CN111611893B - 应用神经网络深度学习的智能测判方法 - Google Patents

应用神经网络深度学习的智能测判方法 Download PDF

Info

Publication number
CN111611893B
CN111611893B CN202010407547.9A CN202010407547A CN111611893B CN 111611893 B CN111611893 B CN 111611893B CN 202010407547 A CN202010407547 A CN 202010407547A CN 111611893 B CN111611893 B CN 111611893B
Authority
CN
China
Prior art keywords
neural network
network layer
deep learning
input
value
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.)
Active
Application number
CN202010407547.9A
Other languages
English (en)
Other versions
CN111611893A (zh
Inventor
戚意强
李博
张淞源
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Longliqiang Artificial Intelligence Technology Suzhou Co ltd
Original Assignee
Longliqiang Artificial Intelligence Technology Suzhou Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Longliqiang Artificial Intelligence Technology Suzhou Co ltd filed Critical Longliqiang Artificial Intelligence Technology Suzhou Co ltd
Priority to CN202010407547.9A priority Critical patent/CN111611893B/zh
Publication of CN111611893A publication Critical patent/CN111611893A/zh
Application granted granted Critical
Publication of CN111611893B publication Critical patent/CN111611893B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic 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
    • G06N3/06—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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • Neurology (AREA)
  • Public Health (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Databases & Information Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种应用神经网络深度学习的智能测判方法，神经网络包括输入神经网络层和输出神经网络层，输入神经网络层和输出神经网络层之间存在呈递进排列的多层隐含神经网络层，输入神经网络层包含若干输入神经元，隐含神经网络层包含若干隐含神经元，输出神经网络层包含若干输出神经元，智能测判方法包括以下内容：A、深度学习方法；B、测判方法。本发明省去了对目标信息值的大量标注，可以最大限度地减少人工负担。将所有特征信息进行整体识别，完成对所有目标信息值的监测，省去创建多项识别器的繁琐，避免目标信息值遗漏问题。可以学习、训练特定目标信息值的专用识别器，并不断扩大对应领域。不断进化成更高精度、更大规模的***。

