-
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。
-
公开(公告)号：CN118709805A
公开(公告)日：2024-09-27
申请号：CN202410792703.6
申请日：2024-06-19
Applicant: 中南大学
IPC: G06N20/00 , G06N3/0455 , G06N3/084 , G06N3/098
Abstract: 本发明公开了一种面向模态不完整场景的多模态联邦学习及系统，具体包括：具有一致模态的客户端被分组成一个集群，并根据集群类别分发相应的模型；客户端训练本地模型并执行原型对比学习，将本地原型集及本地模型传输到中央服务器；在中央服务器上，执行集群分步聚合，以推导出多模态全局模型、单模态全局模型；在中央服务器上，执行全局原型聚合，以推导出全局原型集；中央服务器将多模态全局模型、单模态全局模型和全局原型集分发到各个本地客户端，迭代循环直至模型收敛。通过本公开的方案，有效解决了在不完整模态场景下异构客户端之间的知识共享和协作学习问题，提高了模型训练的效果。
-
公开(公告)号：CN116631626A
公开(公告)日：2023-08-22
申请号：CN202310676071.2
申请日：2023-06-08
Applicant: 中南大学
IPC: G16H50/30 , G16H10/60 , G16H50/70 , G06F18/213 , G06F18/25
Abstract: 本申请适用于数据处理技术领域，提供了一种患者临床风险评估方法、装置、设备及介质。该评估方法包括：对目标患者的电子病例时序数据进行处理，生成患者初级表示向量；获取绝对偏移量，并获取绝对偏移量的绝对偏移量嵌入表示；获取相对偏移量，并获取相对偏移量的相对偏移量嵌入表示；对绝对偏移量嵌入表示进行特征提取，得到绝对偏移量特征；对相对偏移量嵌入表示进行特征提取，得到相对偏移量特征；利用患者初级表示向量对绝对偏移量特征和相对偏移量特征进行融合，得到患者最终表示向量；利用临床风险评估模块对患者最终表示向量进行计算，得到患者在当前时刻T的临床风险结果。本申请的评估方法能提高风险评估的准确性。
-
公开(公告)号：CN108537544B
公开(公告)日：2020-06-23
申请号：CN201810299169.X
申请日：2018-04-04
Applicant: 中南大学
Abstract: 本发明公开了一种交易系统实时监控方法及其监控系统，方法包括：S1：采集交易系统的交易流水日志，并进行日志解析和提取关键字段；S2：读取交易流水日志的关键字段并计算出每个交易系统在当前滑动时间窗口内的指标；S3：基于预设的决策树回归预测模型获取每个交易系统在当前滑动时间窗口内的交易量预测阈值；S4：获取每个交易系统的每个指标的告警指标，再根据告警指标判断交易系统是否异常；其中，判断S2计算出的每个交易系统在当前滑动时间窗口内的交易量与指标阈值之间的差是否超过波动范围，若超过，交易系统存在异常；否则，没有异常。本发明通过上述方法可以提高预测可靠度，满足多交易系统的告警需求。
-
Patent Agency Ranking
公开(公告)号：CN108537544A
公开(公告)日：2018-09-14
申请号：CN201810299169.X
申请日：2018-04-04
Applicant: 中南大学
Abstract: 本发明公开了一种交易系统实时监控方法及其监控系统，方法包括：S1：采集交易系统的交易流水日志，并进行日志解析和提取关键字段；S2：读取交易流水日志的关键字段并计算出每个交易系统在当前滑动时间窗口内的指标；S3：基于预设的决策树回归预测模型获取每个交易系统在当前滑动时间窗口内的交易量预测阈值；S4：获取每个交易系统的每个指标的告警指标，再根据告警指标判断交易系统是否异常；其中，判断S2计算出的每个交易系统在当前滑动时间窗口内的交易量与指标阈值之间的差是否超过波动范围，若超过，交易系统存在异常；否则，没有异常。本发明通过上述方法可以提高预测可靠度，满足多交易系统的告警需求。
-
公开(公告)号：CN106682182A
公开(公告)日：2017-05-17
申请号：CN201611245908.4
申请日：2016-12-29
Applicant: 中南大学
CPC classification number: G06F17/30522 , G06F17/30864 , G06Q10/1053
Abstract: 本发明公开了一种求职准备度测试的方法及系统，以便求职者通过测试对求职准备有准确的认识。本方法的客户端获取用户求职准备度测试请求；提供自我综合评价试题和专项测试试题供用户作答，获取用户的自我综合评价试题答题分数和专项测试试题答题分数并发送至服务器端；输出求职准备度评分结果及求职准备建议。服务器端接收用户的自我综合评价试题答题分数和专项测试试题答题分数；根据用户的自我综合评价试题答题分数和专项测试试题答题分数通过求职准备度公式进行分数统计和计算；将计算所得的求职准备度评分结果及求职准备建议发送给客户端。
-
公开(公告)号：CN119377648B
公开(公告)日：2025-03-25
申请号：CN202411960734.4
申请日：2024-12-30
Applicant: 中南大学
IPC: G06F18/213 , A61B5/318 , A61B5/363 , A61B5/00 , G06F18/22 , G06N3/0464 , G06N3/042 , G06N3/045 , A61B5/349
Abstract: 本申请涉及医疗大数据技术领域，提供了一种基于图神经网络的心律失常检测系统，该系统包括：获取模块用于获取多个心电导联数据；嵌入模块用于利用时间特征提取编码器获取信号特征，并将信号特征嵌入得到拓扑图；构建模块用于构建时间衰减矩阵和空间知识引导矩阵，将时间衰减矩阵、空间知识引导矩阵和拓扑图的邻接矩阵相乘，得到拓扑图的相关邻接矩阵；更新模块，用于利用相关邻接矩阵对拓扑图进行更新，得到最终拓扑图，并利用图神经网络对最终拓扑图进行特征提取，得到最终拓扑图的整体特征表示；心律失常检测模块用于基于整体特征表示进行心律失常检测，得到心律失常检测结果。本申请的系统能够提高心律失常检测的准确性。
-
公开(公告)号：CN119377648A
公开(公告)日：2025-01-28
申请号：CN202411960734.4
申请日：2024-12-30
Applicant: 中南大学
IPC: G06F18/213 , A61B5/318 , A61B5/363 , A61B5/00 , G06F18/22 , G06N3/0464 , G06N3/042 , G06N3/045 , A61B5/349
Abstract: 本申请涉及医疗大数据技术领域，提供了一种基于图神经网络的心律失常检测系统，该系统包括：获取模块用于获取多个心电导联数据；嵌入模块用于利用时间特征提取编码器获取信号特征，并将信号特征嵌入得到拓扑图；构建模块用于构建时间衰减矩阵和空间知识引导矩阵，将时间衰减矩阵、空间知识引导矩阵和拓扑图的邻接矩阵相乘，得到拓扑图的相关邻接矩阵；更新模块，用于利用相关邻接矩阵对拓扑图进行更新，得到最终拓扑图，并利用图神经网络对最终拓扑图进行特征提取，得到最终拓扑图的整体特征表示；心律失常检测模块用于基于整体特征表示进行心律失常检测，得到心律失常检测结果。本申请的系统能够提高心律失常检测的准确性。
-
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
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
9
records
(took 0.015 seconds)
