-
公开(公告)号：CN119274646A
公开(公告)日：2025-01-07
申请号：CN202411306649.6
申请日：2024-09-19
Applicant: 桂林电子科技大学
IPC: G16B20/00 , G16B40/20 , G06F18/213 , G06F18/24 , G06N3/092
Abstract: 本发明提供了一种基于DQN强化学习的癌症患者基因甲基化特征筛选方法，该方法通过构建深度Q网络模型，将基因甲基化特征筛选问题转化为强化学习问题，以最大化预测准确性为目标，动态地选择最具代表性的甲基化特征。该方法首先对癌症患者的基因甲基化数据进行预处理，然后通过DQN模型在多轮训练过程中不断优化特征选择策略，最终筛选出与癌症诊断和预后密切相关的关键甲基化特征。本发明能够有效减少特征维度，提高模型的泛化能力，并在癌症的早期诊断、个性化治疗及预后评估中具有广泛应用前景。
-
Patent Agency Ranking
公开(公告)号：CN119274647A
公开(公告)日：2025-01-07
申请号：CN202411306650.9
申请日：2024-09-19
Applicant: 桂林电子科技大学
IPC: G16B20/00 , G16B40/20 , G06F18/213 , G06F18/24 , G06N3/092
Abstract: 本发明公开了一种基于DDPG强化学习的癌症患者基因甲基化特征筛选方法。该方法通过深度确定性策略梯度算法（DDPG）与基因甲基化数据相结合，旨在从海量的基因甲基化数据中精准筛选出与癌症分类密切相关的重要特征。系统通过连续状态空间与动作空间的有效探索，对基因甲基化特征进行动态选择，并通过强化学习的奖励机制优化特征选择策略。此方法不仅能够显著提高癌症分类模型的准确性，还能通过分析筛选出的特征，为癌症的早期检测与个性化治疗提供有力支持。该发明有效解决了高维基因数据特征选择的挑战，提升了生物医学研究中的数据处理效率，具有广泛的应用前景和实际价值。
-
公开(公告)号：CN111863248B
公开(公告)日：2022-10-11
申请号：CN202010771540.5
申请日：2020-08-04
Abstract: 本发明公开了一种构建临床决策模型的有效方法，该方法选取一种疾病和其对应的一种治疗手段，选取对应的一批病人的病理特征和生存结局；对数据进行预处理，病理数据进行编码，将数据分为训练样本和验证样本，建立基于遗传算法的临床决策模型，将对应疾病特征作为遗传算法的特征输入作为学习样本进行训练，得到对应疾病临床决策的潜在模型，对对应疾病的潜在模型进行稳定性验证，进行训练样本的有放回的抽样重复分析，选取稳定模型作为候选模型。将选模型进行测试样本测试，通过测试的模型作为最终模型。对得到的最终模型统计病理特征并进行显示。该方法无需假设，模型规模小，速度快，准确度高。
-
公开(公告)号：CN111863248A
公开(公告)日：2020-10-30
申请号：CN202010771540.5
申请日：2020-08-04
Abstract: 本发明公开了一种构建临床决策模型的有效方法，该方法选取一种疾病和其对应的一种治疗手段，选取对应的一批病人的病理特征和生存结局；对数据进行预处理，病理数据进行编码，将数据分为训练样本和验证样本，建立基于遗传算法的临床决策模型，将对应疾病特征作为遗传算法的特征输入作为学习样本进行训练，得到对应疾病临床决策的潜在模型，对对应疾病的潜在模型进行稳定性验证，进行训练样本的有放回的抽样重复分析，选取稳定模型作为候选模型。将选模型进行测试样本测试，通过测试的模型作为最终模型。对得到的最终模型统计病理特征并进行显示。该方法无需假设，模型规模小，速度快，准确度高。
-
公开(公告)号：CN116779178A
公开(公告)日：2023-09-19
申请号：CN202310858825.6
申请日：2023-07-13
Applicant: 桂林电子科技大学
IPC: G16H50/70 , G16H50/30 , G06N3/126 , G06F18/214
Abstract: 本发明公开了一种基于遗传算法的临床患者多分类决策模型构建方法，该方法是对一种疾病、与其对应的治疗方案及患者的病理数据进行归一化处理，将特征值输入遗传算法；对每个患者的特征变量数据进行实数编码，将编码后的患者数据分为训练样本和验证样本；将训练样本作为遗传算法的特征输入，对建立的临床决策模型进行训练，再对相应疾病的潜在模型进行训练样本抽样重复分析，从潜在模型中选择稳定模型作为候选模型；将验证样本输入候选模型中进行测试，得到最终模型；对得到的最终模型统计特征变量进行统计并输出。通过该方法可以让医生准确的做出更可靠的判断和决策，得到适用于患者的特征组合，提高病人的治愈率，减少不必要的医疗资源浪费。
-
公开(公告)号：CN114740189A
公开(公告)日：2022-07-12
申请号：CN202210360996.1
申请日：2022-04-07
Applicant: 桂林电子科技大学
IPC: G01N33/52 , H04M1/72439 , H04M1/72406 , H04M1/72403
Abstract: 本发明公开了一种尿液试纸手机图像检测分析的方法，该方法先在标准光源箱下采集多种光源下的尿液试纸JPEG图像，以D65光源下的试纸图像为标准图像，其余光源环境下的试纸图像向标准光源下试纸图像对应区域试纸块的RGB色彩表现收敛即训练获取补偿模型，模型特征参数充分考虑试纸色彩特征和手机相机特性特征，特征在预处理时经过最大值、最小值和方差分析保证建立颜色校正模型的精度，建立训练TabNet模型，融合LightGBM、ElasticNet Regression、Support Vector Regression多个回归模型优化颜色校正效果，实现加强版补偿模型。通过补偿模型对试纸图像的颜色校正，减少环境光影响尿液试纸图像的颜色表现带来的误差，还原试纸图像最真实的颜色，提高颜色识别度，提高试纸检测分析的准确度，且该模型小，识别速度快。
-
-
-
-
-
Search Results
6
records
(took 0.018 seconds)