Description

应用神经网络深度学习的智能测判方法
技术领域
本发明属于计算机人工智能技术领域，涉及一种神经网络深度学习的算法，特别是一种应用神经网络深度学习的智能测判方法。
背景技术
深度学习是机器学习领域中一个新的研究方向，它被引入机器学习使其更接近于最初的目标——人工智能。
深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。深度学习是一个复杂的机器学习算法，在语音和图像识别方面取得的效果，远远超过先前相关技术。深度学习在搜索技术，数据挖掘，机器学习，机器翻译，自然语言处理，多媒体学习，语音，推荐和个性化技术，以及其他相关领域都取得了很多成果。深度学习使机器模仿视听和思考等人类的活动，解决了很多复杂的模式识别难题，使得人工智能相关技术取得了很大进步。
现有技术中，在医学领域深度学习被用于对人体扫描影像的识别判断。但现有的神经网络深度学习的计算方法存在以下缺点：
1、为了学习，需要大量的学习数据，这些学习数据需要专业医疗人员进行大量标注，由此费时、费力，浪费有效医疗资源；
2、识别的对象是图像，时间序列数据几乎不对应。在当前的方法中，学习到的时间序列数据从所有数据中以固定长度切出一部分来进行学习。但是，医疗图像大多是规定了扫描的身体范围，扫描次数根据医生和机器的不同而不同。也就是说，第一帧和最后帧必须被固定，并且其中每个帧必须与学习数据(时间序列数据的帧位置)匹配。
3、一个识别器只能对应一种疾病，识别多种疾病便要制作多个识别器，并且要求多个识别器中的病例数量必须一致，否则会产生偏重识别的问题，存在病灶遗漏的严重后果。
4、在医疗现场，疼痛症状的部位和实际的发病部位有很多不同的情况，结果医生需要全部确认位置，没有得到期待的效果。
5、现有神经网络深度学习的计算方法，无法对具有逻辑关系的连续性信息进行有效的监测和判断，其仅能对分别独立的信息值进行学习和记录比对。
发明内容
本发明的目的是针对现有的技术存在上述问题，提出了一种通过学习认知演化逻辑后，利用演化逻辑预测发展态势，并与实际发展态势比对得出判断结论的应用神经网络深度学习的智能测判方法。
本发明的目的可通过下列技术方案来实现：应用神经网络深度学习的智能测判方法，所述神经网络包括输入神经网络层和输出神经网络层，所述输入神经网络层和输出神经网络层之间存在呈递进排列的多层隐含神经网络层，所述输入神经网络层包含若干输入神经元，所述隐含神经网络层包含若干隐含神经元，所述输出神经网络层包含若干输出神经元，所述智能测判方法包括以下内容：
A、深度学习方法：
1)、初始设定隐含神经网络层的数量，各个隐含神经网络层中隐含神经元的数量；初始设定输出神经网络层中输出神经元的数量；
2)、采集大量作为参照值的信息群，每个信息群内均包含若干呈递进逻辑的连续性信息值，分别将每个信息群的连续性信息值投入至输入神经网络层，使相邻两信息值之间的逻辑计算形成一个输入神经元；将输入神经网络层的各个输入神经元经过并行计算得到第一层隐含神经网络层的各个隐含神经元，经过计算逐级得出n+1层隐含神经网络层，直至最终求出输出神经网络层中各个输出神经元的结论概率值；
3)、在上述步骤2)中，通过正向传播算法进行推演，通过反向传播算法得出修改权值，结合正向传播算法与反向传播算法得出符合学习期望的结论值，上述整体深度学习的演化过程形成学习数据库；
B、测判方法：
1)、确定所判断检体的首位信息值与末位信息值，且所判断的信息群为首位信息值与末位信息值之间呈递进逻辑的连续性信息值；
2)、将首位信息值投入输入神经网络层的输入神经元中进行学习认知，从学习数据库中提取同类型演化过程作为参照推算模型；
3)、将首位信息值按参照推算模型计算出1+1预测信息值，而后1+1实际信息值进入输入神经网络层，将1+1预测信息值与1+1实际信息值进行比对得出判断输出值；
4)、再将1+1实际信息值作为新的学习认知对象，按参照推算模型计算出n+1预测信息值，而后n+1实际信息值进入输入神经网络层，将n+1预测信息值与n+1实际信息值进行比对得出判断输出值，由此逐步循环递进直至演化形成末位信息值；
