CN115919273A - 一种基于深度学习的亚健康预警***及相关设备 - Google Patents
一种基于深度学习的亚健康预警***及相关设备 Download PDFInfo
- Publication number
- CN115919273A CN115919273A CN202211565617.9A CN202211565617A CN115919273A CN 115919273 A CN115919273 A CN 115919273A CN 202211565617 A CN202211565617 A CN 202211565617A CN 115919273 A CN115919273 A CN 115919273A
- Authority
- CN
- China
- Prior art keywords
- data
- physiological
- training
- detection
- sub
- 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
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本申请公开了一种基于深度学习的亚健康预警***及相关设备,通过采集设备采集用户的生理测试数据,并将采集到的生理测试数据传输至检测设备,检测设备根据生理测试数据和检测模型,实现对数据集中化处理,得到用户的亚健康的测试结果,即可诊断用户是否存在亚健康问题,使诊断流程更加***便捷和诊断结果更加科学准确。
Description
技术领域
本申请涉及智能健康的技术领域,特别是涉及一种基于深度学习的亚健康预警***及相关设备。
背景技术
亚健康是指人体处在健康与患病之间的一种状况。随着社会经济的发展,越来越多人的体质出现了亚健康状态。在亚健康问题的研究中,常用的方法多为自评量表和问卷调查,但由于各研究中所采用的亚健康的标准不一致,或是所适用的调查表或量表不一致,导致获得的亚健康检出率也有很大差异,从而造成了亚健康的诊断结果不准确的问题。
发明内容
本申请提供了一种基于深度学习的亚健康预警的***,通过采集设备采集大量的数据,并且通过检测设备将采集得到的数据进行深度学习和诊断训练,得出诊断结果,使诊断流程更加***便捷和诊断结果更加科学准确。
第一方面,本申请提供了一种基于深度学习的亚健康预警***,该***包括采集设备和检测设备;
采集设备,用于采集用户的生理测试数据,所述生理测试数据包括用于体现所述用户的亚健康状况方面的数据;
检测设备,用于基于生理测试数据和检测模型,确定用户的亚健康的测试检测结果,所述检测模型为训练完成的深度学习模型,所述检测模型的训练样本包括多个生理训练数据以及多个生理训练数据中每个生理训练数据对应的训练检测结果,所述训练检测结果为基于预设的亚健康检测标准和对应的生理训练数据确定的。
可选地,检测设备,还用于:
从至少一个采集设备获得多个采集数据;
根据预设定的指标将采集数据进行分类,获得分类数据;
根据时间区间将分类数据进行分组,获得生理训练数据;
根据亚健康检测标准对生理训练数据进行评级,获得生理训练数据的训练检测结果;
将多个生理训练数据以及多个生理训练数据中每个生理训练数据对应的训练检测结果作为训练样本,对初始模型进行训练,获得检测模型。
可选地,训练样本包括第一样本,所述第一样本包括第一生理训练数据和第一训练检测结果,检测设备,还用于:
将第一生理训练数据输入初始模型,获得第一输出检测结果;
基于第一输出检测结果和第一训练检测结果,确定第一生理训练数据的训练结果;
若训练结果不是亚健康状态,对第一生理训练数据进行完整性验证,如果验证通过,则,将第一样本保存到数据库;
若对第一生理训练数据的完整性不通过,对第一生理训练数据进行重复性验证,并按照重复性验证结果返回执行从至少一个采集设备获得多个采集数据,或,按照重复性验证结果返回执行根据预设定的指标将采集数据进行分类及后续步骤。
可选地,测试检测结果用于指示所述用户是否属于亚健康状态。
可选地,若测试检测结果指示用户属于亚健康状态,则,测试检测结果还用于指示用户的亚健康等级或亚健康类型。
可选地,检测设备,还用于将生理测试数据和测试检测结果保存到数据库中,所述数据库中的数据用于对所述检测模型进行优化训练。
可选地,生理测试数据包括下述数据中的至少一项:血压、血糖、心率或血脂。
第二方面,本申请提供了一种检测设备,该设备包括收发器和处理器:
收发器,用于执行上述第一方面所述***中的检测设备执行的接收或发送操作;
处理器,用于执行上述第一方面所述***中的检测设备执行的除接收和发送以外的操作。
第三方面,本申请提供了一种检测设备,该设备包括存储器以及处理器:
存储器用于存储计算机程序;
处理器用于根据计算机程序运行上述第一方面所述***中检测设备执行的操作。
第四方面,本申请还提供了一种计算机可读存储介质,计算机可读存储介质用于存储计算机程序,所述计算机程序用于执行上述第一方面所述***中检测设备或采集设备执行的操作。
