-
公开(公告)号：CN116503667A
公开(公告)日：2023-07-28
申请号：CN202310553837.8
申请日：2023-05-16
Applicant: 中国人民解放军陆军军医大学第一附属医院 , 中国科学院计算技术研究所
IPC: G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08 , G06T7/00 , G16H50/20
Abstract: 本发明公开了一种肝细胞癌CD34免疫组化图像识别与微血管密度计算方法，针对人工方法诊断过程复杂、费时费力、依靠长时间的诊断经验的问题，为了更全面的评估肝细胞癌患者的患病程度，指导接下来的治疗，本发明采用深度学习网络对图像进行二分类，其泛化能力强，鲁棒性高；生成的概率热图直观反应了模型识别结果；微血管密度的计算的可解释性强，简单方便，易于医生操作调整。
-
公开(公告)号：CN115082909B
公开(公告)日：2024-04-12
申请号：CN202111296412.0
申请日：2021-11-03
Applicant: 中国人民解放军陆军军医大学第一附属医院 , 重庆知见生命科技有限公司 , 北京知见生命科技有限公司 , 任菲
Abstract: 本发明提出一种肺部病变识别方法及系统。通过目标检测和实例分割算法对肺部医学影像中的磨玻璃区域和支气管伴扩张区域进行检测，从而用于肺部病变的识别。本方法使用多尺度多深度的卷积神经网络结构提取肺部医学影像的基础视觉特征，通过特征金字塔网络来融合不同尺度和深度的特征。通过病变候选区域识别网络来提取可能是目标的区域的特征，同时过滤掉无用的背景信息。然后将提取出的目标区域特征通过分类头网络，检测头网络以及分割头网络得到检测分割的结果，最后通过非极大值抑制后处理得到最终预测结果。整体网络结构采用端到端的多任务模型，使得网络可以有效的学习医学影像的特征信息，增强算法的鲁棒性和泛化能力。
-
公开(公告)号：CN115082909A
公开(公告)日：2022-09-20
申请号：CN202111296412.0
申请日：2021-11-03
Applicant: 中国人民解放军陆军军医大学第一附属医院 , 重庆知见生命科技有限公司 , 北京知见生命科技有限公司 , 任菲
Abstract: 本发明提出一种肺部病变识别方法及系统。通过目标检测和实例分割算法对肺部医学影像中的磨玻璃区域和支气管伴扩张区域进行检测，从而用于肺部病变的识别。本方法使用多尺度多深度的卷积神经网络结构提取肺部医学影像的基础视觉特征，通过特征金字塔网络来融合不同尺度和深度的特征。通过病变候选区域识别网络来提取可能是目标的区域的特征，同时过滤掉无用的背景信息。然后将提取出的目标区域特征通过分类头网络，检测头网络以及分割头网络得到检测分割的结果，最后通过非极大值抑制后处理得到最终预测结果。整体网络结构采用端到端的多任务模型，使得网络可以有效的学习医学影像的特征信息，增强算法的鲁棒性和泛化能力。
-
公开(公告)号：CN109272020B
公开(公告)日：2021-02-26
申请号：CN201810948238.5
申请日：2018-08-20
Applicant: 中国科学院计算技术研究所
IPC: G06K9/62
Abstract: 本发明涉及肌电数据中离群点的处理方法和系统，包括：获取数据样本的数据集，并将数据集划分为第一类正域、第一类边界区、第二类正域和第二类边界区；将第一类边界区和第二类边界区内数据样本聚类，并根据聚类结果，分别将第一类边界区和第二类边界区划分为多个群组；分别根据第一类边界区内数据样本至第一类正域的距离和第二类边界区内数据样本至第二类正域的距离，确定第一类边界区每个群组至第一类正域的平均距离和第二类边界区每个群组至第二类正域的平均距离，将平均距离大于距离阈值的群组标记为离群点，集合离群点作为离群集合；将数据样本量大于飞地阈值的离群点标记为飞地群组，并删除离群集合中的飞地群组，得到离群点处理结果。
-
公开(公告)号：CN109635638A
公开(公告)日：2019-04-16
申请号：CN201811284383.4
申请日：2018-10-31
Applicant: 中国科学院计算技术研究所
IPC: G06K9/00
Abstract: 本发明涉及一种用于人体运动的特征提取方法及系统、识别方法及系统，包括以下步骤：采集人体运动时产生的信号数据；提取所述信号数据中的异义信息，所述异义信息包括肌肉外部运动轨迹信号数据信息和肌肉内部振动信号数据信息；针对所述异义信息进行特征提取，所述特征包括肌肉外部运动轨迹信号特征、肌肉内部振动信号特征以及组合特征，所述组合特征是指根据所述肌肉外部运动轨迹信号数据信息和所述肌肉内部振动信号数据信息获得的关联特征。
-
Patent Agency Ranking
公开(公告)号：CN107301460A
公开(公告)日：2017-10-27
申请号：CN201710384473.X