5)、综合计算上述判断输出值，得到多个不同的结论概率值，根据结论概率值的表现通过人为指定其一结论概率值。
本应用神经网络深度学习的智能测判方法对传统深度学习手法改进，通过学习后完成推演函数计算，实现连续性的关联信息判断，从而避免间隔式独立数据判断而导致的遗漏问题。
在上述的应用神经网络深度学习的智能测判方法中，所述智能测判方法还包括：
A、深度学习方法：人工设定若干特定信息群，将每个特定信息群中的连续性信息值投入至输入神经网络层，使相邻两信息值之间的逻辑计算形成一个输入神经元；将输入神经网络层的各个输入神经元经过并行计算得到第一层隐含神经网络层的各个隐含神经元，经过计算逐级得出n+1层隐含神经网络层，直至最终求出输出神经网络层中各个输出神经元的结论概率值；上述整体深度学习的演化过程形成特定学习数据库；
B、测判方法：将特定学习数据库中任一或任多类型演化过程作为参照推算模型；使用参照推算模型与实际信息值进行一一比对，直至所判断的独立检体结束得出结论概率值。
通过特定学习数据库可在所判断检体中寻找特定的目标属性，以完成针对性的搜索与鉴别。
在上述的应用神经网络深度学习的智能测判方法中，在A、深度学习方法的步骤2)中，大量参照值为空间属性的连续性信息值；大量参照值为时间属性的连续性信息值。
在上述的应用神经网络深度学习的智能测判方法中，所述智能测判方法应用于医学领域的人体影像病灶判别中，所述空间属性为一段人体结构(例如，胸腔)的若干张位置排序扫描影像；所述时间属性为人体同一位置或范围位置(例如，心脏)随时间延长变化态势的扫描影像。
空间属性的连续性信息值可监测人体不同位置的构造形态，以判断人体在某一时间有无病灶，且病灶的具***置。时间属性的连续性信息值可监测人体单一病灶随时间延长的变化，以监测病灶在正常情况下的发展态势，如果监测到病灶发生突增恶化，可提供警示以避免病人因突然恶化而不自查导致的死亡率增加。
在上述的应用神经网络深度学习的智能测判方法中，所述智能测判方法应用于建筑领域的内部结构老化监测中，所述时间属性为建筑内部结构的同一位置或范围位置(例如，承重梁)随时间延长老化态势的监测影像。
公共建筑均具有一定使用年限，随着时间的推移建筑内结构均存在一定程度的老化与腐蚀，利用时间属性的连续性信息值掌握在正常情况下建筑的老化历程，一旦监测到建筑结构发生局部突变增强，可提供警示以避免坍塌等重大事故发生。
在上述的应用神经网络深度学习的智能测判方法中，在A、深度学习方法的步骤2)中，大量参照值中包括不同类型的连续性信息值；大量参照值中包括相反类型的连续性信息值。
在上述的应用神经网络深度学习的智能测判方法中，所述智能测判方法应用于医学领域的人体影像病灶判别中，所述不同类型包括匀称体型人群的人体结构扫描影像，胖型人群的人体结构扫描影像，瘦型人群的人体结构扫描影像，个高人群的人体结构扫描影像，个矮人群的人体结构扫描影像；所述相反类型包括健康人群的人体结构扫描影像，不同病态人群的人体结构扫描影像。
在上述的应用神经网络深度学习的智能测判方法中，所述智能测判方法应用于医学领域的人体影像病灶判别中，作为参照值的信息群的扫描影像中，标注性别、年龄，扫描部位(例如，胸、腹等)，健康或病态。其中病态可以对具体病名进行标注。
在上述的应用神经网络深度学习的智能测判方法中，所述智能测判方法应用于建筑领域的内部结构老化监测中，作为参照值的信息群的监测影像中，标注结构名称、规格、位置及使用时间。
在上述的应用神经网络深度学习的智能测判方法中，在A、深度学习方法的步骤3)中，学习数据库至少包含300个信息群。
与现有技术相比，本应用神经网络深度学习的智能测判方法具有以下优点：
1、省去了对目标信息值的大量标注，可以最大限度地减少人工负担。
2、将所有特征信息进行整体识别，完成对所有目标信息值的监测，省去创建多项识别器的繁琐，避免目标信息值遗漏问题。
3、根据真值预测下一个信息值，与实际信息值进行比较，输出差分区域进行目标信息值甄别，形成对具有逻辑的连续性信息值的函数学习推导，对于没有学习的目标信息值也能应对，减少遗漏问题。
