CN107742151A - 一种中医脉象的神经网络模型训练方法 - Google Patents
一种中医脉象的神经网络模型训练方法 Download PDFInfo
- Publication number
- CN107742151A CN107742151A CN201710764743.XA CN201710764743A CN107742151A CN 107742151 A CN107742151 A CN 107742151A CN 201710764743 A CN201710764743 A CN 201710764743A CN 107742151 A CN107742151 A CN 107742151A
- Authority
- CN
- China
- Prior art keywords
- network model
- neural network
- data
- chinese medicine
- layer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Neurology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明涉及中医脉象和人工智能领域,具体的说是一种中医脉象的神经网络模型训练方法。本发明包括以下步骤:通过传感器采集脉象信号的三种谱图:功率谱、倒谱和传递函数谱;根据谱图得到特征向量组data,并对特征向量组data进行归一化;将脉象信号进行分类,根据脉象种类的不同得到标签向量cbit,由此得到训练样本为Y=(cbit,data),其中cbit为目标输出,data作为神经网络的输入;建立神经网络模型,所述神经网络模型包括输入层、隐藏层和输出层;对神经网络进行训练。本发明基于神经网络,神经网络具有自适应的能力,对输入数据进行训练,更新权值和神经元数量,得到的神经网络模型可用于中医脉象的辅助诊断。
Description
技术领域
本发明涉及中医脉象和人工智能领域,具体的说是一种中医脉象的神经网络模型训练方法。
背景技术
脉诊是我国最早创用的独特诊断疾病的方法,中医脉诊最晚可追溯到公元前七世纪,经历代医学家的反复临床实践与不断研究,已使之发展成为一门诊断科学——脉象学。虽说居“四诊”(望、闻、问、切)之末,但应当说是最重要的。因为从诊察方法上讲,它是唯一直接接触到病人身体的技术。从起源发展上讲,它与中医学的历史一样悠久。脉诊是中医“整体性”、“动态性”和“辨证论治”精髓的体现与应用,所有中医书籍,无一不以脉诊为主要辨证依据。
但是,脉象信号的生物医学信号是一种相当复杂的信号,其主要特点是随机性强、背景噪声强等。脉象反映的是人体生物信息包含有人体自身在生命运动过程中产生的生理、生化信息,也有人体受到外界环境刺激所产生的信息,因而其重复性差,具有整体性和可调性,非线性等特点。中医理论体系是建立在古代朴素的辩证法之上的,长期以来未能从经验医学中解脱出来,中医切脉凭经验和手指感觉,带有个人主观臆断因素,据说至少要五到八年的临床实践才有可能掌握这种诊法。因此,中医脉象的客观化、数字化及计算机识别研究十分重要和迫切。
由于脉象是一个多维信息,其特征不仅表现在时域波形上,而且还表现在频域的能量分布、频谱形状等多种谱图特征上,过去仅仅根据时域特征参数、采用传统识别方法识别的正确率较低。人工神经网络技术自从80年代复苏以来,便以其良好的并行性、容错性及模式分类能力迅速进入医疗诊断领域。
发明内容
针对现有技术中存在的上述不足之处,本发明要解决的技术问题是提供一种中医脉象的神经网络模型训练方法。
本发明为实现上述目的所采用的技术方案是:一种中医脉象的神经网络模型训练方法,包括以下步骤:
步骤1,通过传感器采集脉象信号的三种谱图:功率谱、倒谱和传递函数谱;
步骤2,根据谱图得到特征向量组data,并对特征向量组data进行归一化;将采集到的脉象信号进行分类,根据脉象种类的不同得到标签向量cbit,由此得到训练样本为Y=(cbit,data),其中cbit为目标输出,data作为神经网络的输入;
步骤3,建立神经网络模型,所述神经网络模型包括输入层、隐藏层和输出层;
步骤4,对神经网络进行训练:首先对神经网络模型进行初始化;然后将特征向量组data送进神经网络模型,结合权值矩阵和偏置矩阵进行计算;通过反向传播控制算法,在当不满足预设准确度要求时,调整隐藏层的个数与网络权值,直到满足准确度要求;保存神经网络参数,包括循环神经网络模型、输入神经元个数与网络权值,训练结束。
所述对特征向量组data进行归一化,具体为:
对特征向量组data内的数据进行线性变换,即通过转换函数使结果映射到[0,1]区间,其中max为样本数据的最大值,min为样本数据最小值,,为归一化后的data。
所述特征向量组data由倒谱、功率谱、传递函数谱的特征系数组成。
所述对步骤1-2进行多次重复操作,构造若干个训练样本。
所述神经网络模型的输入层神经元的个数为脉象信号的特征向量组维度。
所述神经网络模型的隐藏层结构为人工神经网络模型。
所述神经网络模型的输出层神经元个数为脉象信号的标签向量维度。
所述结合权值矩阵和偏置矩阵进行计算,具体为:
