-
公开(公告)号：CN114171187A
公开(公告)日：2022-03-11
申请号：CN202111481494.6
申请日：2021-12-06
Applicant: 浙江大学
IPC: G16H50/20 , G16H10/20 , G06K9/62 , G06V10/80 , G06F16/35 , G06T7/00 , G06T7/13 , G16H30/20 , G06V10/764 , G06V10/82 , G06N3/04 , G06N3/08 , G06N20/20
Abstract: 本发明公开了一种基于多模态深度学习的胃癌TNM分期预测系统，包括数据采集模块、图像预处理模块、文本预处理模块、预测模型训练模块和预测模块，上述模块应用时包括以下步骤：CT图像与文本数据的采集与数据清洗；对CT图像进行预处理，提取标记数据，建立mask图像并与原图相乘后获得有效识别区域；对文本数据利用机器学习中的XGBoost和LightGBM算法进行预训练，获得特征重要性排序，从而获得有效数据样本；对图像与文本数据的深浅层次特征进行深度学习，利用卷积神经网络进行训练，获得正确TNM时期的分类结果。本发明较传统人工识别有着更多的模态参考依据，具有非常高的识别准确度，可以减少专业医生的业务负担，解决我国医疗资源不均衡的现况。
-
公开(公告)号：CN116523885A
公开(公告)日：2023-08-01
申请号：CN202310507925.4
申请日：2023-05-08
Applicant: 浙江欧威科技有限公司 , 浙江大学温州研究院
IPC: G06T7/00 , G06T7/73 , G06V10/44 , G06V10/80 , G06V10/764 , G06V10/82 , G06N3/0455 , G06N3/045 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于多尺度融合及深度学习的PCB缺陷检测方法，该方法首先采集了大量多类别的PCB缺陷图像，同时准备同数量的正常PCB图像；然后对采集到的图像做处理和标注，并将数据划分为训练集、测试集和验证集；使用以Swin Transformer为骨干网络结合特征融合模块的Faster RCNN，并进行模型训练和模型测试，并将模型用于实际产出。和传统的PCB缺陷检测算法不同，本发明使用基于多尺度融合的深度学习技术，解决了PCB检测中小目标缺陷检测精度不高、检测性能不足的问题。
-
公开(公告)号：CN112237421B
公开(公告)日：2023-03-07
申请号：CN202011006793.X
申请日：2020-09-23
Applicant: 浙江大学山东工业技术研究院
Abstract: 本发明属于影像处理技术领域，具体涉及一种基于视频的动态心率变异性分析模型，包括基于视频的动态心率检测方法得到心率检测信号、心率周期检测算法、间隔时间序列处理以及建立基于LSTM的分析模型；所述动态心率变异性分析模型的建立设计步骤为：S1：获取基于视频采集的动态心率信号，通过基于视频的动态心率检测方法，获取动态心率检测信号；S2：设计心率周期检测算法，设计一种卷积神经网络，获得单个心率周期检测信号；S3：间隔时间序列处理，对从心率周期信号中提取的间隔时间序列进行伪影校正处理；S4：基于LSTM的分析模型的建立，将间隔时间序列输入到一个基于LSTM的卷积网络，并建立模型。
-
公开(公告)号：CN111053540A
公开(公告)日：2020-04-24
申请号：CN201911342407.1
申请日：2019-12-23
Applicant: 浙江大学
IPC: A61B5/01
Abstract: 本发明公开了一种基于机器学习的CRRT上机病人体温校正系统，包括计算机存储器、计算机处理器以及存储在计算机存储器中并可在计算机处理器上执行的计算机程序，还包括温度监测设备，用于对CRRT设备最靠近人体的采血端和输血端进行温度监测；所述计算机存储器中存有训练好的体温校正模型，所述的体温校正模型由若干种算法融合而成，所述的若干种算法包括但不限于Xgboost、LightGBM、SVM和LR算法；所述计算机处理器执行所述计算机程序时实现以下步骤：获取待测时间点的病人生理数据、CRRT面板数据、环境变量数据以及温度监测设备监测的温度数据，输入体温校正模型后得到病人的正确体温数据。利用本发明，可以准确、无创的评估病人在CRRT治疗时的真实体温。
-
公开(公告)号：CN112237421A
公开(公告)日：2021-01-19
申请号：CN202011006793.X
申请日：2020-09-23
Applicant: 浙江大学山东工业技术研究院
Abstract: 本发明属于影像处理技术领域，具体涉及一种基于视频的动态心率变异性分析模型，包括基于视频的动态心率检测方法得到心率检测信号、心率周期检测算法、间隔时间序列处理以及建立基于LSTM的分析模型；所述动态心率变异性分析模型的建立设计步骤为：S1：获取基于视频采集的动态心率信号，通过基于视频的动态心率检测方法，获取动态心率检测信号；S2：设计心率周期检测算法，设计一种卷积神经网络，获得单个心率周期检测信号；S3：间隔时间序列处理，对从心率周期信号中提取的间隔时间序列进行伪影校正处理；S4：基于LSTM的分析模型的建立，将间隔时间序列输入到一个基于LSTM的卷积网络，并建立模型。
