-
公开(公告)号：CN119606409A
公开(公告)日：2025-03-14
申请号：CN202411701787.4
申请日：2024-11-26
Applicant: 北京大学第三医院(北京大学第三临床医学院) , 北京航空航天大学
Abstract: 本发明实现了一种基于参数反应图和图像生成系统的肺部分析系统。由数据收集与管理模块、图像配准模块、可控图像生成模块、参数反应图分析模块以及病程发展评估模块构成：数据收集与管理模块与医院信息系统和CT图像收集设备对接；图像配准模块接受患者的双相CT扫描图像，得到配准后的双相CT图像；可控图像生成模块接受患者的单吸气相CT扫描图像作为输入生成配准后的呼气相CT扫描图像；参数反应图分析模块得到患者肺部器质性病变评估的多次参数反应图分析评估结果；病程发展评估模块预测患者肺功能情况。从而解决了使用参数反应图方法时存在的双相CT收集困难以及缺少对患者病程发展评估能力的问题。
-
公开(公告)号：CN109887611A
公开(公告)日：2019-06-14
申请号：CN201910113121.X
申请日：2019-02-13
Applicant: 北京大学第三医院(北京大学第三临床医学院) , 北京航空航天大学
Abstract: 本申请公开了一种医疗管理系统及移动终端，所述系统包括：患者管理单元，用于录入患者信息；分组管理单元，用于基于所述患者信息对患者进行分组，以及对患者的评估状态进行分析；筛选查询单元，用于基于至少一种查询条件对患者进行查询；统计分析单元，用于对患者进行患者信息统计和/或数理统计和/或智能统计；预警管理单元，用于为患者提供慢性病发展情况和/或就诊建议和/或用药建议和/或区域预报；消息管理单元，用于患者和医务工作者之间的实时沟通。
-
公开(公告)号：CN109817338A
公开(公告)日：2019-05-28
申请号：CN201910113117.3
申请日：2019-02-13
Applicant: 北京大学第三医院(北京大学第三临床医学院) , 北京航空航天大学
Abstract: 本发明提出一种慢性病加重风险评估与告警系统，包括预处理模块，核心指标特征抽取模块，多维时序数据特征抽取模块和特征融合与预警模块。所述预处理模块对医学数据进行全面的预处理得到核心指标数据的历史序列和多维特征的历史数据；所述核心指标特征抽取模块建立了所述核心指标数据的历史序列中相邻时间点的时间间隔与长期记忆传递之间的关联，得到第一组基准特征；所述多维时序数据特征抽取模块对所述多维时序数据进行抽取得到第二组基准特征；所述特征融合与预警模块将所述第一组基准特征和第二组基准特征进行融合，然后进行预警分析。
-
公开(公告)号：CN119694594A
公开(公告)日：2025-03-25
申请号：CN202411702224.7
申请日：2024-11-26
Applicant: 北京大学第三医院(北京大学第三临床医学院) , 北京航空航天大学
Abstract: 本发明提出基于云原生架构的对话导引式多源融合的慢阻肺管理系统，由患者本地端和云服务平台组成。其中，患者本地端包括物联网患者监测模块、自然语言对话模块、数据汇总传输模块；云服务平台由云数据库、对话导引式慢阻肺管理大模型ChatCOPD、多源数据模态转换与融合模块、患者基线情况评估模块、患者监测与评估模块。多源数据模态转换和融合模块包括序列—文本对比式预训练、序列数据文本转换方法以及基于所述ChatCOPD模型的多源文本融合与分析方法。所述管理系统实现了集成多种移动和家庭设备，实现多维度、多角度的数据收集和追踪，有助于提高对患者病情的管理水平，提高医生的工作效率，改善对慢阻肺患者的治疗效果以及患者的生活质量，并降低医疗成本的技术效果。
-
公开(公告)号：CN118428444A
公开(公告)日：2024-08-02
申请号：CN202410679202.7
申请日：2024-05-29
Applicant: 北京航空航天大学
IPC: G06N3/092 , G06N3/042 , G06N3/048 , G06F18/213
Abstract: 本发明公开了一种基于等变图神经网络的多智能体强化学习方法，属于多智能体强化学习领域；首先，搭建包括特征初始化模块和等变空间模块的等变图神经网络，作为智能体的决策网络；针对当前智能体i，建立与周围智能体间的邻接关系；然后，初始化该智能体的等变特征和不变特征；逐层进行不变特征的提取，更新智能体的不变特征并从中提取智能体的深层不变信息；其次进行等变特征的更新，提取深层几何信息并保持等变特性。同时设计了具有等变特性的激活函数以增强模型的表征能力。最后，输出动作为智能体的决策结果，将该智能体决策网络应用于演员评论家架构的算法中；本发明加快了收敛速度和收敛性能，促进解决复杂多变问题的效果的意义。
