-
公开(公告)号：CN114694256B
公开(公告)日：2024-09-24
申请号：CN202210356003.3
申请日：2022-04-06
Applicant: 中南大学
IPC: G06V40/20 , G06V20/40 , G06V10/764 , G06V10/74
Abstract: 本公开实施例中提供了一种实时网球动作识别方法、装置、设备及介质，属于图像处理技术领域，具体包括：利用openpose识别包含运动人员的目标视频中每一帧的多个关节点的二维坐标；对全部关节点的二维坐标进行归一化，得到缩放关节点坐标；根据k近邻算法识别每一帧中缩放关节点坐标对应的子动作类型并得到每个子动作类型对应的关键帧；计算每张关键帧中规定关节的角度值；当全部角度值均在子动作对应的预设范围内时，则判定子动作为标准。通过本公开的方案，基于openpose的实时网球动作识别算法，对识别到的关节点坐标进行标准化，然后使用k近邻方法识别动作，判断具体动作是否标准，提高了识别的效率、精准度和实时性。
-
公开(公告)号：CN110491456B
公开(公告)日：2023-07-11
申请号：CN201910797213.4
申请日：2019-08-27
Applicant: 中南大学
Abstract: 本发明公开了一种医疗数据传输方法及设备，通过获取用户输入的医疗诊断数据；解析所述医疗诊断数据，获取其中的个人信息及诊断结果，根据所述诊断结果对所述医疗诊断数据进行归类，根据归类结果获取所述医疗诊断数据中的关键数据项，将所述关键数据项与所述个人信息相关联；获取用户输入的提取指令；根据所述提取指令中的所述个人信息及目标终端，将与所述个人信息相关联的所述关键数据项传输给所述目标终端。通过应用本申请的技术方案，根据医生的诊断情况对病人数据进行分类，使医院在完成一份医疗报告之后不用将全部资料都上传到网络中，病人在接收医疗报告数据时也不会因为数据量过大，而对接收环境、接收网络、接收终端提出较高的要求。
-
公开(公告)号：CN115827860A
公开(公告)日：2023-03-21
申请号：CN202211466504.3
申请日：2022-11-22
Applicant: 中南大学
IPC: G06F16/35 , G06F40/30 , G06F18/22 , G06F18/2415 , G06F18/2431 , G06N3/045 , G06N3/0464 , G06N3/08
Abstract: 本公开实施例中提供了一种基于联合注意力网络的国际疾病自动分类方法，属于数据处理技术领域，具体包括：得到文档表示；将文档表示输入卷积神经网络进行编码；生成文档到标签的基于文档的注意力表示；得到标签表示；根据文档表示和标签表示计算医学文档和每个标签的相似度；将相似度矩阵通过卷积神经网络和注意力机制得到基于标签注意力的文档表示；将基于文档的注意力表示和基于标签的注意力表示输入自适应融合层，得到多标签分类输出结果；将多标签分类输出结果输入Cornet块，挖掘多标签之间的相关度，进一步优化分类结果和加速模型收敛。通过本公开的方案，解决了长尾标签分布中密集和稀疏数据的分类和挖掘标签相关性问题。
-
公开(公告)号：CN114841212A
公开(公告)日：2022-08-02
申请号：CN202210540141.7
申请日：2022-05-18
Applicant: 中南大学 , 国网宁夏电力有限公司信息通信公司
Abstract: 本公开实施例中提供了一种基于胶囊网络的智能电网时间序列异常检测方法及系统，属于数据识别技术领域，具体包括：步骤1，采集目标电网的运维数据集输入胶囊网络的特征提取层，得到所述运维数据集对应的时序特征集；步骤2，将所述时序特征集封装成含有低层特征的多个时序子胶囊，并使用squash函数压缩；步骤3，根据权重矩阵计算全部所述时序子胶囊与每个时序父胶囊的关系，然后根据动态路由协议来更新所述时序父胶囊的权重；步骤4，根据全部所述时序父胶囊生成目标胶囊并进行重构，生成检测结果。通过本公开的方案，提高了检测效率、精准度、适应性和实时性。
-
公开(公告)号：CN113886181A
公开(公告)日：2022-01-04
申请号：CN202111165179.2
申请日：2021-09-30
Applicant: 中南大学
Abstract: 本公开实施例中提供了一种应用于AIOps故障预警的动态阈值预测方法、设备及介质，属于数据处理技术领域，具体包括：获取待测设备在预设时段内的历史流量数据，并对历史流量数据进行预处理，得到目标数据集；根据目标数据集进行拓扑数据分析，提取拓扑特征，以及，将目标数据集输入卷积神经网络，提取时空特征；将拓扑特征、时空特征和统计特征联结，训练门控循环单元网络，得到预测结果；将预测结果和均值代入预设公式，计算待测设备在指定置信度下的预测阈值区间。通过本公开的方案，将拓扑特征、时空特征和统计特征联结训练得到动态的预测阈值区间，提高了AIOps故障预警的动态阈值预测的预测效率、预测精准度和适应性。