由此可见,本申请具有如下有益效果:
本申请提供了一种基于深度学习的亚健康预警的***,通过采集设备采集用户的生理测试数据,并将采集到的生理测试数据传输至检测设备,检测设备根据生理测试数据和检测模型,实现对数据集中化处理,输出用户的测试检测结果,该测试检测结果指示用户的亚健康的测试结果,即可诊断用户是否存在亚健康问题,使诊断流程更加***便捷和诊断结果更加科学准确。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本申请中记载的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1为本申请实施例中一种基于深度学习的亚健康预警***100的结构示意图;
图2为本申请实施例中一种基于深度学习的亚健康预警***中检测模型的训练过程的流程示意图;
图3为本申请实施例中一种检测设备300的结构示意图;
图4为本申请实施例中又一种检测设备400的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本申请实施例中提到的“第一样本”、“第一生理训练数据”等名称中的“第一”只是用来做名字标识,并不代表顺序上的第一。该规则同样适用于“第二”、“第三”等。
目前,关于亚健康的研究多采用自评量表和问卷调查的形式,得到亚健康的诊断结果,但是各研究中亚健康中所采用的生理数据以及评定亚健康状态的数据范围数值不一致,例如不同工种的人群的亚健康诊断数据范围不一致,导致各研究中所采用的亚健康标准不同,或是采用的自评量表和问卷调查不一致,从而获得的亚健康检出率也有很大差异,造成了亚健康的诊断结果不准确的问题。
本申请实施例中,提供了一种基于深度学习的亚健康预警***,该***中包括采集设备和检测设备,采集设备能够采集用户的生理测试数据,并将生理测试数据传输至检测设备,检测设备基于接收到的生理测试数据和本地保存的、训练好的检测模型,确定该用户的亚健康的测试检测结果,其中,检测模型为训练完成的深度学习模型,该检测模型的训练样本可以包括多个生理训练数据以及多个生理训练数据中每个生理训练数据对应的训练检测结果,所述训练检测结果为基于预设的亚健康检测标准和对应的生理训练数据确定的。可见,本申请实施提供的***中,检测设备基于设定的、统一的亚健康测试标准对生理训练数据进行标记而获得训练样本,并基于该训练样本对检测模型进行训练,使得训练好的检测模型能够对生理测试数据进行科学、准确、快速地检测,用户仅需要通过该***中的采集设备采集生理测试数据,该***即可输出该用户的亚健康方面的测试检测结果,为用户提供了一种智能的预警***。
为便于理解本申请实施例提供的一种基于深度学习的亚健康预警***的具体实现,下面将结合附图进行说明。
图1示出了本申请实施例提供的一种基于深度学习的亚健康预警***100的结构示意图,参见图1,该***100具体可以包括:采集设备101和检测设备102。其中,
采集设备101,用于采集用户的生理测试数据,所述生理测试数据包括用于体现所述用户的亚健康状况方面的数据;
检测设备102,用于基于生理测试数据和检测模型,确定用户的亚健康的测试检测结果,所述检测模型为训练完成的深度学习模型,所述检测模型的训练样本包括多个生理训练数据以及多个生理训练数据中每个生理训练数据对应的训练检测结果,所述训练检测结果为基于预设的亚健康检测标准和对应的生理训练数据确定的。
其中,采集设备101和检测设备102能够通过有线或无线的方式进行通信,实现数据的传输。
具体实现时,采集设备101用于采集用户的生理数据,该生理数据基于不同的用途在本申请实施例中被称为生理测试数据、采集数据等。生理数据可以是用于体现用户的亚健康状况方面的数据,例如可以包括但不限于下述数据中的至少一项:血压、血糖、心率或血脂。
为了获得用户的亚健康的测试检测结果,首先,需要利用采集设备101采集用户的生理测试数据,再将该生理测试数据传输至检测设备102,检测设备102将生理测试数据输入检测模型1021,检测模型1021即可获得该用户的亚健康的测试检测结果,因此,本申请实施例需要通过采集设备101采集用户的生理测试数据,为获得亚健康的测试检测结果提供了前置条件。
检测设备102用于将由采集设备101传输的生理测试数据传输到检测模型1021,并根据检测模型1021获得该用户的亚健康的测试检测结果。
检测模型1021用于基于生理测试数据输出生理测试数据的测试检测结果,所述测试检测结果用于指示该用户是否属于亚健康状态。当测试检测结果指示该用户属于亚健康状态时,所述测试检测结果还用于指示该用户的亚健康等级或亚健康类型。
其中,检测模型1021为训练完成的深度学习模型,检测模型1021的训练样本包括多个生理训练数据以及多个生理训练数据中每个生理训练数据对应的训练检测结果。检测模型1021的训练过程可以包括:检测设备102从至少一个采集设备101获得多个采集数据;根据预设定的指标将采集数据进行分类,获得分类数据;根据时间区间将分类数据进行分组,获得生理训练数据;根据亚健康检测标准对生理训练数据进行评级,获得生理训练数据的训练检测结果;将多个生理训练数据以及多个生理训练数据中每个生理训练数据对应的训练检测结果作为训练样本,对初始模型进行训练,获得检测模型。