将权值、偏置数据载入到神经运算单元,对于隐藏层某一个神经元Hx,x=1,2,3....j,输出可表示为Hx=WxI+Bx,对于输出层神经元Oy,y=1,2,3...i,输出可表示为其中Wx为输入层与隐藏层之间权值,Bx为输入层与隐藏层之间偏置,I是输入层神经元的输出,Vxy为隐藏层与输出层之间神经元权值,By为隐藏层与输出层之间神经元偏置,i为隐层神经元个数,j为输出层神经元个数;
将神经运算单元的结果Hx载入到激活函数模块sigmoid函数Hx=f(WxI+Bx);将神经运算单元的结果Oy载入到激活函数模块线性函数
所述调整隐藏层的个数与网络权值通过神经网络反向传播控制算法进行调整。
本发明具有以下优点及有益效果:
1、本发明基于神经网络,神经网络具有自适应的能力,对输入数据进行训练,更新权值和神经元数量,得到的神经网络模型可用于中医脉象的辅助诊断。
2、本发明神经网络模块可以用各种不同的神经网络算法实现。
附图说明
图1为本发明的方法流程图;
图2为LSTM神经网络的时序展开图;
图3为LSTM神经网络的模型示意图。
具体实施方式
下面结合附图及实施例对本发明做进一步的详细说明。
如图1所示,本发明包括以下步骤:
1.采集多组脉象信息:通过传感器模块采集各种脉象的谱图信息。
2.对采集的脉象信息进行分类标注,形成训练数据。
神经网络对脉象的输出标签向量如表1所示,每一个标签向量对应相应的脉象,在这里,我们只选取十种常见的脉象。将脉象信号进行分类,根据脉象种类的不同得到标签向量cbit。
表1神经网络训练的标签向量
从脉象信号的三种谱图分析所获得9组特征向量,作为神经网络的输入信号,9个特征向量分别为:x1为功率谱的基频,x2为功率谱谐波个数,x3为某特定频段的能量与采样全频段信号之间的谱能比,x4为倒谱零分量,x5为第一倒谐波的幅值与倒谱零分量之比,x6为倒谐波特征,x7为传递函数的共振峰个数,x8为共振峰平均间距,x9为相关系数。对特征向量进行归一化,得到关于脉象信号的特征向量data。归一化又称为离差标准化,是对原始数据进行线性变换,使结果隐射到[0,1]区间,通过转换函数可以使结果映射到[0,1]区间,其中max为样本数据的最大值,min为样本数据最小值。
由此得到训练数据Y=(cbit,data),data作为神经网络的输入值,标签向量cbit作为神经网络的目标值。
3.建立神经网络模型:
神经网络模型包含输入层,隐藏层,输出层,如图2所示,输入神经元个数为9个,包括脉象信号相关的九个特征向量,输出神经元个数为10个,包含常见的10组常见脉象。
4.训练神经网络模型:
对神经网络模型进行训练。首先对神经网络模型进行初始化,初始化权值和偏置矩阵。然后将data送进神经网络模型,结合权值矩阵和偏置矩阵进行计算。通过反向传播控制算法(例如但不限于梯度下降算法),在当不满足预设准确度要求时,可以自动调整隐藏层的个数与网络权值,直到满足准确度要求,保存循环神经网络参数,包括循环神经网络模型、输入神经元个数与网络权值,训练结束。
神经网络模型可以处理与之前状态有关的数据,可以利用包含脉象信息的训练数据集对神经网络进行训练,首先将训练数据输入到神经网络模块,神经网络模块会产生网络输出,通过反向传播控制算法,可以自动调整隐藏层的个数与网络权值,直到满足准确度要求,训练结束。
利用包含脉象信息的训练数据集对神经网络进行训练,通过训练好的神经网络,对包含患者脉象信息的特征向量data进行响应,可以得到正确的标签向量,常见的神经网络算法有全连接神经网络也叫前馈神经网络(FNN),除此之外还有卷积神经网络(CNN),和循环神经网络(RNN),CNN是一种前馈神经网络,RNN引入了定向循环,可以处理那些输入之间前后关联的问题。普通的RNN对于时序长短依赖具有不确定性,而长短时记忆模型(LSTM)可以很好的解决这个问题。
神经网络模型的工作状态分为训练模式和推理模式。当为训练模式时,将脉象的特征向量组及所对应的目标值输入神经网络模型,目标值用来检测神经网络是否训练出有效结果。
采用长短时记忆(LSTM,Long Short Term Memory)神经网络,给出本发明的一种脉象诊断方法的具体实施实例。需要说明的是,该实施例只是为了解释本发明,并不是对本发明的限制,本发明中的人工神经网络可以是其他形式的模型。
LSTM通过门(gate)的结构来控制单元(cell)的状态,并且向其中删减或者增加信息,门由一个sigmoid网络层与一个按位乘操作构成。一个cell当中被放置了三扇门,分别叫做输入门、遗忘门和输出门。一个信息进入LSTM的网络当中,可以根据规则来判断是否有用。只有符合算法认证的信息才会留下,不符的信息则通过遗忘门被遗忘。LSTM单元的具体公式如下
ft=σ(Wf·[ht-1,xt]+bf)
it=σ(Wi·[ht-1,xt]+bi)
ot=σ(Wo·[ht-1,xt]+bo)
ht=ot*tanh(Ct)
其中,σ为sigmoid函数,i、f、o、c、h分别表示输入门、遗忘门、输出门、单元向量激活、隐藏层单元的门限概率值。Wf、Wi、WC、Wo分别表示遗忘门、输入门、单元激活向量、输出门的权值矩阵。bf、bi、bC、bo分别为遗忘门、输入门、单元激活向量、输出门的偏置矩阵。t作为下标表示时间,tanh为激活函数。
