-
公开(公告)号：CN111523320A
公开(公告)日：2020-08-11
申请号：CN202010312483.4
申请日：2020-04-20
Applicant: 电子科技大学
IPC: G06F40/289 , G06F40/242 , G06N3/04 , G06N3/08
Abstract: 本发明提供了一种基于深度学习的中文病案分词方法，分别构建中医领域词典及字嵌入字典；构建中医病案字符的特征向量；利用双向长短期记忆网络BiLSTM分别对所述特征向量和字嵌入字典中字符的字向量进行编码；将编码后的两部分隐藏状态进行级联；利用CRF层进行分词序列预测，得到预测标签序列，并对预测标签序列进行评分；利用随机梯度下降法最小化预测标签序列与真实标签序列之间的误差，将评分最高的序列作为预测序列。本发明实现了上下文信息和局部信息相融合，有效识别在中医病案训练数据中没有出现过的生词问题，能够有效解决歧义问题，同时，本发明可以通过替换库文本和词典，直接应用于其他领域，具有特定领域普遍适用性。
-
公开(公告)号：CN111522964A
公开(公告)日：2020-08-11
申请号：CN202010305332.6
申请日：2020-04-17
Applicant: 电子科技大学
Abstract: 本发明公开了一种藏医药文献核心概念挖掘方法，从语义分析层面，对藏医药中文文献进行预处理后，建立基于深度学习技术的藏医药提取模型，提取出藏医药概念，再识别出藏医药概念对之间的关系，结合藏医药概念及概念对之间的关系，构建藏医药概念网络，挖掘藏医药中的核心概念，方便清晰快速地理解文献的含义，更好地挖掘出藏医药概念知识，不仅提高了藏医药核心概念识别的准确率，而且是切合于藏医药理论知识体系的。
-
公开(公告)号：CN111476036A
公开(公告)日：2020-07-31
申请号：CN202010280002.6
申请日：2020-04-10
Applicant: 电子科技大学
IPC: G06F40/30 , G06F40/289 , G06F40/284
Abstract: 本发明公开了一种基于中文单词特征子串的词嵌入学习方法，包括：S1：获取中文文本，并处理为相应的词序列；S2：从词序列中获取中文目标单词及其上下文单词，将中文目标单词拆分为若干个汉字；对每个汉字在中文字典中进行检索，并对每个汉字的拼音、笔画和结构特征进行编码并串联，生成特征子串；S3：采用二元对数似然法构建基于中文目标单词对上下文单词嵌入的预测模型及训练，得到词嵌入表示。本发明整合了汉字的笔画、结构和拼音特征，解决汉字单一特征无法完整捕获汉字语义信息的问题；并提出了特征子串以捕获汉字形态和拼音信息及其关系，不同长度的特征子串可表示汉字的部分特征或多种特征组合，提供了中文单词的细粒度特征表示。
-
公开(公告)号：CN111248879A
公开(公告)日：2020-06-09
申请号：CN202010103572.8
申请日：2020-02-20
Applicant: 电子科技大学
IPC: A61B5/021 , A61B5/0402 , A61B5/11 , A61B5/00
Abstract: 本发明公开了一种基于多模态注意力融合的高血压老年人活动分析方法，融合多模态数据特征，并基于注意力机制提取各模态数据的注意力表示。同时基于脉搏波和心电传感器测量高血压老年人实时血压，并计算血压变异性，分析实时活动和血压关联的关系，得出适合高血压老年人的日常活动。本发明的分析方法基于卷积神经网络模型和长短期记忆神经网络组合模型，引入注意力机制，实现多模态特征提取及融合，可有效改善活动识别精度。并且本方法分析实时血压与日常活动之间的关联，为高血压老年人推荐合理的日常活动提供依据。
-
公开(公告)号：CN110957002A
公开(公告)日：2020-04-03
申请号：CN201911301346.4
申请日：2019-12-17
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于协同矩阵分解的药物靶点相互作用关系预测方法，不仅考虑药物属性相似性和靶点属性相似性，同时结合药物拓扑结构相似性和靶点拓扑结构相似性，提高药物靶点相互作用关系预测准确率。包括：获取药物属性相似度和靶点属性相似度数据、药物靶点相互作用关系数据；构建药物属性特征相似度矩阵、靶点属性特征相似度矩阵、药物拓扑相似矩阵和靶点拓扑相似矩阵；对药物靶点关联矩阵进行基于图正则的协同矩阵分解，并整合药物和靶点的属性特征相似度和拓扑结构相似度信息，得到最终目标函数；用牛顿方法迭代更新得到药物和靶点的特征表示，重构药物-靶点相互作用关系矩阵，进行药物靶点相互作用关系的预测。
-
Patent Agency Ranking
公开(公告)号：CN110765769A
公开(公告)日：2020-02-07
申请号：CN201910795234.2
