-
公开(公告)号：CN105957340B
公开(公告)日：2019-08-13
申请号：CN201610270917.2
申请日：2016-04-27
Applicant: 电子科技大学 , 电子科技大学成都研究院
Abstract: 本发明公开了一种基于自适应虚拟线圈的交通监控方法，属于智能交通领域。本发明主要包括：确定基准监控位置以及云台摄像机所能旋转的最大角度范围；自动标定云台摄像机；在摄像机视场中自适应设置虚拟检测区域；统计所设定的虚拟检测区域的交通流信息。本发明利用云台摄像机对道路交通场景的指定区域进行多角度实时监控，避免了摄像机场景切换时人工标记虚拟检测区域所带来额外工作，提高了摄像机的监控效率。
-
公开(公告)号：CN105957340A
公开(公告)日：2016-09-21
申请号：CN201610270917.2
申请日：2016-04-27
Applicant: 电子科技大学 , 电子科技大学成都研究院
Abstract: 本发明公开了一种基于自适应虚拟线圈的交通监控方法，属于智能交通领域。本发明主要包括：确定基准监控位置以及云台摄像机所能旋转的最大角度范围；自动标定云台摄像机；在摄像机视场中自适应设置虚拟检测区域；统计所设定的虚拟检测区域的交通流信息。本发明利用云台摄像机对道路交通场景的指定区域进行多角度实时监控，避免了摄像机场景切换时人工标记虚拟检测区域所带来额外工作，提高了摄像机的监控效率。
-
公开(公告)号：CN110010248B
公开(公告)日：2023-01-10
申请号：CN201910306367.9
申请日：2019-04-17
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于代价敏感集成学习模型的再入院风险预测方法；具体步骤包括：1)、获取医疗和外部环境数据信息，构建多源高维特征矩阵；2)、基于自动编码器的高维特征矩阵非线性压缩表示；3)、构建以代价敏感支持向量机为弱学习器的集成学习模型；4)、预测集经过步骤1、步骤2特征处理，输入训练模型，得到再入院风险预测结果。本发明针对患者人口学信息、既往住院史、家族史以及外部环境特征，构建多源高维特征矩阵，提取更多有助于全面反映患者健康状况的特征信息；基于自动编码器的高维特征矩阵非线性压缩表示，实现对稀疏特征的降维；针对样本不均衡问题，构建以代价敏感支持向量机为弱学习器的集成学习模型，提高再入院风险识别精度。
-
Patent Agency Ranking
公开(公告)号：CN112086187B
公开(公告)日：2022-04-19
申请号：CN202010971130.5
申请日：2020-09-16
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于复杂网络的疾病进展路径挖掘方法，基于临床诊疗数据、基因疾病关联数据和通路疾病关联数据，构建有向表型疾病网络、基于基因的疾病关联网络和基于通路的疾病关联网络，并对节点间的边权值加权求和得到有向的复杂疾病网络；基于病死率对复杂疾病网络进行分类，得到源疾病群和目标疾病群；采用双向最大平均权值路径算法，搜索源疾病到目标疾病的疾病进展路径；最后，计算疾病进展得分，量化疾病进展路径的相对重要性。本发明通过挖掘疾病发展路径，量化疾病进展路径相对重要性，找到存在显著统计学关系的疾病进展轨迹，为疾病预防提供支撑，从而对预防低死亡风险疾病发展成高死亡风险疾病的研究具有重要意义。
-
公开(公告)号：CN110347837A
公开(公告)日：2019-10-18
申请号：CN201910643706.2
申请日：2019-07-17
Abstract: 本发明提供了一种心血管疾病非计划再住院风险预测方法，基于与患者健康相关的结构化数据以及非结构化数据构成的多源异构医疗健康数据，应用基于深度神经网络的多模型集成算法,构建非计划再住院风险预测模型。本发明可以准确分析外部环境变化对患者非计划再住院的影响，同时应用文本挖掘技术提取非结构化数据的关键信息，全面挖掘患者健康影响因子。本发明解决了现有技术中缺乏外部环境变化对患者健康的影响分析、非结构化数据信息挖掘不足以及非平衡分类样本预测准确率较低的问题，提升了心血管疾病患者非计划再住院的预测准确性。
-
公开(公告)号：CN110010248A
公开(公告)日：2019-07-12
申请号：CN201910306367.9
申请日：2019-04-17
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于代价敏感集成学习模型的再入院风险预测方法；具体步骤包括：1)、获取医疗和外部环境数据信息，构建多源高维特征矩阵；2)、基于自动编码器的高维特征矩阵非线性压缩表示；3)、构建以代价敏感支持向量机为弱学习器的集成学习模型；4)、预测集经过步骤1、步骤2特征处理，输入训练模型，得到再入院风险预测结果。本发明针对患者人口学信息、既往住院史、家族史以及外部环境特征，构建多源高维特征矩阵，提取更多有助于全面反映患者健康状况的特征信息；基于自动编码器的高维特征矩阵非线性压缩表示，实现对稀疏特征的降维；针对样本不均衡问题，构建以代价敏感支持向量机为弱学习器的集成学习模型，提高再入院风险识别精度。
-
公开(公告)号：CN112086187A
公开(公告)日：2020-12-15
申请号：CN202010971130.5
申请日：2020-09-16
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于复杂网络的疾病进展路径挖掘方法，基于临床诊疗数据、基因疾病关联数据和通路疾病关联数据，构建有向表型疾病网络、基于基因的疾病关联网络和基于通路的疾病关联网络，并对节点间的边权值加权求和得到有向的复杂疾病网络；基于病死率对复杂疾病网络进行分类，得到源疾病群和目标疾病群；采用双向最大平均权值路径算法，搜索源疾病到目标疾病的疾病进展路径；最后，计算疾病进展得分，量化疾病进展路径的相对重要性。本发明通过挖掘疾病发展路径，量化疾病进展路径相对重要性，找到存在显著统计学关系的疾病进展轨迹，为疾病预防提供支撑，从而对预防低死亡风险疾病发展成高死亡风险疾病的研究具有重要意义。
-
公开(公告)号：CN110347837B
公开(公告)日：2022-02-18
申请号：CN201910643706.2
申请日：2019-07-17
Abstract: 本发明提供了一种心血管疾病非计划再住院风险预测方法，基于与患者健康相关的结构化数据以及非结构化数据构成的多源异构医疗健康数据，应用基于深度神经网络的多模型集成算法,构建非计划再住院风险预测模型。本发明可以准确分析外部环境变化对患者非计划再住院的影响，同时应用文本挖掘技术提取非结构化数据的关键信息，全面挖掘患者健康影响因子。本发明解决了现有技术中缺乏外部环境变化对患者健康的影响分析、非结构化数据信息挖掘不足以及非平衡分类样本预测准确率较低的问题，提升了心血管疾病患者非计划再住院的预测准确性。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.021 seconds)
