期刊文献+
共找到4篇文章
< 1 >
每页显示 20 50 100
融合异构信息的自动国际疾病分类编码方法
1
作者 张全梅 黄润萍 +2 位作者 滕飞 张海波 周南 《计算机应用》 CSCD 北大核心 2024年第8期2476-2482,共7页
针对自动国际疾病分类(ICD)编码中医学电子健康记录(EHR)的结构多样性以及编码间复杂的关联关系等特点,提出一种融合异构信息的自动ICD编码方法AIC-HI(Automatic ICD Coding integrating Heterogeneous Information)。首先,针对编码任... 针对自动国际疾病分类(ICD)编码中医学电子健康记录(EHR)的结构多样性以及编码间复杂的关联关系等特点,提出一种融合异构信息的自动ICD编码方法AIC-HI(Automatic ICD Coding integrating Heterogeneous Information)。首先,针对编码任务中结构化编码、半结构化描述、非结构化医学文本这3种异构数据的不同特性设计了多种特征提取器;其次,构建编码知识图谱拟合编码的层次结构关系,将不同分支间关联关系转化为包含头尾编码的三元组;再次,运用表征学习融合编码和描述信息计算标签特征;最后,通过注意力机制提取在非结构化文档中与编码标签最为相关的特征表示。实验结果表明,与次优的基线模型MARN(Multitask bAlanced and Recalibrated Network)相比,AIC-HI在真实临床数据集MIMIC-Ⅲ上所有编码的微观F1值提升了4.3个百分点。 展开更多
关键词 医学代码预测 自动国际疾病分类编码 层次结构 异构信息 自然语言处理
在线阅读 下载PDF
基于边界轮廓的区域生长算法在RBC提取中的应用
2
作者 王瑞胡 Brendan McCane 尹章群 《计算机应用》 CSCD 北大核心 2008年第3期785-786,789,共3页
提出一种基于边界轮廓的区域生长算法提取各个细胞的图像,并运用阴影恢复技术进一步得到每个细胞的三维高度场数据,这些三维数据可用于计算细胞表面曲率。整个提取算法分为三个步骤:轮廓跟踪、区域生长、基于SEM成像条件的三维形状重建... 提出一种基于边界轮廓的区域生长算法提取各个细胞的图像,并运用阴影恢复技术进一步得到每个细胞的三维高度场数据,这些三维数据可用于计算细胞表面曲率。整个提取算法分为三个步骤:轮廓跟踪、区域生长、基于SEM成像条件的三维形状重建。考虑到重叠细胞的统计特征,只需提取处在最上层的细胞。实验结果表明,该方法具有很强的可行性和实用性。 展开更多
关键词 边界轮廓 区域生长 细胞提取 阴影恢复.
在线阅读 下载PDF
数据驱动的高速铁路轮轨作用力反演模型 被引量:7
3
作者 罗金屯 滕飞 +2 位作者 周亚波 池茂儒 张海波 《南京大学学报(自然科学版)》 CAS CSCD 北大核心 2021年第2期299-308,共10页
轮轨作用力是列车对轨道状态的激励响应,是列车安全监控的重要信息指标,对保证列车的行车安全意义重大.现有的轮轨力采集设备存在容易磨损、使用周期短等问题,导致数据采集困难,使用成本高昂;而列车的振动信号数据则更容易采集,利用振... 轮轨作用力是列车对轨道状态的激励响应,是列车安全监控的重要信息指标,对保证列车的行车安全意义重大.现有的轮轨力采集设备存在容易磨损、使用周期短等问题,导致数据采集困难,使用成本高昂;而列车的振动信号数据则更容易采集,利用振动信号来反演轮轨力一直是相关研究的热点和重点.但常见的轮轨力反演方法大多基于模型驱动,识别精度低,且辨析条件较为苛刻,难以真正应用于工程实践.结合振动信号和轮轨力的数据特性,提出一种数据驱动的轮轨力反演模型.经过实验验证,在直线轨道工况下,相关系数可达0.9911,而目前传统模型最好结果仅为0.82;在传统模型较难处理的曲线轨道工况下,相关系数也能达到0.9754,与动力学仿真结果高度拟合,为列车轮轨力的安全监测提供了一种新的方案. 展开更多
关键词 轮轨力反演 数据驱动 深度学习 振动信号
在线阅读 下载PDF
基于RGCN的阻塞性睡眠呼吸暂停预测研究 被引量:1
4
作者 张恩铭 袁玥 +2 位作者 滕飞 姚远 张海波 《郑州大学学报(理学版)》 CAS 北大核心 2023年第6期71-76,共6页
阻塞性睡眠呼吸暂停(obstructive sleep apnea,OSA)预测对于睡眠健康预警至关重要。然而传统方法往往忽略各生理信号的空间和时间依赖性。提出一种基于循环图卷积网络(recurrent graph convolutional network,RGCN)的深度学习框架来挖... 阻塞性睡眠呼吸暂停(obstructive sleep apnea,OSA)预测对于睡眠健康预警至关重要。然而传统方法往往忽略各生理信号的空间和时间依赖性。提出一种基于循环图卷积网络(recurrent graph convolutional network,RGCN)的深度学习框架来挖掘呼吸生理信号间的时空特征。此方法利用图结构对呼吸生理信号数据的关联性进行建模。第一阶段构造了时空循环卷积块,利用图卷积和循环卷积对信号的空间特征和时间特征进行提取,对睡眠呼吸信号进行预测。第二阶段基于卷积操作对预测后的呼吸信号进行OSA事件分类。实验结果表明,RGCN模型捕获了呼吸信号的时空相关性,呼吸信号预测最低MAE和RMSE分别达到1.0613和2.9941,利用预测的呼吸信号进行OSA事件预测的F1达到了89.7%,与其他方法相比效果有明显提升。 展开更多
关键词 阻塞性睡眠呼吸暂停预测 呼吸生理信号 循环图卷积 深度学习
在线阅读 下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部