-
Patent Agency Ranking
公开(公告)号：CN112200099A
公开(公告)日：2021-01-08
申请号：CN202011098677.5
申请日：2020-10-14
Applicant: 浙江大学山东工业技术研究院
Abstract: 本发明公开了一种基于视频的动态心率检测方法，包括以下步骤：S1：视频采集：利用普通摄像头对需要测试的人脸进行连续的视频录制；S2：人脸识别与追踪：对视频帧中的人脸数据信息进行检测识别，标定人脸关键点，并保持对人脸的追踪；S3：运动补偿：利用全卷积神经网络生成插值图像用于视频图像帧间运动补偿；S4：光照补偿：S5：感兴趣皮肤区域信号提取；S6：心率估算：利用光体积描记法、信号去找、伪像去除、光谱分析、类ECG信号重建技术进行心率估算；S7：得到心率检测信号。本发明采用非皮肤接触式的检测方法，不会造成人体的不适，检测精准度高。
-
公开(公告)号：CN109637663A
公开(公告)日：2019-04-16
申请号：CN201811352576.9
申请日：2018-11-14
Applicant: 浙江大学山东工业技术研究院
Abstract: 本发明公开了一种基于机器学习的经皮冠状动脉介入治疗心血管不良事件的预测装置，存储器中存有心血管不良事件预测模型，其包括训练好的XGboost模型、LightGBM模型、SVM模型以及NN模型和每个模型对应的权重值；预测装置的工作过程为：接收待测的临床特征数据，并对该进行缺失值填充处理；对缺失值填充处理后的临床特征数据进行相关性检测，去除具有交叉关系的临床特征数据；分别利用训练好的XGboost模型、LightGBM模型、SVM模型以及NN模型对相关性检测处理后的临床特征数据进行计算，获得4个预测概率；对4个预测概率进行加权求和，获得利用心血管不良事件预测模型预测的概率值。
-
公开(公告)号：CN112837826A
公开(公告)日：2021-05-25
申请号：CN202011608785.2
申请日：2020-12-30
Applicant: 浙江大学温州研究院
IPC: G16H70/00
Abstract: 本发明公开了一种基于机器学习的重症序贯性脏器衰竭评分方法及系统，包括了临床指标筛选出25个重要影响指标；再利用公开重症数据库进行相关数据提取；之后对提取的数据，建立了一个基于决策树模型的组合模型进行模型训练；再利用算法进行指标筛选，最终通过算法分枝选择结合临床经验知识，保留8大器官系统的13个重要指标；此后划分指标数值区间，建立评估分数体系；最终对方法有效性进行验证，证明新评分方法的有效性。本发明最关键的突破在于定性定量的建立了一个13指标的8大系统评分方法，其有效性达到0.82，远高于SOFA评分。
-
公开(公告)号：CN112237431A
公开(公告)日：2021-01-19
申请号：CN202010936006.5
申请日：2020-09-08
Applicant: 浙江大学山东工业技术研究院
Abstract: 本发明属于医疗数据技术领域，尤其是涉及一种基于深度学习的心电参数计算方法。一种基于深度学习的心电参数计算方法，包括以下步骤：S1、数据集构建；S2、标签预处理；S3、数据集标准化及扩充；S4、模型训练；S5、模型验证，根据第二标签预测点位所属的波段，并将预测的波段与第一标签的波段进行对比，计算相应的Dice指标。本发明所要解决的技术问题是实际应用中心电数据的波段切分主观性强、变异度大、受采集环境影响过大、以及传统方法适应性差和准确率有待提升等问题，提供一种基于深度学习的心电参数计算方法。
-
公开(公告)号：CN114171187B
公开(公告)日：2024-09-10
申请号：CN202111481494.6
申请日：2021-12-06
Applicant: 浙江大学
IPC: G16H50/70 , G16H50/20 , G16H10/20 , G06F18/25 , G06V10/80 , G06F16/35 , G06T7/00 , G06T7/13 , G16H30/20 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/084 , G06N5/01 , G06N20/20
Abstract: 本发明公开了一种基于多模态深度学习的胃癌TNM分期预测系统，包括数据采集模块、图像预处理模块、文本预处理模块、预测模型训练模块和预测模块，上述模块应用时包括以下步骤：CT图像与文本数据的采集与数据清洗；对CT图像进行预处理，提取标记数据，建立mask图像并与原图相乘后获得有效识别区域；对文本数据利用机器学习中的XGBoost和LightGBM算法进行预训练，获得特征重要性排序，从而获得有效数据样本；对图像与文本数据的深浅层次特征进行深度学习，利用卷积神经网络进行训练，获得正确TNM时期的分类结果。本发明较传统人工识别有着更多的模态参考依据，具有非常高的识别准确度，可以减少专业医生的业务负担，解决我国医疗资源不均衡的现况。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.015 seconds)
