-
公开(公告)号：CN119724457A
公开(公告)日：2025-03-28
申请号：CN202411750631.5
申请日：2024-12-02
Applicant: 中国科学院计算技术研究所
IPC: G16H10/60 , G06N20/20 , G06V10/774 , G06V10/764 , G06T1/00
Abstract: 本发明提供了一种基于水印嵌入的医疗系统联邦学习方法，本发明的技术方案通过对医疗系统中各个客户端进行预设轮次的第一阶段训练以获得每个客户端的水印深度并基于每个客户端的水印深度评估每个客户端对水印任务的适配能力，基于每个客户端的水印深度重新配置自身的主任务与水印任务的比重并依此调整自身预设的损失函数，最后基于每个客户端调整后的损失函数对进行多轮联邦训练以使每个客户端获得一个嵌入水印的医疗任务模型，较现有水印嵌入技术，本发明通过医疗系统模型中的中心服务器与客户端协作实现水印嵌入，同时，基于每个客户端的水印任务适配能力调整每个客户端的水印任务与主任务的比重，提高水印任务性能的同时确保主任务的精度。
-
公开(公告)号：CN116992955A
公开(公告)日：2023-11-03
申请号：CN202310896524.2
申请日：2023-07-20
Applicant: 中国科学院计算技术研究所
IPC: G06N3/098 , G06N3/0464 , G16H50/30
Abstract: 本发明提出一种纵向联邦神经网络模型的训练方法，所述方法包括：S1、获取目标领域的多个数据集及其对应的一个标签集，每个数据集包括目标领域数据的多个特征向量，给每个本地网络分发一个数据集，将标签集分发给所述预测网络；S2、给每个本地网络的每个神经元设置权重参数并对其进行初始化；S3、对所述预测网络和多个本地网络基于其获得的数据进行多轮纵向联邦迭代训练直至每一本地网络均完成神经元删减，以得到训练好的纵向联邦神经网络模型。
-
公开(公告)号：CN111046731B
公开(公告)日：2023-07-25
申请号：CN201911094608.4
申请日：2019-11-11
Applicant: 中国科学院计算技术研究所
Abstract: 一种基于表面肌电信号进行手势识别的迁移学习方法，该方法以下步骤：采集新用户不同手势的表面肌电信号；将有标注的已有用户的不同手势的表面肌电信号数据作为源域数据，无标注的新用户的不同手势的表面肌电信号数据作为目标域数据，对新用户的不同手势的表面肌电信号数据进行分类并将其划分为候选集和残余项；将所述候选集作为源域数据，所述残余项作为目标域数据，对残余项中新用户的不同手势的表面肌电信号数据进行再次分类。
-
公开(公告)号：CN112766337A
公开(公告)日：2021-05-07
申请号：CN202110028695.4
申请日：2021-01-11
Applicant: 中国科学院计算技术研究所 , 鹏城实验室
Abstract: 本发明提供了一种用于预测众包数据的正确标签的方法和系统，该方法利用了一种神经网络模型，该模型基于每个众包数据的所有初始标签的均值获取对应的众包数据的参考标签，通过训练获得；并利用神经网络模型获得每个众包数据的预测标签，基于每个众包数据的每个初始标签相对于预测标签的可信度迭代校准当前神经网络模型，直至神经网络模型收敛或精度持续下降。本发明中的方法和系统能够减少对深度学习中对众包数据工作者能力的依赖，从而提高深度学习模型的准确度和鲁棒性。
-
公开(公告)号：CN110801227A
公开(公告)日：2020-02-18
申请号：CN201911248610.2
申请日：2019-12-09
Applicant: 中国科学院计算技术研究所
IPC: A61B5/0488 , A61B5/11 , A61B5/00
Abstract: 本发明涉及一种基于可穿戴设备的立体色块障碍测试模型的训练方法，包括：通过可穿戴设备采集用户在立体色块障碍测试中产生的多模态信号；对所述多模态信号进行预处理并划分为多个信号片段；根据所述用户的动作类型标定所述多模态信号片段；利用所述标定后的多模态信号片段训练神经网络。
-
Patent Agency Ranking
公开(公告)号：CN108852313A
公开(公告)日：2018-11-23
申请号：CN201810587419.X
申请日：2018-06-08
Applicant: 中国科学院计算技术研究所
IPC: A61B5/0205 , G16H50/30
