-
公开(公告)号：CN119296767B
公开(公告)日：2025-02-18
申请号：CN202411813317.7
申请日：2024-12-10
Applicant: 中国科学院自动化研究所
Abstract: 提供了一种由计算机程序实现的基于生成模型的辅助诊断方法和装置。辅助诊断方法包括：基于病历库中的病历信息构建以患者为中心的知识图谱；提取待查询患者的相关信息；在知识图谱中检索与待查询患者的相关信息相匹配的第一实体；从知识图谱中提取子图，子图由作为第一实体的一阶邻居的第二实体、第二实体的一阶邻居及其之间的关系构成；将子图转换为提示词；以及根据提示词激活生成模型以生成辅助诊断预测结果。
-
公开(公告)号：CN118379565B
公开(公告)日：2024-12-06
申请号：CN202410825090.1
申请日：2024-06-25
Applicant: 中国科学院自动化研究所
IPC: G06V10/764 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明提供一种基于信息瓶颈与因果学习的因果子图提取方法、装置，涉及基于特定计算模型的计算机系统技术领域，包括：获取待处理图数据，待处理图数据中包括因果子图，且待处理图数据中还包括噪音子图和伪相关子图中的至少一种；将待处理图数据输入因果子图提取模型进行子图提取处理，得到因果子图；其中，因果子图提取模型是基于因果学习损失函数、分类损失函数和对比损失函数进行迭代训练得到的，因果学习损失函数用于消除待处理图数据中的伪相关子图，分类损失函数和对比损失函数用于消除待处理图数据中的噪音子图。本发明使用的因果子图提取模型，可以针对图结构中的噪音子图和伪相关子图进行针对性消除，提升了提取的因果子图的可信性。
-
公开(公告)号：CN117752308B
公开(公告)日：2024-05-24
申请号：CN202410191137.3
申请日：2024-02-21
Applicant: 中国科学院自动化研究所
IPC: A61B5/00 , G06F18/10 , G06F18/213 , G06F18/25 , G06N3/0455 , G06N3/0464 , G06N3/08 , A61B5/369
Abstract: 本发明涉及智能生物医学信号处理领域，提高了一种癫痫预测方法及装置，该方法包括：获取待测脑电图EEG数据；基于双通道融合模型对EEG数据进行预测，得到癫痫预测结果；其中，双通道融合模型的两个通道分支分别通过编码网络和卷积神经网络构建得到，编码网络基于自注意力机制构建；双通道融合模型通过以样本EEG数据为训练样本，以融合特征为训练特征训练得到；融合特征基于编码网络输出的全局特征和卷积神经网络输出的局部特征确定。本发明所述方法结合EEG数据中的全局信息和局部信息实现网络的迭代训练和癫痫预测，提升了癫痫预测的准确性。
-
公开(公告)号：CN113255920B
公开(公告)日：2021-09-28
申请号：CN202110723733.8
申请日：2021-06-29
Applicant: 中国科学院自动化研究所
IPC: G06N5/04
Abstract: 本发明属于大数据领域，具体涉及了一种基于大数据的动态复杂系统事理灾变因果推断方法和系统。本发明方法包括：基于动态系统的多元时间序列历史数据，通过求解哈密顿方程，构造出系统演化超图模型；获取当前时刻变量的连续状态数据，通过系统演化超图模型生成不同时刻多元变量因果独立同分布，并进行灾变动力方程求解，识别各时刻的系统灾变临界区域分布，构建事理灾变实例库；对事理灾变实例库中各种各样灾变样本，通过基于因果模型的反事实推理方法，获取物理变量灾变曲线，基于预设调整策略进行多物理变量状态干预调整。本发明提高了变量节点状态预测的准确度，实现了系统事理灾变临界区域的快速识别，通过干预预防复杂系统内部多元参数突变。
-
公开(公告)号：CN113255920A
公开(公告)日：2021-08-13
申请号：CN202110723733.8
申请日：2021-06-29
Applicant: 中国科学院自动化研究所
IPC: G06N5/04
Abstract: 本发明属于大数据领域，具体涉及了一种基于大数据的动态复杂系统事理灾变因果推断方法和系统。本发明方法包括：基于动态系统的多元时间序列历史数据，通过求解哈密顿方程，构造出系统演化超图模型；获取当前时刻变量的连续状态数据，通过系统演化超图模型生成不同时刻多元变量因果独立同分布，并进行灾变动力方程求解，识别各时刻的系统灾变临界区域分布，构建事理灾变实例库；对事理灾变实例库中各种各样灾变样本，通过基于因果模型的反事实推理方法，获取物理变量灾变曲线，基于预设调整策略进行多物理变量状态干预调整。本发明提高了变量节点状态预测的准确度，实现了系统事理灾变临界区域的快速识别，通过干预预防复杂系统内部多元参数突变。
-
Patent Agency Ranking
公开(公告)号：CN118820815B
