公开(公告)号：CN110010246A

公开(公告)日：2019-07-12

申请号：CN201910301611.2

申请日：2019-04-16

Applicant: 湖南大学

Inventor： 王森林 ,  周军海 ,  秦拯

IPC: G16H50/20

Abstract: 本发明提出了一种基于神经网络和置信区间的疾病智能诊断技术。首先，对训练样本进行预处理及归一化操作，其次是用主成分分析(PCA)来减小维数以获得最优特征，然后使用BP神经网络来训练特征以获得诊断模型。在利用诊断模型对预测样本进行预测前，我们首先获得训练样本输出值分布的置信区间，然后根据预测值所属的置信区间确定最终预测结果，本发明将BP神经网络算法与置信区间结合起来，相较于传统的检测算法，可显著提高恶性肿瘤的检测率，且误检率低。

公开(公告)号：CN114974578A

公开(公告)日：2022-08-30

申请号：CN202210376269.4

申请日：2022-04-08

Applicant: 湖南湖大华龙电气与信息技术有限公司 ,  湖南大学 ,  湖南智龙物联网技术有限公司

Inventor： 尹骏刚 ,  郑璠 ,  王森林 ,  张小刚 ,  王勋

IPC: G16H50/30 ,  G16H50/70 ,  G06N3/08

Abstract: 早期识别低血糖发生高危人群对于预防和干预其发生具有重要的临床意义。本发明公开了一种基于改进无监督学习神经网络模型的糖尿病术中低血糖发生风险预测方法、系统及存储介质，包括如下步骤：获取患者各类数据作为预测模型训练数据；对所采集数据进行预处理；利用非线性转换公式对预处理后数据进行转换；将非线性转换后数据导入稀疏编码器进行训练；利用逆转换公式对稀疏编码器输出数据进行逆转换；通过逆转换后数据智能分析，获得糖尿病术中低血糖发生风险预测结果。针对传统预测模型无法纳入非线性多分类复杂因素、基于浅层神经网络的预测模型准确率低的问题，本发明提出了将样本输入与样本标签合并的无监督学习方法，提供了神经网络预测算法模型、系统和存储介质，显著提高了糖尿病患者术中低血糖发生风险预测的准确率。

公开(公告)号：CN109389573A

公开(公告)日：2019-02-26

申请号：CN201811153104.0

申请日：2018-09-30

Applicant: 湖南大学

Inventor： 周军海 ,  王森林 ,  秦拯

IPC: G06T5/50

Abstract: 本发明提出了一种基于四叉树分解的多聚焦图像融合的方法。首先对源图像进行四叉树分解，得到源图像的最优块，然后对分解后的每一块进行聚焦区域检测，得到初始的聚焦融合决策图，最后根据决策图得到最终的融合图像。该发明能够在一定程度上克服传统的融合方法容易出现的图像模糊和细节丢失的缺点，对多聚焦图像融合的发展起到了一定的推动作用。