-
公开(公告)号：CN118398193A
公开(公告)日：2024-07-26
申请号：CN202410484792.8
申请日：2024-04-22
IPC: G16H50/20 , G16B20/50 , G16B40/20 , G06N3/0442 , G06N3/09
Abstract: 本发明公开了一种基于长短期记忆神经网络的GCK‑MODY鉴别诊断方法，包括数据收集与预处理模块和基于LSTM模型的基因突变分类模块；数据采集与预处理模块，将采集完成的糖尿病患者的血糖数据和分类标签对应整理，对血糖数据进行预处理；将预处理后的血糖数据作为分类模块的输入，分类标签作为分类模块的输出，进行LSTM模型训练。本发明采用一种基于长短期记忆神经网络的GCK‑MODY鉴别诊断方法，运用长短期记忆神经网络在处理时间序列数据时能够捕捉时间依赖性的特征，构造一种辅助医师诊断和决策的短期时间序列预测模型，解决了机器学习在糖尿病诊断问题中数据复杂和高度不稳定的问题。
-
公开(公告)号：CN115691788B
公开(公告)日：2023-07-14
申请号：CN202211339943.8
申请日：2022-10-27
Applicant: 北京理工大学
IPC: G16H50/20 , G06F18/241 , G06N3/049 , G06N3/0464 , G06N3/08
Abstract: 本发明提供一种基于异构数据的双重注意力耦合网络糖尿病分类系统，该系统基于双重注意力的LSTM‑CNN耦合网络,构造一种自适应地调整不同数据源重要性的融合方法,来学习和集成异构数据中的特征，解决了机器学习的糖尿病诊断问题中，数据的复杂和高度不稳定的问题；在FGM子网络中嵌入卷积块注意力模块(Convolutional Block Attention Module，CBAM)，为复杂序列的学习引入注意力模块来表达对特定位置的信息偏好，显著提高了网络学习性能；利用真实医学临床数据对本发明提出的系统进行了验证，基于60名受试者的真实实验数据，糖尿病类型的分类准确率达到95.835％，Matthews相关系数、F1值和G‑mean等综合性能指标分别为91.333％、94.939％和94.937％。所提方法的结果优于所有基准方法的结果，表明了糖尿病类型分类的可行性。
-
公开(公告)号：CN111063435B
公开(公告)日：2022-09-27
申请号：CN201911039832.3
申请日：2019-10-29
Abstract: 本发明提供一种糖尿病分型诊断系统，该诊断系统采集参与者葡萄糖的测量值并进行分段处理，获得趋势波动函数，并根据所述趋势波动函数完成糖尿病的诊断。该系统能够克服多种干扰因素导致的测得的瞬时血糖波动数据信息冗杂的现状，利用数据分析技术揭示不同类型糖尿病动态血糖变化过程的波动规律，初步建立一个基于瞬时血糖监测数据、用于评估患者内在胰岛素产生和协助糖尿病分型的新指标，即去趋势波动函数Fd(l)，以协助糖尿病的诊断和揭示糖尿病的实质。
-
公开(公告)号：CN112927802B
公开(公告)日：2022-07-19
申请号：CN202110117772.3
申请日：2021-01-28
Abstract: 本发明提供一种专家经验辅助的餐前胰岛素剂量学习优化决策系统，结合人工智能和专家经验方法，同时挖掘患者血糖监测和胰岛素输注数据蕴含的信息，实现在少样本下，仍能基于历史数据确定安全有效的餐前胰岛素剂量，改善餐后血糖管理，同时赋予系统不断自适应学习，提升决策性能的能力；由此可见，本发明为改善餐后血糖管理，利用少量患者历史数据，设计了专家决策辅助的餐前胰岛素剂量个体化学习决策系统，该系统引入模型预测评估方法，有效避免少样本条件下系统决策失误，持续学习患者血糖代谢规律；同时，本发明还引入迭代更新思想，自适应确定餐后血糖管理目标，实现为不同患病情况的糖尿病患者少样本下快速确定安全有效的餐前胰岛素剂量。
-
公开(公告)号：CN109999270B
公开(公告)日：2020-09-04
申请号：CN201910222692.7
申请日：2019-03-22
Abstract: 本发明提供一种基于血糖变化趋势的人工胰腺自适应自抗扰控制器，包括跟踪微分器模块、扩维观测器模块、非线性反馈模块和约束模块，其中，所述非线性反馈模块的非线性反馈模型为：u＝(‑fhan(k1e1,k2e2,r2,a)‑z3)/b0其中，k1,k2,a为根据血糖变化趋势自适应的参数，r2称为控制量增益；e1和e2为血糖浓度及其变化率设定值与估计值之间的误差信号，z3为总干扰的估计值；b0为已知增益系数。本发明把作用于被控对象的所有不确定因素作用都归结为“未知扰动”而用对象的输入输出数据对它进行估计并给予补偿。因此本控制器算法对个人参数不准，模型不确定，进食干扰，饭前剂量不准等扰动具有一定的鲁棒性。
-
Patent Agency Ranking
公开(公告)号：CN111063435A
公开(公告)日：2020-04-24
