-
公开(公告)号：CN118800456A
公开(公告)日：2024-10-18
申请号：CN202411277248.2
申请日：2024-09-12
Applicant: 中南大学
IPC: G16H50/30 , G06F40/295 , G16H50/20 , G16H50/70 , G06N5/022
Abstract: 本发明公开了一种疾病预测方法，具体是涉及到一种并发症预测方法、装置、电子设备及可读存储介质，方法包括：对用户数据进行预处理，得到原始特征，原始特征包括数值型特征和非数值型特征；基于预先构建的规则库，将数值型特征中的目标指标数值映射为目标范围类别，得到对应的指标范围型特征；基于预先构建的医学知识图谱，通过实体解析获得非数值型特征对应的实体知识表示向量和指标范围型特征对应的实体知识表示向量；将原始特征和上述实体知识表示向量输入预先训练的疾病智能预测模型，得到并发症预测结果。本发明在考虑检查检验结果等数值型特征背后的知识的基础上，将外部先验医学知识引入模型，提升了并发症预测效果。
-
公开(公告)号：CN117195877B
公开(公告)日：2024-01-30
申请号：CN202311461713.3
申请日：2023-11-06
Applicant: 中南大学
IPC: G06F40/284 , G06F40/30 , G16H10/60 , G06F18/22 , G06F18/25
Abstract: 本发明涉及医学病历数据处理的技术领域，具体涉及一种电子病历的词向量生成方法、系统、设备及存储介质，其方法包括：从医疗机构获取若干电子病历并进行预处理，得到标准数据；将所述标准数据输入所述BRET模型中，得到模型词向量；将所述模型词向量输入所述词嵌入向量模型，得到不同语义环境下的动态词嵌入向量；对所述电子病历进行转化处理，得到静态词嵌入向量；获取自适应权重融合策略；基于所述动态词嵌入向量、所述静态词嵌入向量以及所述自适应权重融合策略，得到增强词嵌入向量。本申请具有提升词嵌入向量的信息表达能力的效果。(56)对比文件Bingjing Jia.Enhanced characterembedding for Chinese named entityrecognition《.Measurement and Control》.2020,第53卷(第9-10期),第1669-1681页.Xiao-Kang Wang.ProbabilisticLinguistic Group Decision-Making Based onEvidential Reasoning ConsideringCorrelations Between Linguistic Terms.《International Journal of Fuzzy Systems》.2023,第1-18页.Xiao‐kang Wang.An interpretablediagnostic approach for lung cancer:Combining maximal clique and improvedBERT《.Expert Systems》.2023,第40卷(第4期),第1-22页.
-
公开(公告)号：CN117540734A
公开(公告)日：2024-02-09
申请号：CN202410037568.4
申请日：2024-01-10
Applicant: 中南大学
IPC: G06F40/279 , G06F40/242 , G06F40/284 , G06F40/30 , G06N5/022 , G06N3/0455 , G06N3/0475 , G06N3/094 , G06N3/084 , G06N3/098 , G16H10/20
Abstract: 本发明提供一种中文医学实体标准化方法、装置及设备，所述方法包括：预处理历史中文医学实体标准化数据；构建融合词格结构和医学语言模型的语义提取模型；利用语义提取模型构建基于动态负采样策略的候选生成模型架构；构建用于进行候选概念排序和概念数预测的联合学习模型架构；采用对抗训练算法，通过历史中文医学实体标准化数据对候选生成模型架构、联合学习模型架构进行训练，得到候选生成模型，以及联合学习模型；基于候选生成模型、联合学习模型处理待标准化的中文医学实体，得到对应的标准化结果。本发明的中文医学实体标准化方法用于高效、准确地对中文医学实体进行标准化处理。
-
公开(公告)号：CN118800456B
公开(公告)日：2025-03-04
申请号：CN202411277248.2
申请日：2024-09-12
Applicant: 中南大学
IPC: G16H50/30 , G06F40/295 , G16H50/20 , G16H50/70 , G06N5/022
Abstract: 本发明公开了一种疾病预测方法，具体是涉及到一种并发症预测方法、装置、电子设备及可读存储介质，方法包括：对用户数据进行预处理，得到原始特征，原始特征包括数值型特征和非数值型特征；基于预先构建的规则库，将数值型特征中的目标指标数值映射为目标范围类别，得到对应的指标范围型特征；基于预先构建的医学知识图谱，通过实体解析获得非数值型特征对应的实体知识表示向量和指标范围型特征对应的实体知识表示向量；将原始特征和上述实体知识表示向量输入预先训练的疾病智能预测模型，得到并发症预测结果。本发明在考虑检查检验结果等数值型特征背后的知识的基础上，将外部先验医学知识引入模型，提升了并发症预测效果。
-
Patent Agency Ranking
公开(公告)号：CN118691091A