-
Patent Agency Ranking
公开(公告)号：CN116090545A
公开(公告)日：2023-05-09
申请号：CN202310095674.3
申请日：2023-01-18
Applicant: 北京航空航天大学
Abstract: 本发明通过网络安全领域的方法，实现了一种基于算子拟合的深度神经网络密态转换装置。包括输入单元、拟合的加法注意力机制、输出单元，拟合的加法注意力机制包括三个实现步骤：步骤一，基于加法注意力算法拟合原始注意力计算方式生成密态模型；步骤二，设计新的注意力矩阵，得到高性能的密态模型；步骤三，使用同态加密的请求数据在密态模型中实现高效推断，输出加密后的数据。本发明提供的方法能够实现：优化神经网络模型结构，减少资源消耗；密态神经网络的模型训练，将性能损失降到最低；形成神经网络密态转换统一流程，并提供同态加密请求数据使用密态模型获取推断结果的统一调用流程的效果。
-
公开(公告)号：CN113312450B
公开(公告)日：2022-05-31
申请号：CN202110589788.4
申请日：2021-05-28
Applicant: 北京航空航天大学
IPC: G06F16/33 , G06F21/60 , G06F40/126 , G06F40/44 , G06F40/58
Abstract: 本发明通过人工智能领域的方法，实现了一种防范文本流次序变换攻击的方法。方法三个步骤；基于EM算法学习随机化序列概率分布；生成随机化序列密钥；方法的训练与部署需要搭建包括pytorch与依赖库的运行环境。通过EM算法学习出抵御攻击的最佳序列概率分布，最后使得针对流次序攻击的对抗样本无法准确攻击次序编码，达到防范文本流次序攻击的效果。本发明方法具有抵御攻击的性能最佳，对于其他的文本攻击同样能够减弱其攻击强度的技术效果。
-
公开(公告)号：CN111199458A
公开(公告)日：2020-05-26
申请号：CN201911393658.2
申请日：2019-12-30
Applicant: 北京航空航天大学
Abstract: 本发明通过元学习、强化学习和数据挖掘领域的方法，实现了一种基于元学习与强化学习的推荐系统，定义和构建内部更新模块和元更新模块模型，并由上述两模块构成系统模型；系统模型训练过程为：对一次用户的特征数据输入产生推荐的策略，进而根据这个策略求出误差，然后通过内部更新过程中提到的优化方法来优化模型的参数得到下一步策略，根据设定的内部更新的步数得到最终的策略，最后通过输入用户对推荐内容的反馈而产生误差，然后对初始的模型进行求导，并进行更新得到新的模型。在模型训练完成之后，系统接受用户的特征数据，为该用户推荐推内容，并收集这之后用户对于这些内容的反馈。
-
公开(公告)号：CN110070099A
公开(公告)日：2019-07-30
申请号：CN201910125832.9
申请日：2019-02-20
Applicant: 北京航空航天大学
IPC: G06K9/62
Abstract: 一种基于强化学习的工业数据特征结构化方法，其特征在于，包括以下步骤：步骤1，建立工业数据特征结构化学习框架，初始定义工业数据特征结构化学习框架参数，所述工业数据特征结构化学习框架参数包括状态空间、行动空间和奖励；步骤2，特征结构化验证环境，接收决策器决策出的动作，据此构建特征结构，并对该特征结构予以验证；步骤3，特征结构化决策器：获取特征结构化验证环境的状态和奖励，据此决策出下一步的行动；步骤4，工业数据特征结构化学习框架：包含一个特征结构化验证环境和一个特征结构化决策器。
-
公开(公告)号：CN119691544A
公开(公告)日：2025-03-25
申请号：CN202411697397.4
申请日：2024-11-26
Applicant: 北京航空航天大学
IPC: G06F18/241 , G06F18/15 , G06N3/045 , G06F123/02
Abstract: 本公开提供一种基于时空扩散生成网络的事件序列预测方法。包括两个部分：事件序列的时空特征提取和去噪扩散模块；事件序列的时空特征提取包含事件空间关联建模模块、事件空间关联嵌入模块和事件时间关联学习与嵌入模块三个模块；去噪扩散模块接收时空特征提取模块生成的序列时间编码信息和空间编码信息，采用去噪扩散模型预测事件发生的时间和空间信息，并通过反向去噪步骤使用去噪网络联合学习时空编码特征，分别得到时间和空间注意力输出，并通过迭代计算的方法多次得到去噪结果，最终生成时空预测结果。本方案根据序列的空间特征自适应生成序列事件之间的结构关系和空间表征信息，对不同空间分布数据都有较好学习效果。
-
-
-
-
-
-
-
-
-
Search Results
52
records
(took 0.039 seconds)