具体过程例如可以包括:将训练样本1中生理训练数据1输入初始模型,则将初始模型的输出结果1与训练样本1的训练检测结果1进行比较,基于比较结果0调整该初始模型,获得检测模型1;将训练样本2中的生理训练数据2输入检测模型1,将检测模型1的输出结果2与训练样本2的训练检测结果2进行比较,基于比较结果1调整检测模型1,获得检测模型2;以此类推,直到检测模型满足预设条件,则将满足所述预设条件时的检测模型记作训练好的检测模型。
当训练过程中检测模型的输出结果为亚健康状态时,检测模型1021会进行预警处理,如果输出结果不属于亚健康状态时,对生理训练数据进行完整性验证和/或重复性验证,以保障训练样本的丰富和有效,从而保证训练完的检测模型能够为本申请实施例提供的***提供准确的亚健康方面的检测结果。
需要说明的是,***100对于用户使用过程中的生理测试数据和测试检测结果可以对应保存到数据库中。根据实际需求,可以周期性或者其他预设的优化策略,基于数据库中的数据对***100的检测设备102中的检测模型1021进行优化训练,从而更新检测设备102中的检测模型1021,使得该***100能够更好地“了解”更丰富的亚健康的生理数据和检测结果,让该***100能够更好地“服务”用户。
可见,该基于深度学习的亚健康预警***100通过采集设备101采集用户的生理测试数据,并将生理测试数据传输至检测设备102,检测设备102将生理测试数据输入至检测模型1021,检测模型1021输出该用户的亚健康的测试检测结果,通过测试检测结果即可诊断该用户是否存在亚健康问题,通过数据采集、数据深度学习和诊断训练实现对数据集中化处理统计,使诊断流程更加***便捷以及诊断结果更加科学和准确。
为了使得本申请实施例提供的***中训练检测模型的过程更加清楚且易于理解,下面结合图2对该过程的一个具体实例进行说明。
S201:采集设备采集用户的第一采集数据,并将第一采集数据传输至检测设备,所述第一采集数据包括用于体现所述用户的亚健康状况方面的数据。
S202:检测设备根据所述第一采集数据获得第一生理训练数据,并根据亚健康检测标准将所述第一生理训练数据进行评级,获得第一生理训练数据的第一训练检测结果。
作为一个示例,S202中获得生理训练数据的过程可以包括:根据预设定的指标将第一采集数据进行分类,获得第一分类数据;根据时间区间将第一分类数据进行分组,获得第一生理训练数据。
其中,亚健康检测标准可以是慢性疲劳综合症的检测标准。
S203:检测设备将第一生理训练数据输入初始模型,获得第一输出检测结果,并基于所述第一输出检测结果和所述第一训练检测结果,确定第一生理训练数据的训练结果。
作为一个示例,检测模型的训练样本可以包括采集设备采集的多个生理训练数据以及多个生理训练数据中每个生理训练数据对应的训练检测结果。根据初始模型获得的多个输出检测结果和多个训练检测结果进行比较,反复调整初始模型,直到调整初始模型满足预设条件,则将满足预设条件的初始模型记作训练好的检测模型。其中,预设条件可以包括:输出检测结果和训练检测结果之间的差距小于10%,或者,训练样本都用于一次训练。
该检测模型用于后续***的测试使用,测试过程为输入生理测试数据到检测模型中,即可输出该生理测试数据的测试检测结果。
S204:检测设备判断所述训练结果是否为亚健康状态,如果是,执行S205,如果否,执行S206;
S205:检测设备进行预警处理。
作为一个示例,预警处理的形式可以包括:检测设备进行信号预警。
S206:检测设备对所述第一生理训练数据进行完整性验证,如果完整性验证通过,执行S207,如果完整性验证不通过,执行S208。
为了不出现误差,需要对第一生理训练数据是否有存在空白内容进行完整性验证。
S207:检测设备将所述第一生理训练数据和所述第一训练检测结果保存到数据库。
为了将检测模型进行优化训练,需要将采集数据和检测结果保存至数据库。数据库可以是基于oracle数据库运行的云端数据存储***,该数据库可以提高请求速度和保证采集数据的精确性完整性。
S208:检测设备对所述第一生理训练数据进行重复性验证,如果重复性验证通过,则执行S209,如果重复性验证不通过,则执行S210。
为了判断第一采集数据的被采集用户是否相同,需要通过判断第一生理训练数据是否在同一时间区间采集的。
S209:若所述第一生理训练数据在同一时间区间内重合,则,返回执行S201。
S210:若所述第一生理训练数据不在同一时间区间内重合,则,返回执行S202以及后续步骤。
