詳細(xì)內(nèi)容
該項(xiàng)目為國(guó)家自然科學(xué)基金資助面上項(xiàng)目（項(xiàng)目批準(zhǔn)號(hào)：61471064）。該項(xiàng)目理論成果如下：
1. 上下文特征篩選：基于高維醫(yī)療健康體檢數(shù)據(jù)特點(diǎn)提出數(shù)據(jù)預(yù)處理方案，提高模型效果及模型收斂速度；基于機(jī)器學(xué)習(xí)的高血壓風(fēng)險(xiǎn)評(píng)估模型展開了對(duì)應(yīng)的研究，篩選肥胖相關(guān)的方便獲取的上下文特征；基于隨機(jī)森林算法分析每種因素對(duì)高血壓的影響，得出對(duì)高血壓影響最大的上下文指標(biāo)。
2. 體域網(wǎng)的研究：提出了異構(gòu)無(wú)線傳感器網(wǎng)絡(luò)(HWSNs)節(jié)點(diǎn)優(yōu)化分配方案，實(shí)現(xiàn)異構(gòu)傳 感器節(jié)點(diǎn)在網(wǎng)絡(luò)中的優(yōu)化分配。在區(qū)域覆蓋中的能耗問題上，提出一個(gè)新型高能效節(jié)點(diǎn)部署機(jī)制(LEDS)，提高了網(wǎng)絡(luò)壽命約 15% -20%且達(dá)到將近 98%的利用率。在點(diǎn)覆蓋中的精度問題上，提出基于標(biāo)準(zhǔn)的卡爾曼濾波的最優(yōu)跟蹤算法，使跟蹤精度最大化。
3. 數(shù)據(jù)挖掘算法的研究：提出了一種更適合于對(duì)高血壓慢病進(jìn)行挖掘的模糊加權(quán)關(guān)聯(lián)分類算法(GRWFAC)。通過篩選肥胖相關(guān)的上下文特征，提出并實(shí)現(xiàn)了基于決策樹的高血壓風(fēng)險(xiǎn)評(píng)估模型。構(gòu)造了疾病早期篩查和高危人群識(shí)別模型，并應(yīng)用于心腦血管疾病的智能診斷。4.預(yù)警模型的研究：從于心血管慢病數(shù)據(jù)集上開展加速比和并行效率評(píng)估實(shí)驗(yàn)，驗(yàn)證了
挖掘方案的可行性以及 MRWFAC 算法在應(yīng)對(duì)海量數(shù)據(jù)處理時(shí)在擴(kuò)展性和效率方面獲得的性能
提升；設(shè)計(jì)出了一套高血壓早期預(yù)警的整體模型，由數(shù)據(jù)預(yù)處理及特征提取、模型訓(xùn)練、診斷預(yù)警三個(gè)部分構(gòu)成。
5.醫(yī)療影像的研究：考慮到高血壓是阿爾茲海默癥的誘發(fā)因素，該項(xiàng)目在原研究?jī)?nèi)容基 礎(chǔ)上引入了基于多模態(tài)磁共振影像的組織分割研究，構(gòu)建基于多目標(biāo)的交互式神經(jīng)網(wǎng)絡(luò)模型， 實(shí)現(xiàn)海馬體的自動(dòng)分割研究，其戴斯相關(guān)系數(shù)(DSC) 可達(dá) 0.919(±0.023) ， 精準(zhǔn)度(Precision)可達(dá) 0.926(±0.032)。
該項(xiàng)目實(shí)踐成果主要有：針對(duì)患有高血壓、糖尿病、肥胖等慢性疾病患者、老年人等人群，以健康監(jiān)測(cè)及運(yùn)動(dòng)促進(jìn)為主要手段，搭建 WeHealth 遠(yuǎn)程健康管理平臺(tái)。在其數(shù)據(jù)采集部分中，除了可穿戴設(shè)備以外，又提供了一種可供病人自行填寫上傳測(cè)量信息的數(shù)據(jù)采集方式，開發(fā)了數(shù)據(jù)采集微信小程序，并應(yīng)用于中國(guó)人民解放軍總醫(yī)院。
技術(shù)信息
| 愿意合作方式 |
投資入股 |
愿意投資額度 |
面議
|
| 有效截止時(shí)間 |
2023-04-29 |
| 聯(lián)系人姓名 |
認(rèn)證用戶可見 |
聯(lián)系人QQ |
認(rèn)證用戶可見 |
| 聯(lián)系人電話 |
認(rèn)證用戶可見 |
聯(lián)系人郵箱 |
認(rèn)證用戶可見 |
| 聯(lián)系人地址 |
認(rèn)證用戶可見 |
聯(lián)系人單位 |
認(rèn)證用戶可見 |
| 區(qū)域 |
認(rèn)證用戶可見 |
附件信息