申请号：CN201911039832.3
申请日：2019-10-29
Abstract: 本发明提供一种糖尿病分型诊断系统，该诊断系统采集参与者葡萄糖的测量值并进行分段处理，获得趋势波动函数，并根据所述趋势波动函数完成糖尿病的诊断。该系统能够克服多种干扰因素导致的测得的瞬时血糖波动数据信息冗杂的现状，利用数据分析技术揭示不同类型糖尿病动态血糖变化过程的波动规律，初步建立一个基于瞬时血糖监测数据、用于评估患者内在胰岛素产生和协助糖尿病分型的新指标，即去趋势波动函数Fd(l)，以协助糖尿病的诊断和揭示糖尿病的实质。
-
公开(公告)号：CN118398194A
公开(公告)日：2024-07-26
申请号：CN202410484794.7
申请日：2024-04-22
IPC: G16H50/20 , G16B20/50 , G16B40/20 , G06N3/0442 , G06N3/0464 , G06N3/045 , G06N3/09
Abstract: 本发明公开了一种基于XGBoost算法的GCK‑MODY鉴别诊断系统，包括数据采集与预处理模块和基于XGBoost算法的分类模块；数据采集与预处理模块，将采集完成的糖尿病患者的葡萄糖数据和分类标签对应整理，对葡萄糖数据进行最大最小归一化处理；将最大最小归一化处理后的葡萄糖数据作为分类模块的输入，分类标签作为分类模块的输出，进行XGBoost模型训练；XGBoost模型通过梯度提升算法最小化损失函数，并通过正则化技术来防止过拟合进行训练。本发明采用上述一种基于XGBoost算法的GCK‑MODY鉴别诊断方法及系统，实现了对于葡萄糖变化时间序列的二分类，从而在2型和GCK‑MODY基因突变型糖尿病人的区分问题中获得具有较高的准确率。
-
公开(公告)号：CN115691788A
公开(公告)日：2023-02-03
申请号：CN202211339943.8
申请日：2022-10-27
Applicant: 北京理工大学
IPC: G16H50/20 , G06F18/241 , G06N3/049 , G06N3/0464 , G06N3/08
Abstract: 本发明提供一种基于异构数据的双重注意力耦合网络糖尿病分类系统，该系统基于双重注意力的LSTM‑CNN耦合网络,构造一种自适应地调整不同数据源重要性的融合方法,来学习和集成异构数据中的特征，解决了机器学习的糖尿病诊断问题中，数据的复杂和高度不稳定的问题；在FGM子网络中嵌入卷积块注意力模块(Convolutional Block Attention Module，CBAM)，为复杂序列的学习引入注意力模块来表达对特定位置的信息偏好，显著提高了网络学习性能；利用真实医学临床数据对本发明提出的系统进行了验证，基于60名受试者的真实实验数据，糖尿病类型的分类准确率达到95.835％，Matthews相关系数、F1值和G‑mean等综合性能指标分别为91.333％、94.939％和94.937％。所提方法的结果优于所有基准方法的结果，表明了糖尿病类型分类的可行性。
-
公开(公告)号：CN112927802A
公开(公告)日：2021-06-08
申请号：CN202110117772.3
申请日：2021-01-28
Abstract: 本发明提供一种专家经验辅助的餐前胰岛素剂量学习优化决策系统，结合人工智能和专家经验方法，同时挖掘患者血糖监测和胰岛素输注数据蕴含的信息，实现在少样本下，仍能基于历史数据确定安全有效的餐前胰岛素剂量，改善餐后血糖管理，同时赋予系统不断自适应学习，提升决策性能的能力；由此可见，本发明为改善餐后血糖管理，利用少量患者历史数据，设计了专家决策辅助的餐前胰岛素剂量个体化学习决策系统，该系统引入模型预测评估方法，有效避免少样本条件下系统决策失误，持续学习患者血糖代谢规律；同时，本发明还引入迭代更新思想，自适应确定餐后血糖管理目标，实现为不同患病情况的糖尿病患者少样本下快速确定安全有效的餐前胰岛素剂量。
-
公开(公告)号：CN109999270A
公开(公告)日：2019-07-12
申请号：CN201910222692.7
申请日：2019-03-22
Abstract: 本发明提供一种基于血糖变化趋势的人工胰腺自适应自抗扰控制器，包括跟踪微分器模块、扩维观测器模块、非线性反馈模块和约束模块，其中，所述非线性反馈模块的非线性反馈模型为：u＝(-fhan(k1e1,k2e2,r2,a)-z3)/b0其中，k1,k2,a为根据血糖变化趋势自适应的参数，r2称为控制量增益；e1和e2为血糖浓度及其变化率设定值与估计值之间的误差信号，z3为总干扰的估计值；b0为已知增益系数。本发明把作用于被控对象的所有不确定因素作用都归结为“未知扰动”而用对象的输入输出数据对它进行估计并给予补偿。因此本控制器算法对个人参数不准，模型不确定，进食干扰，饭前剂量不准等扰动具有一定的鲁棒性。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.02 seconds)