4、可以学习、训练特定目标信息值的专用识别器，并不断扩大对应领域。不断进化成更高精度、更大规模的***。
附图说明
图1是本发明实施例一的深度学习原理图。
具体实施方式
以下是本发明的具体实施例并结合附图，对本发明的技术方案作进一步的描述，但本发明并不限于这些实施例。
实施例一
如图1所示，本应用神经网络深度学习的智能测判方法应用于医学领域的人体影像病灶判别中，神经网络包括输入神经网络层和输出神经网络层，输入神经网络层和输出神经网络层之间存在呈递进排列的多层隐含神经网络层，输入神经网络层包含若干输入神经元，隐含神经网络层包含若干隐含神经元，所述输出神经网络层包含若干输出神经元，智能测判方法包括以下内容：
A、深度学习方法：
1)、初始设定隐含神经网络层的数量，各个隐含神经网络层中隐含神经元的数量；初始设定输出神经网络层中输出神经元的数量；
2)、采集大量作为参照值的人群，每个人均采集若干呈递进逻辑的连续性人体构造扫描影像，分别将每个人的全部人体构造扫描影像投入至输入神经网络层，使相邻两影像之间的逻辑计算形成一个输入神经元；将输入神经网络层的各个输入神经元经过并行计算得到第一层隐含神经网络层的各个隐含神经元，经过计算逐级得出n+1层隐含神经网络层，直至最终求出输出神经网络层中各个输出神经元的是否患病的结论概率值；
3)、在上述步骤2)中，通过正向传播算法进行推演，通过反向传播算法得出修改权值，结合正向传播算法与反向传播算法得出符合学习期望的结论值，上述整体深度学习的演化过程形成学习数据库；
B、测判方法：
1)、确定所判断检体的首位扫描影像与末位扫描影像，且所判断的扫描影像集合为首位扫描影像与末位扫描影像之间呈递进逻辑的连续性扫描影像；
2)、将首位扫描影像投入输入神经网络层的输入神经元中进行学习认知，从学习数据库中提取同类型演化过程作为参照推算模型；
3)、将首位扫描影像按参照推算模型计算出1+1预测扫描影像，而后1+1实际扫描影像进入输入神经网络层，将1+1预测扫描影像与1+1实际扫描影像进行比对得出判断输出值；
4)、再将1+1实际扫描影像作为新的学习认知对象，按参照推算模型计算出n+1预测扫描影像，而后n+1实际扫描影像进入输入神经网络层，将n+1预测扫描影像与n+1实际扫描影像进行比对得出判断输出值，由此逐步循环递进直至演化形成末位扫描影像；
5)、综合计算上述判断输出值，得到多个不同的结论概率值，根据结论概率值的表现通过人为指定其一结论概率值。
本应用神经网络深度学习的智能测判方法对传统深度学习手法改进，通过学习后完成推演函数计算，实现连续性的关联信息判断，从而避免间隔式独立数据判断而导致的遗漏问题。
智能测判方法还包括：
A、深度学习方法：人工设定若干特定病灶影像，将每个特定病灶影像中的连续性扫描片投入至输入神经网络层，使相邻两扫描片之间的逻辑计算形成一个输入神经元；将输入神经网络层的各个输入神经元经过并行计算得到第一层隐含神经网络层的各个隐含神经元，经过计算逐级得出n+1层隐含神经网络层，直至最终求出输出神经网络层中各个输出神经元的结论概率值；上述整体深度学习的演化过程形成特定病灶数据库；
B、测判方法：将特定病灶数据库中任一或任多类型演化过程作为参照推算模型；使用参照推算模型与实际扫描影像进行一一比对，直至所判断的独立检体结束得出结论概率值。
通过特定病灶数据库可在所检测的患者中寻找特定的病症，以完成针对性的搜索与鉴别。
在A、深度学习方法的步骤2)中，大量参照值为空间属性的连续性扫描影像，空间属性为一段人体结构(例如，胸腔)的若干张位置排序扫描影像；大量参照值为时间属性的连续性扫描影像，时间属性为人体同一位置或范围位置(例如，心脏)随时间延长变化态势的扫描影像。
空间属性的连续性扫描影像可监测人体不同位置的构造形态，以判断人体在某一时间有无病灶，且病灶的具***置。时间属性的连续性扫描影像可监测人体单一病灶随时间延长的变化，以监测病灶在正常情况下的发展态势，如果监测到病灶发生突增恶化，可提供警示以避免病人因突然恶化而不自查导致的死亡率增加。
