-
公开(公告)号：CN117131198A
公开(公告)日：2023-11-28
申请号：CN202311404157.6
申请日：2023-10-27
Applicant: 中南大学
Abstract: 本发明实施例中提供了用于医学教学库的知识增强实体关系联合抽取方法及设备，属于数据处理技术领域，具体包括：利用词表征得到初始跨度表征；得到实体及实体间关系并将其作为未注入外部知识前的第一实体关系预测结果；构造医学数据集的外部知识图；更新得到融合全局信息的节点表征；采用基于注意力的去噪融合机制，基于注意力的评分机制为跨度和节点打分，按照得分加权融合跨度表征和节点表征；得到实体及实体间关系并将其作为注入外部知识后的第二实体关系预测结果；结合监督信息联合训练实体关系抽取模型；使用实体关系抽取模型对多视角医学资料进行实体识别和关系分类，形成医学教学资源库。通过本发明的方案，提高了识别效率、精度和适应性。
-
公开(公告)号：CN117059264A
公开(公告)日：2023-11-14
申请号：CN202310767378.3
申请日：2023-06-27
Applicant: 中南大学
IPC: G16H50/30 , G16H50/70 , G16H10/60 , G06N3/042 , G06N3/0442 , G06N3/045 , G06N3/0464 , G06N3/084
Abstract: 本申请适用于医学数据技术领域，提供了一种疾病预测方法、装置、设备及介质。该疾病预测方法包括：通过基于电子健康记录数据中的医学编码构建共现关系图；基于医学编码的编码类型构建异构关系图；基于共现关系图获取所有医学编码的第一最终编码表示矩阵；基于异构关系图获取所有医学编码的第二最终编码表示矩阵；利用第二最终编码表示矩阵对第一最终编码表示矩阵进行优化，得到所有医学编码的完整表示矩阵；基于医学编码的完整表示矩阵，通过改进的GRU模型对待预测患者的就诊记录进行处理，获得待预测患者的患者最终表示；对待预测患者的患者最终表示进行评估，得到待预测患者的预测结果。本申请的预测方法能够显著提高疾病预测的准确性。
-
公开(公告)号：CN113052334B
公开(公告)日：2023-09-29
申请号：CN202110401739.3
申请日：2021-04-14
Applicant: 中南大学
Abstract: 本发明公开了一种联邦学习实现方法、系统、终端设备及可读存储介质，该方法包括：客户端使用本地神经网络模型进行第一轮本地迭代得到模型权重和损失值，并上传至服务器；服务器将客户端的模型权重进行加权平均计算得到平均权重，以及根据客户端的损失值对客户端进行分组；客户端利用平均权重更新本地神经网络模型，并基于中位数损失自适应调节本地迭代次数，再基于本地数据进行迭代训练更新模型权值并得到新的损失值；客户端将更新后的模型权重和损失值上传至服务器进行循环更新。本发明的客户端以所在组的中位数损失值为标准调整本地迭代次数，有效降低本地计算复杂度，提升联邦学习效率，进一步利用公共数据集进行知识蒸馏，提升模型性能。
-
公开(公告)号：CN116501830B
公开(公告)日：2023-09-05
申请号：CN202310782735.3
申请日：2023-06-29
Applicant: 中南大学
Abstract: 本发明提供了一种生物医学文本的重叠关系联合抽取方法及相关设备，包括：通过获取待抽取的生物医学文本数据，构建有融合模块、主体抽取模块以及客体抽取模块的重叠关系三元组联合抽取框架，将待抽取的生物医学文本数据输入重叠关系三元组联合抽取框架进行抽取，得到生物医学文本数据的重叠关系三元组；与现有技术相比，本发明通过融合模块将待抽取的生物医学文本数据中的每个文本与多个关系类型进行融合；抽取主体结束位置时引入了主体开始位置的信息，帮助抽取主体；同时在进行客体提取时引入了客体开始位置的信息和客体相对于主体的相对距离信息，帮助抽取客体；提高了重叠关系三元组抽取的准确性。
-
公开(公告)号：CN116501830A
公开(公告)日：2023-07-28
申请号：CN202310782735.3
申请日：2023-06-29
Applicant: 中南大学
Abstract: 本发明提供了一种生物医学文本的重叠关系联合抽取方法及相关设备，包括：通过获取待抽取的生物医学文本数据，构建有融合模块、主体抽取模块以及客体抽取模块的重叠关系三元组联合抽取框架，将待抽取的生物医学文本数据输入重叠关系三元组联合抽取框架进行抽取，得到生物医学文本数据的重叠关系三元组；与现有技术相比，本发明通过融合模块将待抽取的生物医学文本数据中的每个文本与多个关系类型进行融合；抽取主体结束位置时引入了主体开始位置的信息，帮助抽取主体；同时在进行客体提取时引入了客体开始位置的信息和客体相对于主体的相对距离信息，帮助抽取客体；提高了重叠关系三元组抽取的准确性。
-
Patent Agency Ranking
公开(公告)号：CN115599799A
公开(公告)日：2023-01-13
申请号：CN202211514821.8
申请日：2022-11-30
Applicant: 中南大学(CN)