本申请实施例,检测设备接收采集设备传输的第一采集数据,将采集数据进行分类分组,获得第一生理训练数据,根据亚健康检测标准将第一生理训练数据进行评级,获得第一生理训练数据对应的第一训练检测结果。将包含有第一生理训练数据和第一训练检测结果的第一训练样本输入至初始模型,初始模型输出第一输出检测结果,将第一输出检测结果和第一训练检测结果进行对比,从而调整初始模型,重复训练操作,直到初始模型满足预设条件,将满足预设条件的初始模型记作训练好的检测模型。基于第一输出检测结果和第一训练检测结果确定第一生理训练数据的训练结果。之后通过训练结果判断该用户是否是亚健康状态,若是亚健康状态,则检测设备进行预警,若不是亚健康状态,则判断第一生理训练数据是否完整;若第一生理训练数据是完整的,则将第一生理训练数据和第一训练检测结果传入数据库中,用于检测模型进行优化学习,若第一生理训练数据不是完整的,则判断第一生理训练数据是否在同一时间区间内;若第一生理训练数据在同一时间区间内,则返回执行从采集设备获得采集数据,若第一生理训练数据不在同一时间区间内,则返回执行获得第一生理训练数据及后续步骤。
本***通过采集设备采集用户的采集数据,再通过检测设备中的检测模型将采集数据进行深度学***台灵活高,使得建立检测模型的工作量小。
参见图3,本申请实施例提供一种检测设备300,该检测设备300包括:
收发器301,用于执行图1提供的***中的检测设备执行的接收或发送操作;
处理器302,用于执行图1提供的***中的检测设备执行的除接收或发送以外的操作。
本申请实施例还提供了一种检测设备400,如图4所示,该设备400包括存储器401以及处理器402:
存储器401用于存储计算机程序;
处理器402用于根据计算机程序运行上述图1提供的***中的检测设备执行的操作。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到上述实施例方法中的全部或部分步骤可借助软件加通用硬件平台的方式来实现。基于这样的理解,本申请的技术方案可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如只读存储器(英文:read-only memory,ROM)/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者诸如路由器等网络通信设备)执行本申请各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目标。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述仅是本申请示例性的实施方式,并非用于限定本申请的保护范围。
Claims (10)
1.一种基于深度学习的亚健康预警***,其特征在于,包括:采集设备和检测设备;
所述采集设备,用于采集用户的生理测试数据,所述生理测试数据包括用于体现所述用户的亚健康状况方面的数据;
所述检测设备,用于基于所述生理测试数据和检测模型,确定所述用户的亚健康的测试检测结果,所述检测模型为训练完成的深度学习模型,所述检测模型的训练样本包括多个生理训练数据以及所述多个生理训练数据中每个生理训练数据对应的训练检测结果,所述训练检测结果为基于预设的亚健康检测标准和对应的生理训练数据确定的。
2.根据权利要求1所述的***,其特征在于,所述检测设备,还用于:
从至少一个所述采集设备获得多个采集数据;
根据预设定的指标将所述采集数据进行分类,获得分类数据;
根据时间区间将所述分类数据进行分组,获得所述生理训练数据;
根据所述亚健康检测标准对所述生理训练数据进行评级,获得所述生理训练数据的训练检测结果;
将所述多个生理训练数据以及所述多个生理训练数据中每个生理训练数据对应的训练检测结果作为训练样本,对初始模型进行训练,获得所述检测模型。
3.根据权利要求2所述的***,其特征在于,所述训练样本包括第一样本,所述第一样本包括第一生理训练数据和第一训练检测结果,所述检测设备,具体用于:
将所述第一生理训练数据输入所述初始模型,获得第一输出检测结果;
基于所述第一输出检测结果和所述第一训练检测结果,确定所述第一生理训练数据的训练结果;
若所述训练结果不是亚健康状态,对所述第一生理训练数据进行完整性验证,如果验证通过,则,将所述第一样本保存到数据库;
若对所述第一生理训练数据的完整性不通过,对所述第一生理训练数据进行重复性验证,并按照重复性验证结果返回执行所述从至少一个所述采集设备获得多个采集数据,或,按照重复性验证结果返回执行所述根据预设定的指标将所述采集数据进行分类及后续步骤。
4.根据权利要求1所述的***,其特征在于,所述测试检测结果用于指示所述用户是否属于亚健康状态。
5.根据权利要求4所述的***,其特征在于,若所述测试检测结果指示所述用户属于亚健康状态,则,所述测试检测结果还用于指示所述用户的亚健康等级或亚健康类型。
6.根据权利要求1-5任一项所述的***,其特征在于,所述检测设备,还用于将所述生理测试数据和所述测试检测结果保存到数据库中,所述数据库中的数据用于对所述检测模型进行优化训练。
7.根据权利要求1-5任一项所述的***,其特征在于,所述生理测试数据包括下述数据中的至少一项:血压、血糖、心率或血脂。
8.一种检测设备,其特征在于,所述检测设备包括:收发器和处理器,