公开(公告)日：2024-09-24
申请号：CN202411162209.8
申请日：2024-08-23
Applicant: 中南大学
IPC: G06Q10/0635 , G06F30/20 , G06Q10/0639 , G06F17/18
Abstract: 本发明提供一种企业风险评估方法、装置及存储介质，该方法包括根据企业信息，识别潜在企业风险；根据各潜在企业风险之间的交互关系和触发概率，构建风险交互网络；识别风险交互网络的三元Motif结构，并计算潜在企业风险受其他潜在企业风险共同影响所产生的高阶触发概率；根据触发概率、高阶触发概率以及每个潜在企业风险的状态，计算状态为未发生的潜在企业风险的发生概率；基于发生概率进行仿真实验，获取状态为未发生的潜在企业风险的发生频率；根据发生频率，构建风险评定指标；基于风险评定指标，对目标企业的企业风险进行评估。本发明考虑了不同潜在企业风险之间的高阶交互作用，能够提高企业风险评估的准确性。
-
公开(公告)号：CN118193858B
公开(公告)日：2024-08-13
申请号：CN202410613315.7
申请日：2024-05-17
Applicant: 中南大学
IPC: G06F16/9536 , G06N3/042 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种协同过滤推荐方法，具体是涉及到一种基于图卷积网络的协同过滤推荐方法及装置。方法包括：对数据集中的用户和项目进行编码得到第一编码矩阵和第二编码矩阵，并基于数据集构建加权用户‑项目图的第一邻接矩阵和加权用户‑用户图的第二邻接矩阵；对用户和项目进行嵌入，得到用户嵌入矩阵和项目嵌入矩阵；基于用户嵌入矩阵、第一邻接矩阵、第二邻接矩阵和项目嵌入矩阵进行消息传递，得到用户的最终表示和项目的最终表示；基于用户的最终表示和项目的最终表示计算正负样本预测评分对，正负样本预测评分对用于训练待训练推荐模型，得到训练好的推荐模型；基于训练好的推荐模型进行项目偏好推荐。本发明实施例可提高推荐结果准确度。
-
公开(公告)号：CN118193858A
公开(公告)日：2024-06-14
申请号：CN202410613315.7
申请日：2024-05-17
Applicant: 中南大学
IPC: G06F16/9536 , G06N3/042 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种协同过滤推荐方法，具体是涉及到一种基于图卷积网络的协同过滤推荐方法及装置。方法包括：对数据集中的用户和项目进行编码得到第一编码矩阵和第二编码矩阵，并基于数据集构建加权用户‑项目图的第一邻接矩阵和加权用户‑用户图的第二邻接矩阵；对用户和项目进行嵌入，得到用户嵌入矩阵和项目嵌入矩阵；基于用户嵌入矩阵、第一邻接矩阵、第二邻接矩阵和项目嵌入矩阵进行消息传递，得到用户的最终表示和项目的最终表示；基于用户的最终表示和项目的最终表示计算正负样本预测评分对，正负样本预测评分对用于训练待训练推荐模型，得到训练好的推荐模型；基于训练好的推荐模型进行项目偏好推荐。本发明实施例可提高推荐结果准确度。
-
公开(公告)号：CN117540734B
公开(公告)日：2024-04-09
申请号：CN202410037568.4
申请日：2024-01-10
Applicant: 中南大学
IPC: G06F40/279 , G06F40/242 , G06F40/284 , G06F40/30 , G06N5/022 , G06N3/0455 , G06N3/0475 , G06N3/094 , G06N3/084 , G06N3/098 , G16H10/20
Abstract: 本发明提供一种中文医学实体标准化方法、装置及设备，所述方法包括：预处理历史中文医学实体标准化数据；构建融合词格结构和医学语言模型的语义提取模型；利用语义提取模型构建基于动态负采样策略的候选生成模型架构；构建用于进行候选概念排序和概念数预测的联合学习模型架构；采用对抗训练算法，通过历史中文医学实体标准化数据对候选生成模型架构、联合学习模型架构进行训练，得到候选生成模型，以及联合学习模型；基于候选生成模型、联合学习模型处理待标准化的中文医学实体，得到对应的标准化结果。本发明的中文医学实体标准化方法用于高效、准确地对中文医学实体进行标准化处理。
-
公开(公告)号：CN117195877A
公开(公告)日：2023-12-08
申请号：CN202311461713.3
申请日：2023-11-06
Applicant: 中南大学
IPC: G06F40/284 , G06F40/30 , G16H10/60 , G06F18/22 , G06F18/25
Abstract: 本发明涉及医学病历数据处理的技术领域，具体涉及一种电子病历的词向量生成方法、系统、设备及存储介质，其方法包括：从医疗机构获取若干电子病历并进行预处理，得到标准数据；将所述标准数据输入所述BRET模型中，得到模型词向量；将所述模型词向量输入所述词嵌入向量模型，得到不同语义环境下的动态词嵌入向量；对所述电子病历进行转化处理，得到静态词嵌入向量；获取自适应权重融合策略；基于所述动态词嵌入向量、所述静态词嵌入向量以及所述自适应权重融合策略，得到增强词嵌入向量。本申请具有提升词嵌入向量的信息表达能力的效果。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.018 seconds)