本实例流程如图3所示。
本发明的基于LSTM神经网络的脉象诊断方法由以下几个步骤实现:
1.通过传感器模块采集到关于脉象信号的三种谱图:功率谱、倒谱和传递函数谱。
2.从脉象信号的三种谱图分析所获得9组特征向量,作为神经网络的输入信号,9个特征向量分别为:x1为功率谱的基频,x2为功率谱谐波个数,x3为某特定频段的能量与采样全频段信号之间的谱能比,x4为倒谱零分量,x5为第一倒谐波的幅值与倒谱零分量之比,x6为倒谐波特征,x7为传递函数的共振峰个数,x8为共振峰平均间距,x9为相关系数。
3.根据脉象信号的谱图得到关于脉象信号的特征向量组data=(x1,x2,x3,x4,x5,x6,x7,x8,x9),并且对特征向量组进行归一化。将脉象信号进行分类,根据脉象种类的不同得到标签向量cbit。由此得到训练样本为Y=(cbit,data)。其中标签向量cbit为目标值,特征向量组data作为神经网络的输入。
4.重复上述过程,构造数据量足够大训练样本和测试样本。
5.按照反向传播算法训练的神经网络模型,该模型分为输入层,隐藏层,输出层,如图3所示,输入神经元个数为9个,包括脉象信号相关的九个特征向量,输出神经元个数为10个,包含常见的10组常见脉象。隐藏层为LSTM结构的神经元,预测过程中的变量定义为:LSTM cell中的权值Wf Wi WC Wo以及偏置矩阵bf bi bC bo,输入神经元到隐藏层的权值W_I,隐藏层到输出神经元的权值W_O,输出层的偏置矩阵Bias_O。
6.对LSTM神经网络进行训练。首先对神经网络模型进行初始化,初始化权值和偏置矩阵。然后将data送进神经网络模型,结合权值矩阵和偏置矩阵进行计算。通过反向传播控制算法,在当不满足预设准确度要求时,可以自动调整隐藏层的个数与网络权值,直到满足准确度要求,保存神经网络参数,包括循环神经网络模型、输入神经元个数与网络权值,训练结束。
7.根据上一阶段训练好的神经网络模型,对包含患者脉象信息的特征向量data进行响应,得到输出的标签向量组。对神经网络模块输出的标签向量,对应相应的脉象分类,可以得到最终的脉象诊断结果。
本实施例可以用于快速脉象诊断,神经网络模块可以由不同的神经网络算法实现。
Claims (9)
1.一种中医脉象的神经网络模型训练方法,其特征在于,包括以下步骤:
步骤1,通过传感器采集脉象信号的三种谱图:功率谱、倒谱和传递函数谱;
步骤2,根据谱图得到特征向量组data,并对特征向量组data进行归一化;将采集到的脉象信号进行分类,根据脉象种类的不同得到标签向量cbit,由此得到训练样本为Y=(cbit,data),其中cbit为目标输出,data作为神经网络的输入;
步骤3,建立神经网络模型,所述神经网络模型包括输入层、隐藏层和输出层;
步骤4,对神经网络进行训练:首先对神经网络模型进行初始化;然后将特征向量组data送进神经网络模型,结合权值矩阵和偏置矩阵进行计算;通过反向传播控制算法,在当不满足预设准确度要求时,调整隐藏层的个数与网络权值,直到满足准确度要求;保存神经网络参数,包括循环神经网络模型、输入神经元个数与网络权值,训练结束。
2.根据权利要求1所述的一种中医脉象的神经网络模型训练方法,其特征在于,所述对特征向量组data进行归一化,具体为:
对特征向量组data内的数据进行线性变换,即通过转换函数使结果映射到[0,1]区间,其中max为样本数据的最大值,min为样本数据最小值,为归一化后的data。
3.根据权利要求1所述的一种中医脉象的神经网络模型训练方法,其特征在于,所述特征向量组data由倒谱、功率谱、传递函数谱的特征系数组成。
4.根据权利要求1所述的一种中医脉象的神经网络模型训练方法,其特征在于,所述对步骤1-2进行多次重复操作,构造若干个训练样本。
5.根据权利要求1所述的一种中医脉象的神经网络模型训练方法,其特征在于,所述神经网络模型的输入层神经元的个数为脉象信号的特征向量组维度。
6.根据权利要求1所述的一种中医脉象的神经网络模型训练方法,其特征在于,所述神经网络模型的隐藏层结构为人工神经网络模型。
7.根据权利要求1所述的一种中医脉象的神经网络模型训练方法,其特征在于,所述神经网络模型的输出层神经元个数为脉象信号的标签向量维度。
8.根据权利要求1所述的一种中医脉象的神经网络模型训练方法,其特征在于,所述结合权值矩阵和偏置矩阵进行计算,具体为:
将权值、偏置数据载入到神经运算单元,对于隐藏层某一个神经元Hx,x=1,2,3….j,输出可表示为Hx=WxI+Bx,对于输出层神经元Oy,y=1,2,3...i,输出可表示为其中Wx为输入层与隐藏层之间权值,Bx为输入层与隐藏层之间偏置,I是输入层神经元的输出,Vxy为隐藏层与输出层之间神经元权值,By为隐藏层与输出层之间神经元偏置,i为隐层神经元个数,j为输出层神经元个数;
将神经运算单元的结果Hx载入到激活函数模块sigmoid函数Hx=f(WxI+Bx);将神经运算单元的结果Oy载入到激活函数模块线性函数