申请日：2019-08-27
Applicant: 电子科技大学
IPC: G06F40/289 , G06F16/35 , G06N3/08
Abstract: 本发明属于自然语言处理领域，涉及文本情感分析，具体为一种基于子句特征的实体属性依赖的情感分析方法，主要包括：1)实现句子级的话语分割，将一个长句切割为多个基础语篇单元EDUs；2)采用ELMo词嵌入模型，实现单词用法的复杂特性以及对单词的多义性建模；3)利用BiLSTM提取子句以及不同子句间的高级特征表示；4)运用多个注意力机制分别实现不同单词以及子句的权重加强。本发明充分考虑不同实体相关的子句信息，通过提取子句特征以及子句间的特征来增强情感分类的准确性，显著提高实体属性依赖的文本情感分析准确率。
-
公开(公告)号：CN110717451A
公开(公告)日：2020-01-21
申请号：CN201910956301.4
申请日：2019-10-10
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于深度学习的药用植物叶部病害图像识别方法，涉及药用植物叶部病害防护技术领域，其包括采集若干药用植物叶部病害图像；对药用植物叶部病害图像进行增强处理；将各增强处理后的药用植物叶部病害图像的尺寸统一调整为299x299；训练深度CNN模型，深度CNN模型包括串联的卷积池化网络、Inception-I网络、平均池化网络、Dropout层和Softmax层，串联的卷积池化网络的最后两个卷积层为深度可分离卷积层，Inception-I网络中包括随机池化层；通过深度CNN模型对尺寸调整后的各药用植物叶部病害图像进行识别，识别结果为各药用植物叶部所患病害类型，基于识别结果对各药用植物叶部所患病害进行分类。该识别方法可以有效地辅助种植人员诊断病害，提高诊断效率。
-
公开(公告)号：CN110689965A
公开(公告)日：2020-01-14
申请号：CN201910956294.8
申请日：2019-10-10
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于深度学习的药物靶点亲和力预测方法，涉及药物靶点亲和力预测技术领域，其包括：从Davis数据集和KIBA数据集中获取药物化合物和靶点蛋白质数据；对化合物进行编码，使用位置特异性打分矩阵表示蛋白质；将化合物标签编码输入CNN模型中，对化合物进行特征提取，得到化合物的分子表示；将蛋白质的位置特异性打分矩阵输入LSTM模型中，对蛋白质序列进行特征提取，学习蛋白质结构中氨基酸之间的次序关系以及蛋白质序列上的残基之间的关系，得到蛋白质的序列表示；将化合物的分子表示和蛋白质的序列表示同时输入到全连接层中，对化合物和蛋白质相互作用的亲和力进行预测。该方法能更准确地预测药物和靶点之间的亲和力关系。
-
公开(公告)号：CN110575177A
公开(公告)日：2019-12-17
申请号：CN201910853832.0
申请日：2019-09-10
Applicant: 电子科技大学
IPC: A61B5/11
Abstract: 本发明属于三维步态分析技术领域，公开了一种基于马氏距离的步态分类与量化方法，包括：以正常关节角度为参考模板，计算样本j第i个关节角度异常指标disti，j；计算样本各关节角度异常指标，将样本j各关节角度的异常指标dist1，j，...，distN，j组合成向量，作为样本j的异常指标向量distj＝(dist1，j，...，distN，j)；学习各关节角度之间的相关性，得到马氏矩阵∑，计算样本异常指标向量distj与正常人参考步态向量之间的马氏距离，得到样本整体步态异常指标；以样本j的异常指标向量distj作为样本的特征向量，结合马氏矩阵∑，使用SVM分类器对样本步态进行分类。
-
公开(公告)号：CN110335684A
公开(公告)日：2019-10-15
申请号：CN201910517329.8
申请日：2019-06-14
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于主题模型技术的中医智能辨证辅助决策方法，包括对医案集中的症状名称进行规范化处理；预处理医案数据集：使用语言技术平台工具对每份医案进行分词处理；生成医案主题模型，得到隐含在医案集中的所有主题；基于《中医内科学》构建标准证候数据库，并通过计算主题下的症状群与标准证候之间的相似度来获得主题的标签，即证候名称；基于上述挖掘得到的症候群进行证候预测。本发明对医案集中的症状名称进行规范化处理，实现中医书籍的自动标准化功能；本发明的证候预测方法通过对标准化的医案数据进行分析处理，实现中医诊疗系统的辨证功能，使得辨证结果更加准确。
-
-
-
-
-
-
-
-
-
Search Results
134
records
(took 0.025 seconds)
