公开(公告)号：CN117219268A

公开(公告)日：2023-12-12

申请号：CN202310855612.8

申请日：2023-07-13

Applicant: 中南大学

Inventor： 王建新 ,  邹梦洁 ,  匡湖林 ,  安莹

IPC: G16H50/30 ,  G16H10/60 ,  G16H50/70 ,  G06N3/045 ,  G06N3/08 ,  G06N3/049

Abstract: 本发明公开了一种基于多模态电子病历数据的院内死亡风险预测方法，包括获取ICU患者的历史电子病历数据集；采用获取的数据集，通过预处理的方式构建多模态数据集，并划分为训练数据集、验证数据集和测试数据集；基于多模态特征提取模块和特征融合与预测模块，构建院内死亡风险预测初步模型；采用训练数据集对院内死亡风险预测初步模型进行训练，并采用验证数据集和测试数据集进行验证和测试，得到院内死亡风险预测模型；获取待预测目标的病历数据，并输入到院内死亡风险预测模型，得到待预测目标的院内死亡风险预测结果；本发明方法考虑充分模态间的差异性和关联性、提高预测精确、提升实际应用性。

公开(公告)号：CN115831377A

公开(公告)日：2023-03-21

申请号：CN202210774604.6

申请日：2022-07-01

Applicant: 中南大学

Inventor： 王建新 ,  邹梦洁 ,  匡湖林 ,  安莹

IPC: G16H50/70 ,  G06F18/2415 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/0442 ,  G06N3/048 ,  G06N3/047 ,  G06N3/08

Abstract: 本发明公开了一种基于ICU病历数据的院内死亡风险预测方法，包括获取ICU患者的历史病历数据集并处理得到训练集序列、验证集序列和测试集序列；构建院内死亡风险预测初步模型并进行训练、验证和测试，得到院内死亡风险预测模型；获取待预测目标的病历数据并输入到院内死亡风险预测模型得到待预测目标的院内死亡风险预测结果。本发明提供的这种基于ICU病历数据的院内死亡风险预测方法，通过对动态的临床时间序列与静态的人口学统计数据进行建模，生成用于预测的最终患者表征；本发明方法从局部和全局角度提取临床时间序列的时序信息，并有效结合时序信息和静态数据；因此本发明方法的可靠性高、精确性好且实用性好。

公开(公告)号：CN115599799B

公开(公告)日：2023-03-10

申请号：CN202211514821.8

申请日：2022-11-30

Applicant: 中南大学

Inventor： 陈先来 ,  李凯欣 ,  安莹

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：CN114652322A

公开(公告)日：2022-06-24

申请号：CN202210297296.2

申请日：2022-03-24

Applicant: 中南大学

Inventor： 安莹 ,  李梦雪 ,  陈先来 ,  任立男

IPC: A61B5/349 ,  A61B5/00 ,  A61B5/352 ,  A61B5/353

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。

公开(公告)号：CN113052334A

公开(公告)日：2021-06-29

申请号：CN202110401739.3

申请日：2021-04-14

Applicant: 中南大学

Inventor： 王建新 ,  吴帆 ,  刘渊 ,  安莹 ,  胡建中 ,  黄伟红

IPC: G06N20/20 ,  G06N3/04

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：CN109002904B

公开(公告)日：2020-09-08

申请号：CN201810644399.5

申请日：2018-06-21

Applicant: 中南大学

Inventor： 王建新 ,  李丽萍 ,  肖湘佳慧 ,  安莹

IPC: G06Q10/04 ,  G16H40/20

Abstract: 本发明公开了一种基于Prophet‑ARMA的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：CN109284626A

公开(公告)日：2019-01-29

申请号：CN201811044646.4

申请日：2018-09-07

Applicant: 中南大学

Inventor： 李远航 ,  陈先来 ,  安莹 ,  刘莉

IPC: G06F21/62 ,  G06K9/62

Abstract: 本发明公开了一种面向差分隐私保护的随机森林算法，属于机器学习和隐私保护领域，包括：步骤一、建立提供ε-差分隐私保护的随机森林；步骤二、利用提供ε-差分隐私保护的随机森林对测试集进行分类，输出测试集中所有样本的分类结果。本发明提出了一种面向差分隐私保护的随机森林算法，通过在随机森林中加入差分隐私保护机制，可以在分类时保护数据的隐私信息，并且对分类准确率造成较小影响；通过使用基尼指数作为分裂准则、CART分类树作为随机森林中的单棵决策树，既能够处理离散属性，又能处理连续属性，并且消除了信息增益准则对可取值数目较多的特征有所偏好和信息增益率准则对可取值数目较少的特征有所偏好的影响。