-
公开(公告)号：CN119474981A
公开(公告)日：2025-02-18
申请号：CN202411589268.3
申请日：2024-11-08
Applicant: 重庆邮电大学
Abstract: 本发明属于医疗ICD自动编码领域，具体涉及一种基于图神经网络的医疗ICD编码分类方法，包括获取数据集并进行预处理得到文本向量矩阵；根据文本向量矩阵构建图结构，所述图结构包括节点特征矩阵和邻接矩阵；将图结构输入图神经网络模型输出预测ICD编码结果，采用基于交叉熵的多标签损失函数对模型进行训练；将待编码的病历数据输入训练好的图神经网络模型，得到预测ICD编码；本发明将医疗术语间的语义相似度、ICD编码间的层次距离和共现频率关系纳入图结构中，能够全面地捕捉词语及标签之间的复杂关系，更好地利用了ICD编码间的潜在关联性，增强了分类模型的上下文理解能力和准确性。
-
公开(公告)号：CN118335329B
公开(公告)日：2024-12-20
申请号：CN202410440608.X
申请日：2024-04-12
Applicant: 重庆邮电大学
Abstract: 本发明属于医疗领域，具体涉及一种基于多头注意力机制的胃癌肝转移风险预测方法，包括：获取胃癌数据，并对胃癌数据进行预处理，得到预处理结果；利用多头注意力机制对预处理结果进行特征交互，得到特征交互信息；利用改进的多头注意力机制对预处理结果进行样本交互，得到样本交互信息；根据特征交互信息和样本交互信息利用神经网络得到胃癌肝转移风险结果；根据胃癌肝转移风险结果计算损失函数值，根据损失函数值更新模型参数；当达到预设的迭代次数时，得到训练好的胃癌肝转移风险预测模型；本发明通过两种多头注意力机制同时捕获特征间和样本间的信息，并利用神经网络将特征间和样本间的信息融合，增强了特征的表示，提高了风险预测精度。
-
公开(公告)号：CN118969181A
公开(公告)日：2024-11-15
申请号：CN202410955550.2
申请日：2024-07-17
Applicant: 重庆邮电大学
IPC: G16H20/17 , G16H70/40 , G16H70/60 , G16H50/70 , G16H10/60 , G06N7/01 , G06N5/048 , G06N7/04 , G06N3/043 , G06N3/092
Abstract: 本发明涉及一种用于提供血糖控制信息的方法和装置，包括：获取真实场景下糖尿病患者的监测数据并进行预处理；根据监测数据利用模糊逻辑控制算法构建模糊控制器，并根据监测数据构建部分可观察马尔可夫决策过程模型；将模糊控制器嵌入离线强化学习算法TD3‑BC的Actor模块，并利用离线强化学习算法对所述部分可观察马尔可夫决策过程模型进行求解得到糖尿病患者需要的胰岛素剂量信息，并将胰岛素剂量信息向用户进行提供，本发明能够精准的向用户提供血糖控制信息，即患者需要的胰岛素剂量信息，便于用户根据血糖控制信息对血糖进行控制。
-
公开(公告)号：CN117747125B
公开(公告)日：2024-11-15
申请号：CN202311778674.X
申请日：2023-12-22
Applicant: 重庆邮电大学
IPC: G16H50/70 , G06F16/36 , G06N3/0464
Abstract: 本发明涉及医疗领域和数据挖掘技术领域，特别涉及一种利用疾病知识图谱发现疾病‑症状关联关系的方法，包括将疾病知识图谱分解得到疾病和症状相关的二分网络，并以邻接矩阵的形式保存；根据二分网络计算疾病节点和症状节点的相似性矩阵，并将其融合为一个综合疾病相似性矩阵和一个综合症状相似性矩阵；构建图自编码器提取得到节点的非线性表示；使用非负矩阵分解提取节点的线性表示；将线性表示和非线性表示结合，通过全连接神经网络进行疾病‑症状关联预测；本发明在相似性网络计算阶段提出了一种更全面且有效的相似性网络计算方法，将图结构上下文信息与节点序列信息相结合，获得更可靠的相似性网络。
-
公开(公告)号：CN117809854B
公开(公告)日：2024-10-08
申请号：CN202311848403.7
申请日：2023-12-29
Applicant: 重庆邮电大学
IPC: G16H50/70 , G16H10/60 , G06N3/0499 , G06N3/08
Abstract: 本发明属于人工智能技术领域，具体涉及一种基于医学因果知识嵌入的危险因素因果关系提取方法，包括：获取临床数据和医学因果知识；根据临床数据和医学因果知识获取疾病危险因素之间的因果结构；对因果结构进行修正；将修正后的因果结构输入到前馈神经网络中，得到识别结果；根据识别结果计算模型的损失函数；根据损失函数对权重Θt进行更新，得到ΘT；根据更新后的权重ΘT构建疾病危险因素之间的因果结构；本发明将深度学习引入到因果发现中，将数据驱动与知识驱动相结合，提高了危险因素因果关系提取的准确度。
-
Patent Agency Ranking