9.根据权利要求1所述的一种中医脉象的神经网络模型训练方法,其特征在于,所述调整隐藏层的个数与网络权值通过神经网络反向传播控制算法进行调整。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710764743.XA CN107742151A (zh) | 2017-08-30 | 2017-08-30 | 一种中医脉象的神经网络模型训练方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710764743.XA CN107742151A (zh) | 2017-08-30 | 2017-08-30 | 一种中医脉象的神经网络模型训练方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107742151A true CN107742151A (zh) | 2018-02-27 |
Family
ID=61235824
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710764743.XA Pending CN107742151A (zh) | 2017-08-30 | 2017-08-30 | 一种中医脉象的神经网络模型训练方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107742151A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108537323A (zh) * | 2018-03-30 | 2018-09-14 | 滁州学院 | 一种基于人工神经网络的铝电解电容器卷芯直径计算方法 |
CN108814564A (zh) * | 2018-05-30 | 2018-11-16 | 广东工业大学 | 一种智能诊脉装置 |
CN110414666A (zh) * | 2019-05-28 | 2019-11-05 | 河海大学 | 基于改进的lstm网络的泵站机组故障识别方法 |
CN111523640A (zh) * | 2020-04-09 | 2020-08-11 | 北京百度网讯科技有限公司 | 神经网络模型的训练方法和装置 |
CN111860460A (zh) * | 2020-08-05 | 2020-10-30 | 江苏新安电器股份有限公司 | 一种基于改进的lstm模型在人体行为识别上的应用方法 |
CN112289442A (zh) * | 2018-10-29 | 2021-01-29 | 南京医基云医疗数据研究院有限公司 | 预测疾病终点事件的方法、装置及电子设备 |
CN113076878A (zh) * | 2021-04-02 | 2021-07-06 | 郑州大学 | 基于注意力机制卷积网络结构的体质辨识方法 |
CN113361678A (zh) * | 2020-03-04 | 2021-09-07 | 北京百度网讯科技有限公司 | 神经网络模型的训练方法和装置 |
CN115346339A (zh) * | 2022-10-14 | 2022-11-15 | 深圳市飞梵实业有限公司 | 一种临产妇健康监控***及方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2001095230A2 (en) * | 2000-06-08 | 2001-12-13 | Virco Bvba | Method for predicting therapeutic agent resistance using neural networks |
CN101231672A (zh) * | 2008-02-02 | 2008-07-30 | 湖南大学 | 基于改进型bp神经网络的模拟电路软故障诊断方法 |
CN101785670A (zh) * | 2009-01-22 | 2010-07-28 | 陈跃军 | 模糊心电图智能在线分析仪*** |
CN104699931A (zh) * | 2013-12-09 | 2015-06-10 | 广州华久信息科技有限公司 | 一种基于人脸的神经网络血压预测方法及手机 |
CN104834828A (zh) * | 2015-05-26 | 2015-08-12 | 重庆大学 | 基于ds证据理论-神经网络算法老人生理异常诊断方法 |
CN104933463A (zh) * | 2015-07-07 | 2015-09-23 | 杭州朗和科技有限公司 | 深度神经网络模型的训练方法和设备 |
CN105105743A (zh) * | 2015-08-21 | 2015-12-02 | 山东省计算中心(国家超级计算济南中心) | 基于深度神经网络的心电图智能诊断方法 |
CN105447569A (zh) * | 2015-12-18 | 2016-03-30 | 北京柏惠维康科技有限公司 | 一种基于深度学习的乳腺癌细胞特征分析*** |
CN105748063A (zh) * | 2016-04-25 | 2016-07-13 | 山东大学齐鲁医院 | 基于多导联和卷积神经网络的心律失常智能诊断方法 |