申请日：2017-05-26
Applicant: 中国科学院计算技术研究所
IPC: G06N99/00
CPC classification number: G06N99/005
Abstract: 本发明涉及一种获得邻域和正域的方法和系统，包括：将哈希分桶后的数据集作为算法的输入，遍历每个数据桶中的样本，通过正域标志判断当前样本是否已被标记为非正域样本，若是则对其他样本进行正域判断，否则查找当前样本的邻域样本；判断当前样本和邻域样本的决策属性值是否相同，若是则舍弃邻域样本，检索其它邻域样本，否则判断当前样本和邻域样本是否互为邻域，若是则通过正域标志将当前样本和邻域样本标记为非正域样本，否则舍弃邻域样本，检索当前样本的其它邻域样本。本发明利用邻域关系的对称性、哈希映射函数的局部敏感性和决策属性过滤策略优化了计算邻域和正域的计算效率。
-
公开(公告)号：CN107274009A
公开(公告)日：2017-10-20
申请号：CN201710390314.0
申请日：2017-05-27
Applicant: 中国科学院计算技术研究所
IPC: G06Q10/04
CPC classification number: G06Q10/04
Abstract: 本发明涉及一种基于相关性的时间序列数据多步预测方法和系统，包括：根据待测时间序列数据中相邻时间点数据间的相关性，设置输出长度和回归阶数，并根据输出长度和回归阶数将待测时间序列数据拆分为输入输出数据对集合；将输入输出数据对集合为多输出高斯过程模型的训练数据，训练生成预测模型，将待测时间序列数据输入预测模型，得到最终预测值，直到最终预测值的总个数否大于或等于预测步长，输出最终预测值。本方法利用待测时间序列数据中相邻时间点数据间的相关性，基于多输入多输出策略，使用多输出高斯过程模型同时预测多个未来值，同时用迭代的方式逐步向后预测，具有高预测准确度。
-
公开(公告)号：CN107168859A
公开(公告)日：2017-09-15
申请号：CN201710320717.8
申请日：2017-05-09
Applicant: 中国科学院计算技术研究所
CPC classification number: Y02D10/34 , G06F11/3447 , G06F11/302 , G06F11/3058 , G06F11/3062 , G06F11/3476 , G06N3/049
Abstract: 本发明提供一种用于安卓设备的能耗分析方法，包括以下步骤：获取待测安卓设备中部件的能耗特征数据集；以所述能耗特征数据集作为输入，利用基于LSTM的神经网络模型获得所述待测安卓设备的能耗数据，其中，所述基于LSTM的神经网络模型通过训练获得的，训练数据集是以已知的能耗特征数据集为输入，以相应时刻的安卓设备的实际能耗为输出。利用本发明的方法可以解决尾电耗带来的影响，精确地测量安卓设备的实际能耗。
-
公开(公告)号：CN104510475A
公开(公告)日：2015-04-15
申请号：CN201410776583.7
申请日：2014-12-15
Applicant: 中国科学院计算技术研究所
IPC: A61B5/11
CPC classification number: A61B5/1117 , A61B5/7275 , A61B5/7282
Abstract: 本发明提供一种人体跌倒检测方法及系统，所述方法包括：步骤1)根据实时采集的数据，确定按预定顺序经历了所有过程的跌倒事件。步骤2)通过机器学习模型对所述跌倒事件进行跌倒检测，以验证是否发生跌倒事件，其中所述机器学习模型用于对于输入的由所述采集的数据得到的特征数据，输出跌倒概率或分类类别。本发明能够准确且有效地检测人体跌倒事件。
-
公开(公告)号：CN104507096A
公开(公告)日：2015-04-08
申请号：CN201410758996.2
申请日：2014-12-10
Applicant: 中国科学院计算技术研究所
CPC classification number: Y02D70/00 , H04W16/22 , H04W24/10 , H04W52/0209 , H04W52/0258
Abstract: 本发明提供无线传感器网络的在线模型驱动的数据传输系统和方法，其中当传感器节点采集到新的传感数据时，更新该节点上的实时预测模型的参数，并利用该节点上的同步预测模型计算该时刻的传感数据预测值；以及当传感数据预测值与采集的传感数据之间的误差大于设定的误差阈值时，利用实时预测模型的参数来更新同步预测模型的参数，并将更新后的同步模型的参数与所采集的传感数据发送给网关。该系统和方法避免了模型离线训练阶段的数据传输问题，在不降低传感网采集的数据质量的前提下，减少了网络中的数据传输量，降低了传感器节点的能量消耗，从而延长传感器网的使用寿命。
-
-
-
-
-
-
-
-
-
Search Results
80
records
(took 0.072 seconds)