在A、深度学习方法的步骤2)中，大量参照值中包括不同类型的连续性扫描影像，不同类型包括匀称体型人群的人体结构扫描影像，胖型人群的人体结构扫描影像，瘦型人群的人体结构扫描影像，个高人群的人体结构扫描影像，个矮人群的人体结构扫描影像；大量参照值中包括相反类型的连续性扫描影像，相反类型包括健康人群的人体结构扫描影像，不同病态人群的人体结构扫描影像。
作为参照值的扫描影像中，标注性别、年龄，扫描部位(例如，胸、腹等)，健康或病态。其中病态可以对具体病名进行标注。
在A、深度学习方法的步骤3)中，学习数据库至少包含300个人体构造扫描影像集合。
本应用神经网络深度学习的智能测判方法应用于医学领域具有以下优点：
1、省去了对病灶的大量标注，可以最大限度地减少人工负担。
2、将所有人体构造扫描影像进行整体识别，完成对所有病灶的监测，省去创建多项识别器的繁琐，避免病灶遗漏问题。
3、根据真值预测下一个扫描影像，与实际影像进行比较，输出差分区域进行病灶甄别，完成对人体结构发展演化的学习推导，对于没有学习的病灶也能应对，减少遗漏问题。
4、可以学习、训练特定病灶的专用识别器，并不断扩大对应领域。不断进化成更高精度、更大规模的***。
实施例二
本应用神经网络深度学习的智能测判方法应用于建筑领域的内部结构老化监测中，神经网络包括输入神经网络层和输出神经网络层，输入神经网络层和输出神经网络层之间存在呈递进排列的多层隐含神经网络层，输入神经网络层包含若干输入神经元，隐含神经网络层包含若干隐含神经元，所述输出神经网络层包含若干输出神经元，智能测判方法包括以下内容：
A、深度学习方法：
1)、初始设定隐含神经网络层的数量，各个隐含神经网络层中隐含神经元的数量；初始设定输出神经网络层中输出神经元的数量；
2)、采集大量作为参照值的常态下建筑结构老化的监测影像，每个建筑均采集若干呈递进逻辑的时间连续性老化监测影像，将每个老化的监测影像投入至输入神经网络层，使相邻两影像之间的逻辑计算形成一个输入神经元；将输入神经网络层的各个输入神经元经过并行计算得到第一层隐含神经网络层的各个隐含神经元，经过计算逐级得出n+1层隐含神经网络层，直至最终求出输出神经网络层中各个输出神经元的是否正常老化的结论概率值；
3)、在上述步骤2)中，通过正向传播算法进行推演，通过反向传播算法得出修改权值，结合正向传播算法与反向传播算法得出符合学习期望的结论值，上述整体深度学习的演化过程形成学习数据库；
B、测判方法：
1)、确定所判断检体的最早监测影像与最后监测影像，且所判断的扫描影像集合为最早监测影像与最后监测影像之间呈递进逻辑的时间连续性监测影像；
2)、将最早监测影像投入输入神经网络层的输入神经元中进行学习认知，从学习数据库中提取演化过程作为参照推算模型；
3)、将早监测影像按参照推算模型计算出1+1预测监测影像，而后1+1实际监测影像进入输入神经网络层，将1+1预测监测影像与1+1实际监测影像进行比对得出判断输出值；
4)、再将1+1实际监测影像作为新的学习认知对象，按参照推算模型计算出n+1预测监测影像，而后n+1实际监测影像进入输入神经网络层，将n+1预测监测影像与n+1实际监测影像进行比对得出判断输出值，由此逐步循环递进直至演化形成最后监测影像；
5)、综合计算上述判断输出值，得到多个不同的结论概率值，根据结论概率值的表现通过人为指定其一结论概率值。
作为参照值的监测影像中，标注结构名称、规格、位置及使用时间。
大量参照值为时间属性的连续性监测影像，时间属性为建筑内部结构的同一位置或范围位置(例如，承重梁)随时间延长老化态势的监测影像。
公共建筑均具有一定使用年限，随着时间的推移建筑内结构均存在一定程度的老化与腐蚀，利用时间属性的连续性监测影像掌握在正常情况下建筑的老化历程，一旦监测到建筑结构发生局部突变增强，可提供警示以避免坍塌等重大事故发生。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (7)