CN106710412A (zh) * | 2017-01-03 | 2017-05-24 | 合肥讯创信息科技有限公司 | 一种中医脉象模型 |
-
2017
- 2017-08-30 CN CN201710764743.XA patent/CN107742151A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2001095230A2 (en) * | 2000-06-08 | 2001-12-13 | Virco Bvba | Method for predicting therapeutic agent resistance using neural networks |
CN101231672A (zh) * | 2008-02-02 | 2008-07-30 | 湖南大学 | 基于改进型bp神经网络的模拟电路软故障诊断方法 |
CN101785670A (zh) * | 2009-01-22 | 2010-07-28 | 陈跃军 | 模糊心电图智能在线分析仪*** |
CN104699931A (zh) * | 2013-12-09 | 2015-06-10 | 广州华久信息科技有限公司 | 一种基于人脸的神经网络血压预测方法及手机 |
CN104834828A (zh) * | 2015-05-26 | 2015-08-12 | 重庆大学 | 基于ds证据理论-神经网络算法老人生理异常诊断方法 |
CN104933463A (zh) * | 2015-07-07 | 2015-09-23 | 杭州朗和科技有限公司 | 深度神经网络模型的训练方法和设备 |
CN105105743A (zh) * | 2015-08-21 | 2015-12-02 | 山东省计算中心(国家超级计算济南中心) | 基于深度神经网络的心电图智能诊断方法 |
CN105447569A (zh) * | 2015-12-18 | 2016-03-30 | 北京柏惠维康科技有限公司 | 一种基于深度学习的乳腺癌细胞特征分析*** |
CN105748063A (zh) * | 2016-04-25 | 2016-07-13 | 山东大学齐鲁医院 | 基于多导联和卷积神经网络的心律失常智能诊断方法 |
CN106710412A (zh) * | 2017-01-03 | 2017-05-24 | 合肥讯创信息科技有限公司 | 一种中医脉象模型 |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108537323A (zh) * | 2018-03-30 | 2018-09-14 | 滁州学院 | 一种基于人工神经网络的铝电解电容器卷芯直径计算方法 |
CN108537323B (zh) * | 2018-03-30 | 2022-04-19 | 滁州学院 | 一种基于人工神经网络的铝电解电容器卷芯直径计算方法 |
CN108814564A (zh) * | 2018-05-30 | 2018-11-16 | 广东工业大学 | 一种智能诊脉装置 |
CN112289442A (zh) * | 2018-10-29 | 2021-01-29 | 南京医基云医疗数据研究院有限公司 | 预测疾病终点事件的方法、装置及电子设备 |
CN112289442B (zh) * | 2018-10-29 | 2024-05-03 | 南京医基云医疗数据研究院有限公司 | 预测疾病终点事件的方法、装置及电子设备 |
CN110414666A (zh) * | 2019-05-28 | 2019-11-05 | 河海大学 | 基于改进的lstm网络的泵站机组故障识别方法 |
CN113361678A (zh) * | 2020-03-04 | 2021-09-07 | 北京百度网讯科技有限公司 | 神经网络模型的训练方法和装置 |
CN111523640B (zh) * | 2020-04-09 | 2023-10-31 | 北京百度网讯科技有限公司 | 神经网络模型的训练方法和装置 |
CN111523640A (zh) * | 2020-04-09 | 2020-08-11 | 北京百度网讯科技有限公司 | 神经网络模型的训练方法和装置 |
CN111860460A (zh) * | 2020-08-05 | 2020-10-30 | 江苏新安电器股份有限公司 | 一种基于改进的lstm模型在人体行为识别上的应用方法 |
CN113076878A (zh) * | 2021-04-02 | 2021-07-06 | 郑州大学 | 基于注意力机制卷积网络结构的体质辨识方法 |
CN115346339B (zh) * | 2022-10-14 | 2023-01-10 | 深圳市飞梵实业有限公司 | 一种临产妇健康监控***及方法 |