IPC: G06F16/23 , G06N3/098 , G06N3/045 , G06N3/048 , G06F16/2458 , G06F16/27 , G06F18/2415 , G16H10/00
Abstract: 本申请适用于联邦学习技术领域，提供了一种面向医疗大数据的区块链与联邦学习融合方法，包括：在医疗客户端和矿工之间构建区块链网络和联邦学习训练环境；医疗客户端利用本地医疗数据集训练深度学习模型，对缺失标签的类别限制分类层权重，完成训练后将本地模型上传给关联矿工获得数据激励；矿工们交叉验证模型更新后，运行工作量证明机制产生新的区块并获得挖矿奖励，随后将模型更新存储于新的区块中并添加到区块链中；医疗客户端从区块链上下载新的区块，并依据智能合约校验准确率，动态调整权重来更新全局模型；重复上述步骤，直至全局模型收敛。本申请能提升全局模型的性能，提高联邦学习系统的鲁棒性，提升各医疗机构对联合训练的积极性。
-
公开(公告)号：CN114693600A
公开(公告)日：2022-07-01
申请号：CN202210185181.4
申请日：2022-02-28
Applicant: 中南大学
Abstract: 一种专用于对苏木精伊红染色的组织病理图像进行细胞核分割的半监督学习方法。本发明提供的细胞核分割方法，依据组织病理图像和细胞核分割的特点，采用带稀疏约束的非负矩阵分解来分离组织病理图像中的苏木精和伊红两种染剂，再通过将组织病理图像中的伊红染剂替换成其他组织病理图像中的伊红染剂，从而可以制作出一组正例样本，这正例样本具有相同的苏木精染剂，因此具有可解释的不变性。将多组正例样本输入编码器，编码器输出对应的嵌入表征向量。再采用对比学习损失函数来约束模型，使得模型能够学习正例样本中的不变性，即苏木精染剂。因为苏木精染剂会染色细胞核以及其他富有核酸的部分，例如核糖体，所以苏木精染剂和细胞核具有较高的相关性。当模型学习到苏木精染剂的特征时，这些特征契合了细胞核分割任务的特点，从而有助于下游细胞核分割任务的训练。由于构造正例样本和预训练是不需要标签的，因此这种方式可以利用大量的无标注数据进行训练。最后，预训练好的编码器加入分割模型，在极少量的有标注数据上微调，从而能够达到比少量样本上的有监督学习更好的效果。因此，也减少了标注数据的需求，极大地减轻了人力成本。
-
公开(公告)号：CN109002904A
公开(公告)日：2018-12-14
申请号：CN201810644399.5
申请日：2018-06-21
Applicant: 中南大学
Abstract: 本发明公开了一种基于Prophet-ARMA的医院门诊就诊量预测方法，包括步骤1：获取与待测时段相邻的历史时段的门诊数据并生成每类门诊的门诊数据集；步骤2：将每个门诊数据集分别输入每类门诊的Prophet模型得到第一预测数据和拟合数据；步骤3：计算每类门诊的残差序列；步骤4：分别判断每类门诊的残差序列是否为纯随机序列，若不是，将残差序列输入对应ARMA模型得到第二预测数据，再执行步骤5；若是执行步骤6；步骤5：分别将同一类门诊的第一预测数据、第二预测数据相加得到待测时段的就诊量预测值；步骤6：将第一预测数据作为待测时段的就诊量预测值。本发明通过将Prophet和ARMA相结合来提高就诊量预测精度。
-
公开(公告)号：CN119033373A
公开(公告)日：2024-11-29
申请号：CN202411530032.2
申请日：2024-10-30
Applicant: 中南大学
IPC: A61B5/1455 , A61B5/00 , A61B5/145 , G06F18/25 , G06F17/10
Abstract: 本申请适用于血糖检测技术领域，提供了一种基于多波长PPG传感器融合的血糖检测系统，包括：信号采集装置和处理器，信号采集装置包括用于产生多种不同中心波长的光的光源、透射接收模块、第一反射接收模块、第二反射接收模块、第一温湿度采集模块、第二温湿度采集模块和第三温湿度采集模块；处理器用于提取温湿度信号、手指所属对象的人口学信息、多种光对应的PPG信号的特征信息，并对提取到的特征信息进行融合，将融合结果输入血糖检测模型进行预测，得到血糖检测结果。本申请能提升血糖检测的准确性。
-
公开(公告)号：CN114652322B
公开(公告)日：2024-10-11
申请号：CN202210297296.2
申请日：2022-03-24
Applicant: 中南大学
Abstract: 本发明公开了一种基于多域特征学习的心电信号分类方法和系统，所述分类方法包括：对原始心电信号进行预处理，即提取心电信号的RR间隔序列及P波区数据，并将P波区数据进行时频转换得到P波区时频图；对心电信号进行多域特征提取，得到心电信号的心律特征表示、心房活动特征表示及全局时空特征表示；再融合心律特征表示、心房活动特征表示以及全局时空特征表示得到心电信号的融合特征，并将融合特征输入分类层得到心电信号的分类结果。本发明实现了多域特征的采集及融合，将局部特征与全局特征相结合，获得更为完整的患者表示，进而提高了模型分类结果的精度。尤其是将所述方法应用于房颤分类时，其分类结果对临床辅助医生决策具有重要意义。
-
-
-
-
-
-
-
-
-
Search Results
47
records
(took 0.023 seconds)
