021-05-07
Applicant: 厦门大学
IPC: G06F16/9535 , G06F16/9536 , G06N3/0464 , G06N3/084 , G06Q50/00 , G06N3/0442
Abstract: 本发明公开了一种基于图卷积神经网络的博文推荐方法及系统。该方法包括：获取包括用户实体和博文实体的目标微博社交网络；将微博社交网络输入经训练的隐含关系预测模型，确定目标用户与博文的隐含关系；隐含关系预测模型包括编码器结构(门控图注意力网络模型)和解码器结构，门控图注意力网络模型包括一个图注意力层和一个门控层，图注意力层以不同重要性程度聚合微博社交网络中不同实体的信息，门控层对聚合后得到的信息进行选择和过滤；解码器包含一个最优评分函数，可以使用该评分函数对可能的新关系进行评分；根据使用评分函数对所述隐含关系的评分，确定向所述目标用户推荐的博文。本发明实现了适合用户个体的博文的自动化推荐。
-
公开(公告)号：CN111524593B
公开(公告)日：2022-08-16
申请号：CN202010326646.4
申请日：2020-04-23
Applicant: 厦门大学
IPC: G16H50/20 , G06F16/332 , G06F16/36
Abstract: 本发明公开了一种基于上下文语言模型和知识嵌入的医疗问答方法及系统。该方法包括：获取医疗问题和医疗答案库中的候选医疗答案；采用训练好的上下文语言模型提取医疗问题和候选医疗答案的上下文嵌入；采用训练好的知识表示模型提取医疗问题和候选医疗答案的知识嵌入；对医疗问题的上下文嵌入以及知识嵌入进行融合，得到医疗问题特征表示；对候选医疗答案的上下文嵌入以及知识嵌入进行融合，得到候选医疗答案特征表示；根据医疗问题特征表示和候选医疗答案特征表示计算候选医疗答案与医疗问题的相关度；计算医疗答案库中各候选医疗答案与医疗问题的相关度的大小确定医疗问题的医疗答案。本发明能够对答案实现有效的检索，提高了检索的效率。
-
Patent Agency Ranking
公开(公告)号：CN110189831B
公开(公告)日：2021-03-02
申请号：CN201910489974.3
申请日：2019-06-06
Applicant: 厦门大学
Abstract: 本发明公开了一种基于动态图序列的病历知识图谱构建方法及系统。所述构建方法包括：获取医疗病历数据；所述医疗病历数据包括电子病历以及病人的特征数据；对所述预处理后的医疗病历数据进行预处理，确定预处理后的医疗病历数据；根据所述预处理后的医疗病历数据构建病例图；所述病例图为多个实体以及实体与实体之间的关系；所述实体包括药物、症状、疾病类别以及药物类别，所述实体与实体之间的关系包括“拥有属性”关系、“治疗”关系；引入时间维度，利用所述病例图定义演化图序列模型，确定病人在不同时间点的医疗病历数据构建的病历知识图谱。采用本发明所提供的构建方法及系统能够提高用户查询疾病类别的效率。
-
公开(公告)号：CN108197117A
公开(公告)日：2018-06-22
申请号：CN201810094963.0
申请日：2018-01-31
Applicant: 厦门大学
IPC: G06F17/27
Abstract: 一种基于文档主题结构与语义的中文文本关键词提取方法，涉及关键词提取。文本预处理；中文分词及词性标注；停用词过滤与词性过滤；关键词提取。介绍文本关键词提取的基本概念、中文分词与英文分词存在的差异、常用的中文文本关键词提取方法。研究基于文档主题结构的方法和基于语义的方法，分析其原理以及现有的实现方案。针对中文分词中存在的新词识别的难点，使用动态更新分词词典来不断改善中文分词的效果。对基于文档主题结构的方法进行改进，提取全局的关键词。将中文词语之间的语义相似度考虑进来，进一步改进算法。并在自构建的数据集中验证改进算法，通过验证实验和对比实验，都得到较好的结果，表明改进算法能够改善关键词提取的效果。
-
公开(公告)号：CN119293147A
公开(公告)日：2025-01-10
申请号：CN202411411765.4
申请日：2024-10-10
Applicant: 厦门大学
IPC: G06F16/332 , G16H10/60 , G16H30/40 , G16H30/20 , G06N3/0455 , G06N3/08 , G06F40/289 , G06F40/284 , G06F18/24 , G06F18/25
Abstract: 本申请公开了一种医学可视化问答系统，涉及医学知识问答领域，系统包括：数据生成模块用于获取多份医疗电子病历，并采用半自动方式构建医学视觉问答样本集；模型训练评估模块用于：根据模型训练请求从模型存储模块中调用一个或多个深度学习模型；基于模型训练配置指令，采用医学视觉问答样本集对一个或多个深度学习模型进行训练；根据预设评估指标对训练完成后的多个深度学习模型进行评估；根据评估结果对训练完成后的多个深度学习模型进行优先级排序得到模型序列；问答模块用于将待处理患者图片及对应的问题文本输入至训练完成后的深度学习模型中得到对应的回答文本。本申请实现更便捷、更准确、泛用性更广的医学问答。
-
公开(公告)号：CN114168751B
公开(公告)日：2024-07-09
申请号：CN202111476205.3
申请日：2021-12-06
Applicant: 厦门大学
Abstract: 本发明公开了一种基于医学知识概念图的医学文本标签识别方法及系统。该方法包括：获取医学知识图谱，医学知识图谱包括多个医学疾病概念层次树，每个医学疾病概念层次树对应疾病的一个类别；获取文本特征关键词，文本特征关键词包括从医学文本中提取的关键词；将文本特征关键词映射到医学知识图谱中，得到特征关键词图谱；确定各文本特征关键词的重要度；根据各文本特征关键词的重要度，选择识别特征关键词，识别特征关键词用于对医学文本进行疾病类别识别；基于识别特征关键词对医学文本所属的疾病类别进行识别。本发明采用用于疾病的医学知识概念图辅助基于关键词的医学文本分类，提高了医学文本准确性，进而保障了分类结果的有效性。
-
公开(公告)号：CN112749757B
公开(公告)日：2023-09-12
申请号：CN202110080195.5
申请日：2021-01-21
Applicant: 厦门大学
Abstract: 本发明公开了一种基于门控图注意力网络的论文分类模型构建方法及系统。该方法包括：构建基于门控图神经网络的分类模型，分类模型包括依次连接的若干层，其中，各层均包括一图神经网络结构以及一分类器，第一层中图神经网络结构和分类器直接连接，第t层中图神经网络结构和分类器之间通过门控结构连接，t为大于1的整数；确定样本数据集中各论文样本i的特征矩阵#imgabs0#将各论文样本的特征矩阵#imgabs1#输入分类模型，并以各论文样本的类型为标签对分类模型进行训练；训练过程中，融合了样本论文的属性，且通过门控机制，聚合远距离节点信息，在获得更多语义信息的同时，解决了梯度消失问题，提升了分类的准确度。
-
-
-
-
-
-
-
-
-
Search Results
22
records
(took 0.026 seconds)