CN115346339A (zh) * | 2022-10-14 | 2022-11-15 | 深圳市飞梵实业有限公司 | 一种临产妇健康监控***及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107742151A (zh) | 一种中医脉象的神经网络模型训练方法 | |
CN109961017A (zh) | 一种基于卷积循环神经网络的心音信号分类方法 | |
CN109998500A (zh) | 一种基于生成式对抗网络的脉搏信号生成方法及*** | |
Das et al. | A spatio-temporal model for EEG-based person identification | |
CN110619322A (zh) | 一种基于多流态卷积循环神经网络的多导联心电异常信号识别方法及*** | |
Jacobs | Nature, nurture, and the development of functional specializations: A computational approach | |
Xu et al. | Pulse images recognition using fuzzy neural network | |
Milani et al. | Abnormal heart sound classification using phonocardiography signals | |
CN109864714A (zh) | 一种基于深度学习的心电信号分析方法 | |
CN111728590A (zh) | 基于动态功能连接的个体认知能力预测方法和*** | |
Alakus et al. | Emotion recognition with deep learning using GAMEEMO data set | |
Thenmozhi et al. | Feature selection using extreme gradient boosting Bayesian optimization to upgrade the classification performance of motor imagery signals for BCI | |
CN108877923A (zh) | 一种基于深度学习的舌苔生成中药处方的方法 | |
CN112185493A (zh) | 人格偏好诊断装置及基于该装置的项目推荐*** | |
CN108175426B (zh) | 一种基于深度递归型条件受限玻尔兹曼机的测谎方法 | |
Liang et al. | Obstructive sleep apnea detection using combination of CNN and LSTM techniques | |
Li et al. | The signal processing and identification of upper limb motion based on sEMG | |
Yang et al. | The spiking rates inspired encoder and decoder for spiking neural networks: an illustration of hand gesture recognition | |
Sharma et al. | Deep learning with convolutional neural network for controlling human arm prosthesis using sEMG signals | |
CN114239658B (zh) | 一种基于小波分解与gru神经网络的血糖预测方法 | |
Chen et al. | Research on recognition and classification of pulse signal features based on EPNCC | |
Kan et al. | A Novel PSO‐Based Optimized Lightweight Convolution Neural Network for Movements Recognizing from Multichannel Surface Electromyogram | |
Sudarmaa et al. | Detecting Excessive Daytime Sleepiness With CNN And Commercial Grade EEG | |
Shankar et al. | Real-Time Pig Vocal Analysis for Early Respiratory Infection Study | |
Zhao et al. | A CNN-Based Method for Depression Detecting Form Audio |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180227 |
|
RJ01 | Rejection of invention patent application after publication |