-
Patent Agency Ranking
公开(公告)号：CN113435725A
公开(公告)日：2021-09-24
申请号：CN202110685848.2
申请日：2021-06-21
Applicant: 国网宁夏电力有限公司信息通信公司 , 中南大学
Abstract: 本发明提供了一种基于FARIMA‑LSTM预测的电网主机动态阈值设定方法，包括：步骤1，构建FARIMA‑LSTM模型；步骤2，收集服务器的内存负载数据并输入FARIMA‑LSTM模型进行数据预处理，对预处理后的内存负载数据进行周期性检验，得到周期性检验结果。本发明预测方法准确，适用范围广，运行时间短，通过周期调整消除了时间序列中的周期性影响，能够更清晰地揭示趋势，降低了周期对ARIMA模型拟合效果的影响，提高了趋势预测精度，利用服务器内存历史数据预测并估算设备运行指标动态阈值，实时的对服务器内存历史数据变化情况进行监控，及时的通知运维人员对设备进行运行状态检查，提高了设备故障的预知能力，充分提升了运维监控和故障抢修工作的主动性，提高了运维效率。
-
公开(公告)号：CN111081379A
公开(公告)日：2020-04-28
申请号：CN201911213020.6
申请日：2019-12-02
Applicant: 中南大学
Abstract: 本发明提供了一种疾病概率决策方法及其系统，包括：获取测试生理指标集，训练测试生理指标集得到测试生理指标的潜在信息，获取当前生理指标集，训练测试生理指标集得到当前生理指标的潜在信息；使用softmax分类器，基于测试生理指标的潜在信息以及当前生理指标的潜在信息进行建模得到疾病概率模型；将当前生理指标输入疾病概率模型得到疾病概率。本发明能够通过实时采集的生理指标数据，实时得到慢性病的概率，为医生的决策提供辅助依据。
-
公开(公告)号：CN110675930A
公开(公告)日：2020-01-10
申请号：CN201910912629.6
申请日：2019-09-25
Applicant: 中南大学
IPC: G16H10/60
Abstract: 本发明公开了一种针对非小细胞肺癌的决策方法、系统及装置，包括：获取患者的病理数据，包括高相关性数据Vhigh(t)和低相关性数据Vlow(t)；根据高相关性数据Vhigh(t)和低相关性数据Vlow(t)获取阶段决策值Vstage(t)；以阶段决策值Vstage(t)为依据，分析患者的疾病发展阶段；对按照疾病发展阶段治疗的患者进行治疗效果评价。本发明提出针对非小细胞肺癌的决策系统和装置，实现疾病诊断、医疗数据分析和融合，治疗建议和评估，可以帮助医生进行更快速、准确的诊断并给出可靠的决策建议。
-
公开(公告)号：CN110611582A
公开(公告)日：2019-12-24
申请号：CN201910347872.8
申请日：2019-04-28
Applicant: 中南大学
Abstract: 本发明提出了一种基于节点社会化的机会社会网络有效数据传输方法，首先将网络中的节点划分为多个不同的社区，再根据最优中继节点的属性去除一些低效节点，进行社区约简；通过提出发送信任、接收信任、剩余缓存和活动索引的概念来度量节点的可用性；在机会主义社会网络中，如果节点同时满足这些特征，则更有可能是最优中继节点。通过约简后的高效社区传输数据包，有利于保持数据传输过程的连续性、稳定性和高效性。仿真结果表明，ETNS的包投递率比流行病算法高13％，同时ETNS具有较低的传输时延和路由开销。
-
公开(公告)号：CN110491456A
公开(公告)日：2019-11-22
申请号：CN201910797213.4
申请日：2019-08-27
Applicant: 中南大学
Abstract: 本发明公开了一种医疗数据传输方法及设备，通过获取用户输入的医疗诊断数据；解析所述医疗诊断数据，获取其中的个人信息及诊断结果，根据所述诊断结果对所述医疗诊断数据进行归类，根据归类结果获取所述医疗诊断数据中的关键数据项，将所述关键数据项与所述个人信息相关联；获取用户输入的提取指令；根据所述提取指令中的所述个人信息及目标终端，将与所述个人信息相关联的所述关键数据项传输给所述目标终端。通过应用本申请的技术方案，根据医生的诊断情况对病人数据进行分类，使医院在完成一份医疗报告之后不用将全部资料都上传到网络中，病人在接收医疗报告数据时也不会因为数据量过大，而对接收环境、接收网络、接收终端提出较高的要求。
-
-
-
-
-
-
-
-
-
Search Results
77
records
(took 0.033 seconds)
