- 博客(11)
- 收藏
- 关注
RSS订阅原创 使用conda创建虚拟环境
conda创建虚拟环境和pip创建虚拟环境不同，pip建立的虚拟环境会直接在当前目录下生成一个虚拟环境的目录，激活虚拟环境也需要指定这个目录才行。而conda安装的虚拟环境，只会把虚拟环境的目录生成在。http://mirrors.aliyun.com/pypi/simple/ //阿里https://pypi.tuna.tsinghua.edu.cn/simple/ //清华。如上图所示则表示环境激活成功，左边括号中的(pachong)表示当前所处的就是刚刚建立并激活的pachong虚拟环境。
2023-12-18 10:33:44
1192
1
原创 四大经典临床流行病学研究方法——病例对照研究（Case-control）
四大经典临床流行病学研究方法——病例对照研究（Case-control）
2023-06-07 11:05:02
8179
1
原创 学习笔记——机器学习之哑变量
例如上面提到的以职业因素为例，共分为学生、农民、工人、公务员、其他共5个分类，设定了4哑变量，其中职业因素中“其它”这个属性，每个哑变量的赋值均为0，此时我们就将“其它”这个属性作为参照，在最后进行模型解释时，所有类别哑变量的回归系数，均表示该哑变量与参照相比之后对因变量的影响。例如疾病的严重程度，一般分为轻、中、重度，可认为是有序多分类变量，通常情况下我们也常会将其赋值为1、2、3（等距）或1、2、4（等比）等形式，通过由小到大的数字关系，来体现疾病严重程度之间一定的等级关系。
2023-05-03 16:35:01
330
原创 机器学习之——什么是Onehot编码？
然后，每个整数值被表示为二进制向量，除了整数的索引之外，它都是零值，它被标记为1。（比如把空格放在第一列和a放第一列，one-hot编码结果肯定是不同的）a--0，b--1，c--2，......，z--25，空格--26。--h e l l o 空格 w o r l d，共27种类别。这里有一个前提，特征排列的顺序不同，对应的二进制向量亦不同。例如：人的性别有男女，祖国有中国，美国，法国等。在机器学习算法中，我们经常会遇到分类特征。:有11个样本，每个样本有27个特征。1.性别特征：["男","女"]
2023-04-17 16:13:52
488
原创 统计学之怎么看箱线图？
3、在箱子的上方和下方，又各有一条线。请千万不要纠结，如果有点冒出去，理解成。2、箱子的上下限，分别是数据的上四分位数和下四分位数。因此，箱子的宽度在一定程度上反映了数据的。这时候就可以取这些数据得对数变换，堪比整容，专治各种不对称分布、非正态分布和异方差现象等。所以在处理数据时，如果需要画箱线图，最好还是先将数据进行对数变换，这样，画出来的图就不错！然而，也不是所有连续型变量数据都是适合画箱线图，有些画出来箱线图会变扁，被压得很丑，1、箱子的中间一条线，是数据的中位数，代表了样本数据的平均水平。
2023-04-17 15:18:06
2986
原创 多特征分支卷积神经网络在心梗心电图诊断中的应用
本文提出了一种基于多特征分支卷积神经网络(MFB-CNN)的心电MI自动检测与定位方法。MFB-CNN的每个独立特征分支都对应于一个特定的导联。一个特征分支可以利用12个线索之间的多样性来学习一个线索的单个特征。全局全连接softmax层可以充分利用其完整性，总结所有的特征分支。基于深度学习框架，分析不需要手工设计的特征。此外，采用患者特异性范式来管理患者间的变异性，这是自动化诊断的一个重大挑战。此外，进行基于类别的实验.
2023-03-21 14:13:45
1038
5
原创 基于一维深度学习网络的心电自动分类
标准的12导联心电图(ECG)通过皮肤上的电极记录心脏的电活动，由于其价格低廉、无创等特点，被广泛应用于心脏疾病的筛查和诊断。手动检查心电图需要专业的医疗技能，且费力耗时。近年来，深度学习方法已成功应用于医学图像分析。在本文中，我们提出了一个自动识别正常和异常心电信号的系统。提出了一种多通道多尺度深度神经网络(DNN)模型，该模型是一种端到端结构的心电信号分类模型，无需任何特征提取。使用卷积层提取主要特征，并结合长短期记忆(LSTM)和注意力来提高DNN模型的性能。
2023-03-09 16:17:32
1014
1
原创 多分支融合网络用于12导联ECG图像心肌梗死筛查
本文提出了一种基于多分支网络、特征融合和分类网络的12导联心电图像MI自动筛查的多分支融合框架。首先，我们使用文本检测和位置对齐来自动从ECG图像中分离出12条导联。然后，将这12条线索输入到由浅层神经网络构建的多分支网络中，得到12张特征图。将这些特征图进行深度融合后，进行分类，判断给定心电图是否为MI
2023-03-07 14:33:38
830
5
原创 基于心电信号的ResNet-Attention认证模型
使用了从两个ECG数据库(Physikalisch-Technische Bundesanstalt [PTB]和Check Your Bio-signals Here initiative [CYBHi])获得的2秒持续心电信号进行验证。我们提出的ResNet-Attention算法使用PTB和CYBHi分别达到了98.85和99.27%的准确率。结果表明，该模型的性能优于现有算法，可以应用于心电数据更加多样化的实时认证系统。
2023-03-03 14:36:59
591
原创 基于PTB-XL数据集的深度学习心电信号分类
心电信号的分析与处理是心血管疾病诊断的重要手段。该领域的主要工作领域是分类，它越来越多地得到基于机器学习的算法的支持。在这项工作中，开发了一个深度神经网络来自动分类初级心电信号。这项研究是在PTB-XL数据库中包含的数据上进行的。提出了三种神经网络架构:第一种基于卷积网络，第二种基于SincNet，第三种基于卷积网络，
2023-03-03 10:20:09
3118
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人