-
公开(公告)号：CN118898049B
公开(公告)日：2024-12-13
申请号：CN202411394834.5
申请日：2024-10-08
Applicant: 中南大学
IPC: G06F18/25 , G06N3/042 , G06N3/0442 , G06N3/0455 , G06N3/0464 , G06N3/08 , G06N5/022 , G06F18/213 , G06F18/22 , H04L9/00
Abstract: 本申请公开了一种基于知识图谱和深度学习的跨模态数据融合方法和系统，本方法为每一个时间节点的不同模态数据构建对应的第一知识图谱，通过深度学习方法融合每一种模态数据相应的第一知识图谱，得到对应第二知识图谱，不仅保留了各模态的特异性信息，还能深入挖掘不同模态之间的复杂关系，从而实现更全面和精准的数据分析；本方法还考虑了时间维度，为每一个时间节点都构建出第二知识图谱，每个时间节点对应的图谱代表了该时间节点的数据状态，能体现数据随时间的变化，通过不同时间节点的图谱，使得时间上连续的数据能够被有效关联，结合不同时间节点下的融合后的第二知识图谱，从时间序列上实现更全面和精准的数据分析。
-
公开(公告)号：CN113517046B
公开(公告)日：2023-11-07
申请号：CN202110405703.2
申请日：2021-04-15
Applicant: 中南大学
IPC: G16H10/60 , G06F18/214 , G06N3/0464 , G06N3/047 , G06N3/08
Abstract: 本发明公开了一种电子病历中异构数据特征融合方法及基于融合特征的预测方法、系统及可读存储介质，所述方法包括：步骤1：将患者的电子病历数据进行处理构成患者的就诊向量；步骤2：将每类数据的就诊向量作为原始输入数据，分别利用Bi_LSTM模型和CNN模型提取时序特征和非时序特征；步骤3：分别综合每类数据的时序特征和非时序特征得到综合特征；步骤4：利用所述综合特征挖掘每类数据的之间的作用信息得到每类数据对应的最终特征。其中，利用得到最终特征可以用于疾病风险预测，本发明综合了不同类型医学数据各自的时序和非时序特征及其之间的相互关系，以获得更准确的患者表示特征，进而提高了疾病风险预测结果的可靠性。
-
公开(公告)号：CN118898049A
公开(公告)日：2024-11-05
申请号：CN202411394834.5
申请日：2024-10-08
Applicant: 中南大学
IPC: G06F18/25 , G06N3/042 , G06N3/0442 , G06N3/0455 , G06N3/0464 , G06N3/08 , G06N5/022 , G06F18/213 , G06F18/22 , H04L9/00
Abstract: 本申请公开了一种基于知识图谱和深度学习的跨模态数据融合方法和系统，本方法为每一个时间节点的不同模态数据构建对应的第一知识图谱，通过深度学习方法融合每一种模态数据相应的第一知识图谱，得到对应第二知识图谱，不仅保留了各模态的特异性信息，还能深入挖掘不同模态之间的复杂关系，从而实现更全面和精准的数据分析；本方法还考虑了时间维度，为每一个时间节点都构建出第二知识图谱，每个时间节点对应的图谱代表了该时间节点的数据状态，能体现数据随时间的变化，通过不同时间节点的图谱，使得时间上连续的数据能够被有效关联，结合不同时间节点下的融合后的第二知识图谱，从时间序列上实现更全面和精准的数据分析。
-
公开(公告)号：CN113517046A
公开(公告)日：2021-10-19
申请号：CN202110405703.2
申请日：2021-04-15
Applicant: 中南大学
Abstract: 本发明公开了一种电子病历中异构数据特征融合方法及基于融合特征的预测方法、系统及可读存储介质，所述方法包括：步骤1：将患者的电子病历数据进行处理构成患者的就诊向量；步骤2：将每类数据的就诊向量作为原始输入数据，分别利用Bi_LSTM模型和CNN模型提取时序特征和非时序特征；步骤3：分别综合每类数据的时序特征和非时序特征得到综合特征；步骤4：利用所述综合特征挖掘每类数据的之间的作用信息得到每类数据对应的最终特征。其中，利用得到最终特征可以用于疾病风险预测，本发明综合了不同类型医学数据各自的时序和非时序特征及其之间的相互关系，以获得更准确的患者表示特征，进而提高了疾病风险预测结果的可靠性。
-
-
-
Search Results
4
records
(took 0.021 seconds)