公开(公告)号：CN118335329A
公开(公告)日：2024-07-12
申请号：CN202410440608.X
申请日：2024-04-12
Applicant: 重庆邮电大学
Abstract: 本发明属于医疗领域，具体涉及一种基于多头注意力机制的胃癌肝转移风险预测方法，包括：获取胃癌数据，并对胃癌数据进行预处理，得到预处理结果；利用多头注意力机制对预处理结果进行特征交互，得到特征交互信息；利用改进的多头注意力机制对预处理结果进行样本交互，得到样本交互信息；根据特征交互信息和样本交互信息利用神经网络得到胃癌肝转移风险结果；根据胃癌肝转移风险结果计算损失函数值，根据损失函数值更新模型参数；当达到预设的迭代次数时，得到训练好的胃癌肝转移风险预测模型；本发明通过两种多头注意力机制同时捕获特征间和样本间的信息，并利用神经网络将特征间和样本间的信息融合，增强了特征的表示，提高了风险预测精度。
-
公开(公告)号：CN118296962A
公开(公告)日：2024-07-05
申请号：CN202410484686.X
申请日：2024-04-22
Applicant: 重庆邮电大学
IPC: G06F30/27 , G01M13/045 , G06F119/14
Abstract: 本发明涉及故障诊断技术与信号处理分析技术领域，特别涉及一种圆柱滚子轴承内外滚道复合故障振动仿真方法。获取故障圆柱滚子轴承的相关参数、运行工况、采样频率以及仿真时长；利用获取的相关参数、运行工况、采样频率以及仿真时长，计算轴承圆周角度位置、轴承内部径向游隙、内滚道缺陷导致和外滚道缺陷导致的复合时变位移激励；利用轴承圆周角度位置、轴承内部径向游隙、内滚道缺陷导致的时变位移激励和外滚道缺陷导致的时变位移激励，构建基于缺陷角位置变换的圆柱滚子轴承复合故障模型。本发明可以更精确地模拟圆柱滚子轴承复合故障状态下的振动响应；对圆柱滚子轴承故障诊断方法研究和发展具有重要意义。
-
公开(公告)号：CN116913445B
公开(公告)日：2024-05-07
申请号：CN202310654968.5
申请日：2023-06-05
Applicant: 重庆邮电大学
Abstract: 本发明属于医疗数据处理技术领域，具体涉及一种基于表格学习的医疗缺失数据插补方法；该方法包括：获取待插补的医疗缺失数据并对其进行预处理，得到预处理好的医疗缺失数据；对预处理好的医疗缺失数据分别进行预插补和转换操作，得到初步完整医疗数据和缺失掩码矩阵；采用改进的生成器对初步完整医疗数据和缺失掩码矩阵进行处理，得到修正后的完整医疗数据；将缺失掩码矩阵输入到提示生成器中，得到提示矩阵；采用改进的鉴别器对修正医疗数据和提示矩阵进行处理，得到估计掩码矩阵；计算模型损失并根据模型损失调整模型参数，得到训练好的医疗缺失数据插补模型；本发明插补精度高，插补速度快。
-
公开(公告)号：CN117809854A
公开(公告)日：2024-04-02
申请号：CN202311848403.7
申请日：2023-12-29
Applicant: 重庆邮电大学
IPC: G16H50/70 , G16H10/60 , G06N3/0499 , G06N3/08
Abstract: 本发明属于人工智能技术领域，具体涉及一种基于医学因果知识嵌入的危险因素因果关系提取方法，包括：获取临床数据和医学因果知识；根据临床数据和医学因果知识获取疾病危险因素之间的因果结构；对因果结构进行修正；将修正后的因果结构输入到前馈神经网络中，得到识别结果；根据识别结果计算模型的损失函数；根据损失函数对权重Θt进行更新，得到ΘT；根据更新后的权重ΘT构建疾病危险因素之间的因果结构；本发明将深度学习引入到因果发现中，将数据驱动与知识驱动相结合，提高了危险因素因果关系提取的准确度。
-
公开(公告)号：CN117747125A
公开(公告)日：2024-03-22
申请号：CN202311778674.X
申请日：2023-12-22
Applicant: 重庆邮电大学
IPC: G16H50/70 , G06F16/36 , G06N3/0464
Abstract: 本发明涉及医疗领域和数据挖掘技术领域，特别涉及一种利用疾病知识图谱发现疾病‑症状关联关系的方法，包括将疾病知识图谱分解得到疾病和症状相关的二分网络，并以邻接矩阵的形式保存；根据二分网络计算疾病节点和症状节点的相似性矩阵，并将其融合为一个综合疾病相似性矩阵和一个综合症状相似性矩阵；构建图自编码器提取得到节点的非线性表示；使用非负矩阵分解提取节点的线性表示；将线性表示和非线性表示结合，通过全连接神经网络进行疾病‑症状关联预测；本发明在相似性网络计算阶段提出了一种更全面且有效的相似性网络计算方法，将图结构上下文信息与节点序列信息相结合，获得更可靠的相似性网络。
-
-
-
-
-
-
-
-
-
Search Results
69
records
(took 0.026 seconds)
