-
公开(公告)号：CN111324659A
公开(公告)日：2020-06-23
申请号：CN202010125418.0
申请日：2020-02-27
Applicant: 西安交通大学
IPC: G06F16/26 , G06F16/2457 , G16H70/00
Abstract: 本发明公开了一种针对时序医疗数据的可视化推荐方法及系统，包括：将采集的时序医疗数据处理为标准格式，获取导入数据库中的数据类别特征；基于已统计分析图表类型，将可视化元素拆分为若干视觉编码通道，不同编码通道对应视觉呈现元素，不同编码通道预设若干种视图绘制方法；根据可视化编码通道内容，获取可视化视觉编码，获取多元化配置结果；根据多元化配置结果，完成可视化推荐；其中，可视化推荐包括：单变量视图推荐、关联特征对视图推荐、替换视图推荐、替换视图推荐。本发明能够实现可视化编码的推荐，可增强推荐结果的针对性以及实用性。
-
公开(公告)号：CN111243753B
公开(公告)日：2024-04-02
申请号：CN202010125946.6
申请日：2020-02-27
Applicant: 西安交通大学
IPC: G16H50/70 , G06F18/2431 , G06F18/2113 , G06F16/215
Abstract: 本发明公开了一种面向医疗数据的多因素相关性交互式分析方法，包括以下步骤：将采集的医疗数据进行处理，将处理后的医疗数据按照患者病案号进行关联，获得每个患者的就诊序列；使用t‑SNE算法将获得的就诊序列映射到二维平面上，形成不同的特征群体；根据需要从特征群体中选择出特征群体；设定疾病表征指标；对选择的特征群体所具有的特征进行特征选择，确定与所述疾病表征指标相关性的特征顺序；采用统计学度量指标对选择的特征之间的相关性进行度量，获得具有统计学意义的结果，完成多因素相关性交互式分析。本发明能够交互式地对高维医疗数据进行分析，可视化展示影响疾病发展的关键因素。
-
公开(公告)号：CN111243753A
公开(公告)日：2020-06-05
申请号：CN202010125946.6
申请日：2020-02-27
Applicant: 西安交通大学
IPC: G16H50/70 , G06K9/62 , G06F16/215
Abstract: 本发明公开了一种面向医疗数据的多因素相关性交互式分析方法，包括以下步骤：将采集的医疗数据进行处理，将处理后的医疗数据按照患者病案号进行关联，获得每个患者的就诊序列；使用t-SNE算法将获得的就诊序列映射到二维平面上，形成不同的特征群体；根据需要从特征群体中选择出特征群体；设定疾病表征指标；对选择的特征群体所具有的特征进行特征选择，确定与所述疾病表征指标相关性的特征顺序；采用统计学度量指标对选择的特征之间的相关性进行度量，获得具有统计学意义的结果，完成多因素相关性交互式分析。本发明能够交互式地对高维医疗数据进行分析，可视化展示影响疾病发展的关键因素。
-
公开(公告)号：CN110213122A
公开(公告)日：2019-09-06
申请号：CN201910351613.2
申请日：2019-04-28
IPC: H04L12/26 , H04L12/24 , H04L12/931
Abstract: 本发明涉及一种基于DPI的应用感知方法，属于网络服务技术领域领域，本发明提出在SDN环境下优化DPI部署，将部署DPI的交换机数量所引起的网络负载和未分析的流量数量减到最小。对于给定的网络基础设施和给定的流量矩阵，可以找到最优DPI部署方案，从而最大限度地降低部署的总体成本。本发明从部署的DPI交换机数量和网络负载两个维度对其进行实验论证，在SDN仿真平台下，从应用感知时间和感知准确度两个维度进行进一步的实验验证。
-
公开(公告)号：CN109948647A
公开(公告)日：2019-06-28
申请号：CN201910067775.3
申请日：2019-01-24
Applicant: 西安交通大学
Abstract: 本发明公开了一种基于深度残差网络的心电图分类方法及系统，包括：采集标注好的心电图数据，获得心电图样本数据、类别标签和关键波形标签；将三者以及它们之间的对应关系整合为数据集；数据集包括训练集和验证集；构建基本的深度残差网络，在其主干网络预设位置构建用以重构关键波形位置的分支；分支包括：卷积层和Sigmoid层；训练后，获得训练好的具有分支的深度残差网络模型；通过训练好的模型对待分类检测的心电图数据进行分类。本发明通过在深度残差网络中引入新的分支来检测关键波形，使得模型能够更关注于心电图的关键波形，在可解释性和性能上都得到提升，输出给医生的分类数据更具有参考价值。
-