Abstract: 本发明涉及一种基于雷达的非干扰智能感知方法，包括：采集步骤，通过雷达采集用户的生理数据；预处理步骤，对该生理数据进行预处理以滤除干扰得到过滤数据；处理步骤，提取该过滤数据的特征数据，通过机器学习算法对该特征数据进行处理以获得该用户的生理信息，并以极速学习机作为识别分类器识别该用户的生理状态。
-
公开(公告)号：CN119673470A
公开(公告)日：2025-03-21
申请号：CN202411633653.3
申请日：2024-11-15
Applicant: 中国科学院计算技术研究所
IPC: G16H50/70 , G16H50/30 , G06F18/214 , G06F18/213 , G06F18/22 , G06F18/241 , G06N3/045 , G06N3/0442 , G06N3/0464 , G06N3/08 , G06N5/045 , G06F123/02
Abstract: 本发明提供了一种医学任务预测模型构建方法，所述方法包括：步骤S1、获取训练数据集，所述训练数据集包括多个预设时间段的时序血压数据；步骤S2、构建初始模型，所述初始模型包括特征提取模块、多通道原型网络模块和全连接层；步骤S3、以时序血压数据作为输入，时序血压数据的疾病分类结果作为预测输出，按照预设的训练规则训练初始模型直至收敛，得到医学任务预测模型。本发明提出的医学任务预测模型能够对时序血压数据中不同通道的数据进行特征提取和相似度计算，以充分获取不同通道数据的特征信息，进而提升模型预测精度；还能将时序血压数据与全局原型相匹配，以直观理解模型的决策过程。
-
公开(公告)号：CN118471495A
公开(公告)日：2024-08-09
申请号：CN202410548213.1
申请日：2024-05-06
Applicant: 中国科学院计算技术研究所
IPC: G16H50/30 , G06F18/25 , G06N3/0455 , G06N3/0442 , G06N3/08
Abstract: 本发明提供了一种基于多模态融合深度学习的围手术期并发症风险预测方法，所述方法基于多模态融合的围手术期并发症风险预测模型来进行预测，该模型包括：数据预处理模块，用于对患者的初始术中时序生理信号和初始结构化数据进行预处理，以得到满足输入需求的术中时序生理信号和结构化数据；术中时序生理信号特征提取网络，为深度神经网络，用于从术中时序生理信号中提取时序生理信号模态的第一特征向量；结构化数据特征提取网络，为感知机，用于从结构化数据中提取结构化数据模态的第二特征向量；多模态融合模块，用于对第一特征向量和第二特征向量进行语义对齐和融合，得到融合特征；预测模块，用于根据融合特征进行围手术期并发症的风险预测。
-
公开(公告)号：CN116204824A
公开(公告)日：2023-06-02
申请号：CN202310115408.2
申请日：2023-02-07
Applicant: 中国科学院计算技术研究所
IPC: G06F18/241 , G06F18/213 , G06F18/25 , G06F18/21 , A61B5/11 , G06F123/02
Abstract: 本发明提出一种基于注意力机制的多实例行为识别方法，包括：获取已知行为数据，生成多个行为数据包，对该行为数据包进行实例标记，并构建为训练集；构建识别模型，并以该训练集对该识别模型进行训练；该识别模型包括特征提取器、编码器和分类器，其中该编码器利用多头自注意力机制对该行为数据包内的实例进行权值分配；以该识别模型进行人体行为识别。本发明还提出一种基于注意力机制的多实例行为识别系统，以及一种用于实现多实例行为识别的数据处理装置。
-
公开(公告)号：CN112908466A
公开(公告)日：2021-06-04
申请号：CN202110041814.X
申请日：2021-01-13
Applicant: 中国科学院计算技术研究所
Abstract: 本发明提出一种基于迁移学习的阿尔兹海默病智能决策支持方法和系统，包括通过拍照设备设备，采集患者眼底图像数据，同时利用辅助设备采集患者辅助生理数据，并进行补齐、归一化、滤波等预处理；对图片数据提取图像特征，对辅助序列数据，提取特征，并对不同传感器特征数据进行归一化与拼接；在传播方案获取与标签传播阶段，通过广义条件梯度下降算法对针对融合距离的目标函数进行优化，通过IBP算法获取梯度方向，通过线搜索获取步长，依次迭代直至收敛，根据获取的传播方案，将源域中已有的标定通过传播方案扩散至目标域未标定样本。从而获得更准确的目标域数据标定。
-
-
-
-
-
-
-
-
-
Search Results
54
records
(took 0.039 seconds)