1.应用神经网络深度学习的智能测判方法，所述神经网络包括输入神经网络层和输出神经网络层，所述输入神经网络层和输出神经网络层之间存在呈递进排列的多层隐含神经网络层，所述输入神经网络层包含若干输入神经元，所述隐含神经网络层包含若干隐含神经元，所述输出神经网络层包含若干输出神经元，其特征在于，所述智能测判方法包括以下内容：
A、深度学习方法：
1)、初始设定隐含神经网络层的数量，各个隐含神经网络层中隐含神经元的数量；初始设定输出神经网络层中输出神经元的数量；
2)、采集大量作为参照值的信息群，每个信息群内均包含若干呈递进逻辑的连续性信息值，分别将每个信息群的连续性信息值投入至输入神经网络层，使相邻两信息值之间的逻辑计算形成一个输入神经元；将输入神经网络层的各个输入神经元经过并行计算得到第一层隐含神经网络层的各个隐含神经元，经过计算逐级得出n+1层隐含神经网络层，直至最终求出输出神经网络层中各个输出神经元的结论概率值；
3)、在上述步骤2)中，通过正向传播算法进行推演，通过反向传播算法得出修改权值，结合正向传播算法与反向传播算法得出符合学习期望的结论值，上述整体深度学习的演化过程形成学习数据库；
B、测判方法：
1)、确定所判断检体的首位信息值与末位信息值，且所判断的信息群为首位信息值与末位信息值之间呈递进逻辑的连续性信息值；
2)、将首位信息值投入输入神经网络层的输入神经元中进行学习认知，从学习数据库中提取同类型演化过程作为参照推算模型；
3)、将首位信息值按参照推算模型计算出1+1预测信息值，而后1+1实际信息值进入输入神经网络层，将1+1预测信息值与1+1实际信息值进行比对得出判断输出值；
4)、再将1+1实际信息值作为新的学习认知对象，按参照推算模型计算出n+1预测信息值，而后n+1实际信息值进入输入神经网络层，将n+1预测信息值与n+1实际信息值进行比对得出判断输出值，由此逐步循环递进直至演化形成末位信息值；
5)、综合计算上述判断输出值，得到多个不同的结论概率值，根据结论概率值的表现通过人为指定其一结论概率值；
所述智能测判方法应用于医学领域的人体影像病灶判别中，作为参照值的信息群的扫描影像中，标注性别、年龄，扫描部位，健康或病态。
2.根据权利要求1所述的应用神经网络深度学习的智能测判方法，其特征在于，所述智能测判方法还包括：
A、深度学习方法：人工设定若干特定信息群，将每个特定信息群中的连续性信息值投入至输入神经网络层，使相邻两信息值之间的逻辑计算形成一个输入神经元；将输入神经网络层的各个输入神经元经过并行计算得到第一层隐含神经网络层的各个隐含神经元，经过计算逐级得出n+1层隐含神经网络层，直至最终求出输出神经网络层中各个输出神经元的结论概率值；上述整体深度学习的演化过程形成特定学习数据库；
B、测判方法：将特定学习数据库中任一或任多类型演化过程作为参照推算模型；使用参照推算模型与实际信息值进行一一比对，直至所判断的独立检体结束得出结论概率值。
3.根据权利要求1所述的应用神经网络深度学习的智能测判方法，其特征在于，在A、深度学习方法的步骤2)中，所述参照值为空间属性的连续性信息值，或时间属性的连续性信息值。
4.根据权利要求3所述的应用神经网络深度学习的智能测判方法，其特征在于，所述智能测判方法应用于医学领域的人体影像病灶判别中，所述空间属性为一段人体结构的若干张位置排序扫描影像；所述时间属性为人体同一位置或范围位置随时间延长变化态势的扫描影像。
5.根据权利要求1所述的应用神经网络深度学习的智能测判方法，其特征在于，在A、深度学习方法的步骤2)中，所述参照值中包括不同类型的连续性信息值，或包括相反类型的连续性信息值。
6.根据权利要求5所述的应用神经网络深度学习的智能测判方法，其特征在于，所述智能测判方法应用于医学领域的人体影像病灶判别中，所述不同类型包括匀称体型人群的人体结构扫描影像，胖型人群的人体结构扫描影像，瘦型人群的人体结构扫描影像，个高人群的人体结构扫描影像，个矮人群的人体结构扫描影像；所述相反类型包括健康人群的人体结构扫描影像，不同病态人群的人体结构扫描影像。
7.根据权利要求1所述的应用神经网络深度学习的智能测判方法，其特征在于，在A、深度学习方法的步骤3)中，学习数据库至少包含300个信息群。
CN202010407547.9A 2020-05-14 2020-05-14 应用神经网络深度学习的智能测判方法 Active CN111611893B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010407547.9A CN111611893B (zh) 2020-05-14 2020-05-14 应用神经网络深度学习的智能测判方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010407547.9A CN111611893B (zh) 2020-05-14 2020-05-14 应用神经网络深度学习的智能测判方法