Patent Agency Ranking
公开(公告)号：CN111367961A
公开(公告)日：2020-07-03
申请号：CN202010124544.4
申请日：2020-02-27
Applicant: 西安交通大学
IPC: G06F16/2458 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于图卷积神经网络的时序数据事件预测方法、系统及其应用，包括：将数据清洗后的时序数据以预定的时间间隔转换成事件序列数据，获得事件与事件集合的向量表示；将事件序列数据中每一条序列样本数据最后一个时刻所包含的事件集合作为预测目标，将其作为对应序列样本标签，得到已标注的事件序列数据；当图卷积神经网络模型被训练至满足预设定的收敛条件时，使用测试集对模型预测效果进行测试，取测试效果的模型作为最终的事件预测模型。本发明可弥补传统方法对数据数量及质量要求高、无法充分利用知识图谱的缺陷。
-
公开(公告)号：CN111324659B
公开(公告)日：2023-05-02
申请号：CN202010125418.0
申请日：2020-02-27
Applicant: 西安交通大学
IPC: G06F16/26 , G06F16/2457 , G16H70/00
Abstract: 本发明公开了一种针对时序医疗数据的可视化推荐方法及系统，包括：将采集的时序医疗数据处理为标准格式，获取导入数据库中的数据类别特征；基于已统计分析图表类型，将可视化元素拆分为若干视觉编码通道，不同编码通道对应视觉呈现元素，不同编码通道预设若干种视图绘制方法；根据可视化编码通道内容，获取可视化视觉编码，获取多元化配置结果；根据多元化配置结果，完成可视化推荐；其中，可视化推荐包括：单变量视图推荐、关联特征对视图推荐、替换视图推荐、替换视图推荐。本发明能够实现可视化编码的推荐，可增强推荐结果的针对性以及实用性。
-
公开(公告)号：CN109948647B
公开(公告)日：2021-02-02
申请号：CN201910067775.3
申请日：2019-01-24
Applicant: 西安交通大学
Abstract: 本发明公开了一种基于深度残差网络的心电图分类方法及系统，包括：采集标注好的心电图数据，获得心电图样本数据、类别标签和关键波形标签；将三者以及它们之间的对应关系整合为数据集；数据集包括训练集和验证集；构建基本的深度残差网络，在其主干网络预设位置构建用以重构关键波形位置的分支；分支包括：卷积层和Sigmoid层；训练后，获得训练好的具有分支的深度残差网络模型；通过训练好的模型对待分类检测的心电图数据进行分类。本发明通过在深度残差网络中引入新的分支来检测关键波形，使得模型能够更关注于心电图的关键波形，在可解释性和性能上都得到提升，输出给医生的分类数据更具有参考价值。
-
公开(公告)号：CN111368686A
公开(公告)日：2020-07-03
申请号：CN202010125423.1
申请日：2020-02-27
Applicant: 西安交通大学
Abstract: 本发明公开了一种基于深度学习的脑电图情感分类方法，包括以下步骤：对采集的脑电图数据的所有通道进行筛选，将筛选后剩余的所有通道的长度截短为其中最短的长度，获得处理后的脑电图数据；将处理后的脑电图数据进行分割，获得若干预设时间长度的片段；对获得的片段使用快速傅里叶变换计算得到脑电图数据的功率谱密度数据；构建用于特征提取的基于自编码器的多层模型，并用预先标注的训练集和测试集分别进行训练和测试，获得训练好的多层模型；根据提取获得的特征向量，通过分类器对脑电图数据进行分类。本发明使用深度学习模型，能够实现对不同情感状态下的脑电图数据进行分类。
-
公开(公告)号：CN109191485B
公开(公告)日：2020-05-22
申请号：CN201810998162.7
申请日：2018-08-29
Applicant: 西安交通大学
Abstract: 本发明公开了一种基于多层超图模型的多视频目标协同分割方法，属于计算机视觉领域，本发明针对视频中包含较多非相关帧的视频，引入全卷积神经网络得到的分割结果作为超边构造的语义特征，在视频的每一帧生成若干潜在目标区域，利用视频内和视频间的相关关系，得到可靠目标区域，作为高层特征并构造高层目标模型；利用外观、光流以及显著性检测方法，提取视频帧的相关特征作为低层特征，并构造低层目标模型。利用低层模型和高层模型共同构造超图，最后利用超图分割算法，实现视频目标分割，提升了分割准确率。
-
-
-
-
-
-
-
-
-
Search Results
14
records
(took 0.025 seconds)