所述收发器,用于执行权利要求1-7任一项所述***中的检测设备执行的接收或发送操作;
所述处理器,用于执行权利要求1-7任一项所述***中的检测设备执行的除接收和发送以外的操作。
9.一种检测设备,其特征在于,所述检测设备包括存储器和处理器,所述处理器用于执行所述存储器中存储的程序,运行如权利要求1-7任一项所述***中的检测设备执行的操作。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质用于存储计算机程序,所述计算机程序用于执行权利要求1-7任一项所述***中的检测设备或采集设备执行的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211565617.9A CN115919273A (zh) | 2022-12-07 | 2022-12-07 | 一种基于深度学习的亚健康预警***及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211565617.9A CN115919273A (zh) | 2022-12-07 | 2022-12-07 | 一种基于深度学习的亚健康预警***及相关设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115919273A true CN115919273A (zh) | 2023-04-07 |
Family
ID=86651818
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211565617.9A Pending CN115919273A (zh) | 2022-12-07 | 2022-12-07 | 一种基于深度学习的亚健康预警***及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115919273A (zh) |
-
2022
- 2022-12-07 CN CN202211565617.9A patent/CN115919273A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113053535B (zh) | 一种医疗信息预测***及医疗信息预测方法 | |
TW201514905A (zh) | 肥胖基因檢測評估系統及資料處理方法 | |
CN105547915A (zh) | 基于密度模型的硬壳类食品的新鲜度测定***及其方法 | |
CN114659621B (zh) | 一种桥梁振动监测装置 | |
CN112331349B (zh) | 一种脑卒中复发监测*** | |
CN111862020A (zh) | 一种眼前节生理年龄预测方法、装置、服务器及存储介质 | |
CN112183572A (zh) | 一种生成预测肺炎严重程度的预测模型的方法及装置 | |
CN114628033A (zh) | 疾病风险预测方法、装置、设备及存储介质 | |
CN110728315B (zh) | 一种实时质量控制方法,***和设备 | |
CN109411092A (zh) | 基于深度学习的睑板腺共聚焦显微镜智能分析评估***及方法 | |
CN115919273A (zh) | 一种基于深度学习的亚健康预警***及相关设备 | |
CN117038091A (zh) | 一种通过预测模型对糖尿病性肾病的快速诊断***及方法 | |
CN117275644A (zh) | 基于深度学习的检测结果互认方法、***及存储介质 | |
CN102938068B (zh) | 桥梁结构多体系损伤识别方法 | |
CN109009009A (zh) | 血管评估方法、装置及智能终端 | |
CN115120209A (zh) | 一种牲畜数据分析***及其数据分析方法和装置 | |
CN114496196A (zh) | 医疗实验室临床生化检验自动审核*** | |
CN114004138A (zh) | 基于大数据人工智能的建筑监测方法、***及存储介质 | |
CN107103134A (zh) | 基于贝叶斯网络的低速无线传感器网络测试性分析方法 | |
CN207689491U (zh) | 一种快速检测人体尿液健康指标的*** | |
CN114373511B (zh) | 基于5hmC分子标志物检测的肠癌模型及肠癌模型构建方法 | |
CN116189896B (zh) | 一种基于云端的糖尿病健康数据预警方法及*** | |
CN116522248B (zh) | 基于机器学习的核酸异常数据智能研判*** | |
CN115662555A (zh) | 一种基于深度学习随机森林的免疫年龄评估方法 | |
CN114724720B (zh) | 一种基于深度学习的产前电子胎心监护自动识别*** |
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 |