Publications (2)

Publication Number Publication Date
CN111611893A CN111611893A (zh) 2020-09-01
CN111611893B true CN111611893B (zh) 2024-03-19

Family

ID=72198009

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010407547.9A Active CN111611893B (zh) 2020-05-14 2020-05-14 应用神经网络深度学习的智能测判方法

Country Status (1)

Country Link
CN (1) CN111611893B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112017776B (zh) * 2020-10-27 2021-01-15 平安科技（深圳）有限公司 基于动态图和医学知识图谱的疾病预测方法及相关设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015172560A1 (zh) * 2014-05-16 2015-11-19 华南理工大学 基于bp神经网络的中央空调冷负荷的预测方法
CN105701540A (zh) * 2016-01-11 2016-06-22 清华大学 一种自生成神经网络构建方法
CN105787557A (zh) * 2016-02-23 2016-07-20 北京工业大学 一种计算机智能识别的深层神经网络结构设计方法
CN108073985A (zh) * 2016-11-14 2018-05-25 张素菁 一种导入人工智能超深度学习用于语音识别的方法
CN109255119A (zh) * 2018-07-18 2019-01-22 五邑大学 一种基于分词和命名实体识别的多任务深度神经网络的句子主干分析方法及***

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11556794B2 (en) * 2017-08-31 2023-01-17 International Business Machines Corporation Facilitating neural networks

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015172560A1 (zh) * 2014-05-16 2015-11-19 华南理工大学 基于bp神经网络的中央空调冷负荷的预测方法
CN105701540A (zh) * 2016-01-11 2016-06-22 清华大学 一种自生成神经网络构建方法
CN105787557A (zh) * 2016-02-23 2016-07-20 北京工业大学 一种计算机智能识别的深层神经网络结构设计方法
CN108073985A (zh) * 2016-11-14 2018-05-25 张素菁 一种导入人工智能超深度学习用于语音识别的方法
CN109255119A (zh) * 2018-07-18 2019-01-22 五邑大学 一种基于分词和命名实体识别的多任务深度神经网络的句子主干分析方法及***

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
任红格 ; 李冬梅 ; 李福进.动态神经网络分类器主动学习算法及其智能控制应用.计算机应用与软件.2016,第33卷(第7期),全文. *
动态神经网络分类器主动学习算法及其智能控制应用;任红格;李冬梅;李福进;计算机应用与软件;第33卷(第7期);全文 *

Also Published As

Publication number Publication date
CN111611893A (zh) 2020-09-01

Similar Documents

Publication Publication Date Title
Khojaste-Sarakhsi et al. Deep learning for Alzheimer's disease diagnosis: A survey
Pal et al. Deep learning techniques for prediction and diagnosis of diabetes mellitus
CN115024725A (zh) 融合心理状态多参数检测的肿瘤治疗辅助决策***
Akter Dementia Identification for Diagnosing Alzheimer's Disease using XGBoost Algorithm
CN111611893B (zh) 应用神经网络深度学习的智能测判方法
CN116705300A (zh) 基于体征数据分析的医疗决策辅助方法、***及存储介质
Prabhakararao et al. Attentive RNN-based network to fuse 12-lead ECG and clinical features for improved myocardial infarction diagnosis
CN116864140A (zh) 一种心内科术后护理监测数据处理方法及其***
Sirigineedi et al. The Early Detection Of Alzheimer's Illness Using Machine Learning And Deep Learning Algorithms
Soni et al. Using verb fluency, natural language processing, and machine learning to detect Alzheimer’s disease
Dai et al. Research on computer-aided diagnosis of Alzheimer’s disease based on heterogeneous medical data fusion
Baskar et al. An Accurate Prediction and Diagnosis of Alzheimer’s Disease using Deep Learning
Shamseddine et al. On the feasibility of federated learning for neurodevelopmental disorders: Asd detection use-case
Liu et al. End‐to‐end deep learning classification of vocal pathology using stacked vowels
Reddy et al. Brain stroke prediction using deep learning: A CNN approach
CN116779160A (zh) 一种自适应认知障碍筛查***
Sanjay et al. Deep learning techniques for early detection of Alzheimer’s disease: A review
CN116313141A (zh) 一种基于知识图谱的不明原因发热智能问诊方法
Nisha et al. SGD-DABiLSTM based MRI Segmentation for Alzheimer’s disease Detection
Mohamed et al. Multi-label classification and evidential approach in diseases diagnoses using physiological signals
Padole et al. Early Detection of Alzheimer’s Disease Using Graph Signal Processing and Deep Learning.
Komijani et al. Classification of normal and epileptic EEG signals using adaptive neuro-fuzzy network based on time series prediction
Chau et al. MCI detection based on deep learning with voice spectrogram
Rihana et al. Artificial intelligence framework for COVID19 patients monitoring
Muthulakshmi et al. Big Data Analytics for Heart Disease Prediction using Regularized Principal and Quadratic Entropy Boosting

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
TA01 Transfer of patent application right

Effective date of registration: 20231227

Address after: Room 603, No. 512 Yunchuang Road, Jiangling Street, Wujiang District, Suzhou City, Jiangsu Province, 215000

Applicant after: Longliqiang Artificial Intelligence Technology (Suzhou) Co.,Ltd.

Address before: Room 302-16, Jiudingfeng Building, No. 888 Changbai Mountain Road, Qingdao Area, China (Shandong) Pilot Free Trade Zone, Qingdao City, Shandong Province, 266555

Applicant before: Qingdao Hanlin Huili Technology Co.,Ltd.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant