Yang Yun, Hu Yuanyuan, Zhang Xingyi, Wang Song. Two-Stage Selective Ensemble of CNN via Deep Tree Training for Medical Image Classification[J]. IEEE Transactions on Cybernetics, 2022, 52: 9194-9207.
Xia Yuelong, Chen Ke, Yang Yun. Multi-Label Classification with Weighted Classifier Selection and Stacked Ensemble[J]. Information Sciences, 2021, 557: 421-442.
Yang Yun, Rao Yulong, Yu Minghao, Kang Yan. Multi-layer information fusion based on graph convolutional network for knowledge-driven herb recommendation[J]. Neural Networks, 2022, 146: 1-10.
Du Fei, Yang Peng, Jia Qi, Nan Fengtao, Chen Xiaoting, Yang Yun. Global and Local Mixture Consistency Cumulative Learning for Long-tailed Visual Recognitions[C]. IEEE/CVF Conference on Computer Vision and Pattern Recognition, 2023: 15814-15823.
Du Fei, Yang Yun, Zhao Ziyuan, Zeng Zeng. Efficient Perturbation Inference and Expandable Network for continual learning[J]. Neural Networks, 2023, 159: 97-106.
Qi Jun, Yang Po, Waraich Atif, Deng Zhikun, Zhao Youbin, Yang Yun. Examining sensor-based physical activity recognition and monitoring for healthcare using Internet of Things: A systematic review[J]. Journal of Biomedical Informatics, 2018, 87: 138-153.
Qi Jun, Yang Po, Hanneghan Martin, Tang Stephen, Zhou Bo. A Hybrid Hierarchical Framework for Gym Physical Activity Recognition and Measurement Using Wearable Sensors[J]. IEEE Internet of Things Journal, 2019, 6: 1384-1393.
Qi Jun, Yang Po, Newcombe Lee, Peng Xiyang, Yang Yun, Zhao Zhong. An Overview of Data Fusion Techniques for Internet of Things enabled Physical Activity Recognition And Measure[J]. Information Fusion, 2020, 55: 269-280.
我单位祁君老师参与的“模型-知识-数据叁元协同：面向基层医养的融合智能模型与方法” 项目拟申报2026年度云南省科学技术奖，特进行公示，公示期为2026年5月7日-2026年5月13日，共5个工作日。
公示期内，如对公示内容有异议，请以书面方式实名向我校科研生产力和创新办公室反映，并提供必要的证据材料，以便核实查证。提出异议的个人必须在书面异议材料上签名，并提供有效联系方式。凡匿名、冒名和超出期限的异议不予受理，公示详情如下：
一、项目名称：模型-知识-数据叁元协同：面向基层医养的融合智能模型与方法
二、提名者：中国工程院院士 何友
提名等级：云南省自然科学奖一等奖
叁、项目介绍
面向“健康中国2030”重大战略，针对云南省医养资源分布不均的现实问题，本项目聚焦人工智能与交叉学科领域，在国家自然科学基金（面上、地区）、云南省杰出青年基金及中国工程院院地合作重点项目的资助下，着力破解人工智能赋能基层医养服务面临的“卡脖子”困境。由此凝练出关键科学问题：在模型受限、知识失衡、数据割裂的复杂开放环境中，如何构建鲁棒、可扩展且协同的融合智能模型。为此，项目突破了单一模型、单一知识源、单一数据模态的局限，构建了以模型融合为决策中枢、知识融合为演化机制、数据融合为感知基石的融合智能方法体系，实现了从“单智”向“融智”的范式跃迁，开创了“模型-知识-数据”叁元协同的融合智能新范式，为复杂开放环境下的基层医养服务提供了系统的智能模型与方法支撑。
1、为破解基层医养数据与专业知识匮乏及并发症智能辅助诊断难的困境，提出了面向深度学习与多标签学习的模型融合方法：针对深度学习单一模型梯度消失与过拟合、多标签关联复杂与分类器冗余、先验知识难以有效融合导致的模型受限问题，开展“结构—决策—增强”叁维协同的模型融合研究。
2、为破解基层临床罕见与新发病症智能辅助诊断难的困境，提出了面向稀缺知识保护与持续演化的动态知识融合方法：针对长尾数据分布易丢失尾部稀缺知识、持续学习易发生知识灾难性遗忘所导致的知识失衡问题，开展“保护-演化”双向协同的知识融合研究。
3、为破解基层医疗机构与居家场景中健康感知设备数据高度异构低质易噪导致健康监测失准的困境，提出了面向多源异构感知的物理活动数据融合方法：针对感知数据异构低质特性分析不足与技术瓶颈、传统健康活动识别算法可扩展性不强、系统性数据融合顶层设计缺失所导致的数据割裂问题，开展“技术解析—模型重构—架构设计”递进协同的数据融合研究。
四、代表性论文专着目录
五、主要完成人基本情况
联系人：徐修然
联系电话：81889062
西交利物浦大学
??? 2026年5月7日