-
公开(公告)号：CN112201340A
公开(公告)日：2021-01-08
申请号：CN202010678145.2
申请日：2020-07-15
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于贝叶斯网络过滤的心电图病症确定方法，属于心电图病症诊断领域。该发明在已训练好的基分类器的基础上，采用两层结构确定最终病症标签：第一层构建投票器对基分类器的结果进行筛选，产生锚点病症集和候选病症集；第二层采用基于BDe评分的爬山法构建贝叶斯网络，贝叶斯网络对锚点病症集和候选病症集进行过滤，确定最终预测病症集。该方法特点:(1)充分利用了病症标签间的依赖关系，提高了模型的泛化能力；(2)通过两层过滤处理能够纠正基分类器的预测结果，提高模型预测的准确度；(3)由于构建贝叶斯网络使用的因果关系是一种强关联性，因此模型具有稳定性的特点，不会因为数据分布不同而表现出太大差异。
-
Patent Agency Ranking
公开(公告)号：CN114159069B
公开(公告)日：2024-07-12
申请号：CN202111524168.9
申请日：2021-12-14
Applicant: 南京邮电大学
IPC: A61B5/318 , A61B5/00 , G06N3/045 , G06N3/0464 , G06N3/0475 , G06N3/094 , G06N3/084 , G06N3/0985
Abstract: 本发明公开了医学和计算机科学技术领域的基于空间注意力的生成对抗网络心拍信号生成系统及方法，包括：获取噪声信号；将噪声信号输入生成模型进行转置卷积后，输出模拟心拍信号；所述生成模型为经过判别模型对抗训练后的生成模型，所述判别模型对抗训练包括：获取随机噪声信号和真实心拍信号；将随机噪声信号输入所述生成模型，得到模拟心拍信号样本；将真实心拍信号和模拟心拍信号样本作为训练样本，对所述判别模型进行训练更新；固定更新后的判别模型，对所述生成模型进行训练更新，得到经过判别模型对抗训练后的生成模型。本发明通过判别模型对生成模型进行对抗训练，使得生成模型输出逼近真实心拍信号的模拟心拍信号。
-
公开(公告)号：CN112819063A
公开(公告)日：2021-05-18
申请号：CN202110117456.6
申请日：2021-01-28
Applicant: 南京邮电大学
Abstract: 本专利公开了一种基于改进的Focal损失函数的图像识别方法，在已有的Focal损失函数的基础上，对Focal损失函数的调制因子进行改进，使函数对困难样本的关注度更高，对简单样本的关注度相对下降；然后，在基于Focal损失函数的卷积神经网络模型的基础上，对剩余负样本集进行预测，筛选所有困难样本，并分成N等份，分别加入原训练集，形成N个新训练集，之后训练多个模型，根据N个模型的投票选择，确定最终预测图片标签的结果。本发明在原有的Focal损失函数的基础上，对困难样本的关注度更高，提高了模型泛化能力；在负样本过多的情形下，利用原有模型筛选出困难样本加入训练集，既提高了模型的准确性，又充分利用了可用样本，也减少了训练模型时的计算量。
-
公开(公告)号：CN112201340B
公开(公告)日：2022-08-26
申请号：CN202010678145.2
申请日：2020-07-15
Applicant: 南京邮电大学
IPC: G16H50/20 , G06V10/764 , G06V10/84
Abstract: 本发明公开了一种基于贝叶斯网络过滤的心电图病症确定方法，属于心电图病症诊断领域。该发明在已训练好的基分类器的基础上，采用两层结构确定最终病症标签：第一层构建投票器对基分类器的结果进行筛选，产生锚点病症集和候选病症集；第二层采用基于BDe评分的爬山法构建贝叶斯网络，贝叶斯网络对锚点病症集和候选病症集进行过滤，确定最终预测病症集。该方法特点:(1)充分利用了病症标签间的依赖关系，提高了模型的泛化能力；(2)通过两层过滤处理能够纠正基分类器的预测结果，提高模型预测的准确度；(3)由于构建贝叶斯网络使用的因果关系是一种强关联性，因此模型具有稳定性的特点，不会因为数据分布不同而表现出太大差异。
-
公开(公告)号：CN112819063B
公开(公告)日：2022-07-26
申请号：CN202110117456.6
申请日：2021-01-28
Applicant: 南京邮电大学
IPC: G06V10/764 , G06K9/62 , G06V10/774 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本专利公开了一种基于改进的Focal损失函数的图像识别方法，在已有的Focal损失函数的基础上，对Focal损失函数的调制因子进行改进，使函数对困难样本的关注度更高，对简单样本的关注度相对下降；然后，在基于Focal损失函数的卷积神经网络模型的基础上，对剩余负样本集进行预测，筛选所有困难样本，并分成N等份，分别加入原训练集，形成N个新训练集，之后训练多个模型，根据N个模型的投票选择，确定最终预测图片标签的结果。本发明在原有的Focal损失函数的基础上，对困难样本的关注度更高，提高了模型泛化能力；在负样本过多的情形下，利用原有模型筛选出困难样本加入训练集，既提高了模型的准确性，又充分利用了可用样本，也减少了训练模型时的计算量。
-
公开(公告)号：CN114159069A
公开(公告)日：2022-03-11
申请号：CN202111524168.9
申请日：2021-12-14
Applicant: 南京邮电大学
Abstract: 本发明公开了医学和计算机科学技术领域的基于空间注意力的生成对抗网络心拍信号生成系统及方法，包括：获取噪声信号；将噪声信号输入生成模型进行转置卷积后，输出模拟心拍信号；所述生成模型为经过判别模型对抗训练后的生成模型，所述判别模型对抗训练包括：获取随机噪声信号和真实心拍信号；将随机噪声信号输入所述生成模型，得到模拟心拍信号样本；将真实心拍信号和模拟心拍信号样本作为训练样本，对所述判别模型进行训练更新；固定更新后的判别模型，对所述生成模型进行训练更新，得到经过判别模型对抗训练后的生成模型。本发明通过判别模型对生成模型进行对抗训练，使得生成模型输出逼近真实心拍信号的模拟心拍信号。
-
-
-
-
-
Search Results
6
records
(took 0.016 seconds)