公开(公告)日：2025-02-11
申请号：CN202411298432.5
申请日：2024-09-18
Applicant: 中国科学院自动化研究所
Abstract: 本发明提供一种儿童检验指标参考区间的间接估计方法以及系统，应用于人工智能技术领域，其中，上述方法包括：获取多检验指标数据；将多检验指标数据样本数据集输入至预训练的权重学习网络，得到检验指标间相关度；根据预设的相似度函数对多检验指标数据样本数据集中的每个多检验指标数据样本进行加权融合，得到患者图结构数据；将患者图结构数据输入至预训练的图神经网络进行聚类分析，得到聚类结果；基于聚类结果，确定图重构学习目标；对图重构学习目标与相关度学习目标进行联合训练，在满足预设的联合学习目标时输出目标检验指标的参考区间结果；通过本发明能够在无标签信息的情况下有效地用于多检验指标数据场景。
-
公开(公告)号：CN118820815A
公开(公告)日：2024-10-22
申请号：CN202411298432.5
申请日：2024-09-18
Applicant: 中国科学院自动化研究所
Abstract: 本发明提供一种儿童检验指标参考区间的间接估计方法以及系统，应用于人工智能技术领域，其中，上述方法包括：获取多检验指标数据；将多检验指标数据样本数据集输入至预训练的权重学习网络，得到检验指标间相关度；根据预设的相似度函数对多检验指标数据样本数据集中的每个多检验指标数据样本进行加权融合，得到患者图结构数据；将患者图结构数据输入至预训练的图神经网络进行聚类分析，得到聚类结果；基于聚类结果，确定图重构学习目标；对图重构学习目标与相关度学习目标进行联合训练，在满足预设的联合学习目标时输出目标检验指标的参考区间结果；通过本发明能够在无标签信息的情况下有效地用于多检验指标数据场景。
-
公开(公告)号：CN117708570B
公开(公告)日：2024-06-04
申请号：CN202410162891.4
申请日：2024-02-05
Applicant: 中国科学院自动化研究所
IPC: G06F18/213 , A61B5/00 , A61B5/369 , G06N3/0464 , G06N3/042 , G06N3/084 , G06N3/045 , G06F17/15
Abstract: 本发明提供一种癫痫预测方法、装置、电子设备及存储介质，应用于数据处理技术领域。该方法包括：获取脑电信号数据；提取所述脑电信号数据的癫痫数据特征，所述癫痫数据特征包括非欧式特征，所述非欧式特征包括相邻节点间的连接信息；根据所述癫痫数据特征识别患者脑状态对应的发病时期，所述发病时期包括癫痫发作前期和癫痫发作间期。
-
公开(公告)号：CN117911844A
公开(公告)日：2024-04-19
申请号：CN202410319373.9
申请日：2024-03-20
Applicant: 中国科学院自动化研究所
IPC: G06V10/94 , G06V10/44 , G06V10/762 , G06N3/0455 , G06N3/08
Abstract: 本发明涉及计算机视觉技术领域，提供了一种多模态医学影像标注方法及装置，该方法包括：获取多模态医学影像数据，多模态医学影像数据包括多个成对样本；对多模态医学影像数据依次进行预处理和特征提取，得到第一高层表征，并根据多个成对样本之间的关联确定约束信息，关联包括多个成对样本之间的必连关系和不连关系；根据约束信息对第一高层表征进行迭代地细化与微调，得到第二高层表征；对第二高层表征进行聚类分析，得到多模态医学影像数据对应的伪标签信息，并根据伪标签信息对多模态医学影像数据进行标注和校准，得到新的多模态医学影像数据。本发明所述方法能够有效地泛化于弱标注应用场景，提高了图像标注的效率和准确率。
-
公开(公告)号：CN120087419A
公开(公告)日：2025-06-03
申请号：CN202510544956.6
申请日：2025-04-28
Applicant: 中国科学院自动化研究所
IPC: G06N3/0455 , G06N3/0499 , G06N5/04 , G06F40/284
Abstract: 本发明提供一种大型语言模型的分层混合结构化压缩方法及装置，涉及人工智能技术领域，包括：基于目标模型每层的重要程度，确定目标模型的每层压缩比；基于每层压缩比，对目标模型进行压缩，得到压缩后的模型；其中，对目标模型进行压缩，包括：对于当前处理层，计算当前处理层的每个权重在校准数据集上对应的输入激活值的二范数，得到特征范数；在当前处理层为多头注意力子层的情况下，基于当前处理层的特征范数和每层压缩比，对当前处理层进行加权低秩分解与差异化奇异值分配处理；在当前处理层为前馈网络子层的情况下，基于当前处理层的特征范数和每层压缩比，对当前处理层进行通道剪枝以及补偿处理。从而实现LLM的压缩率与性能平衡。
-
-
-
-
-
-
-
-
-
Search Results
26
records
(took 0.035 seconds)
