-
公开(公告)号：CN118262801A
公开(公告)日：2024-06-28
申请号：CN202410683127.1
申请日：2024-05-30
IPC: G16B40/20 , G16B20/00 , G16B30/00 , G06F18/214 , G06F18/2431 , G06F18/27 , G06F18/25 , G06F18/2113 , G06N3/045 , G06N3/08
Abstract: 本发明适用于肽识别技术领域，提供了一种基于融合特征深度学习网络的抗炎肽识别方法，方法包括以下步骤：特征构建；两阶段特征选择，得到最终的信息性元特征；构建AIPPD模型，当预测值大于0.5时，视为AIP，否则视为Non‑AIP。本发明提供了一种新的抗炎肽识别方法，解决了湿实验室实验方法鉴定AIP昂贵、费力和耗时等问题。该识别方法能够更全面的描述AIP的特征，与8个最先进的模型在两个基准数据集上进行比较，AIP2125和AIP4194测试数据集上的MCC(从5.5%提高到11.7%)和MCC(从6.7%提高到31.3%)的性能优越，在效率、准确度、精度和可靠性方面均取得了更好的效果。
-
公开(公告)号：CN112336381B
公开(公告)日：2022-04-22
申请号：CN202011234333.2
申请日：2020-11-07
IPC: A61B8/08
Abstract: 本发明公开了一种基于深度学习的超声心动图收缩/舒张末期帧自动识别方法，具体方法为：步骤1、图像预处理；步骤2、网络搭建与训练；步骤3、对测试集数据进行定位；步骤4、对测试集数据进行自动定位。本发明的有益效果：本发明提供一种基于深度学习的超声心动图收缩/舒张末期帧自动识别方法，在超声心动图所有帧中自动预测最大收缩末期帧和最大舒张末期帧，减少人工参与成本，有利于医生对左心室功能进行评价，为心脏疾病诊断提供了基础。
-
公开(公告)号：CN111257839A
公开(公告)日：2020-06-09
申请号：CN202010234542.0
申请日：2020-03-30
Applicant: 吉林大学
Abstract: 本发明涉及一种雷达信号分选方法，包括以下步骤：对任意两个信号的si和sj到达时间做减法，符合阈值就存储到矩阵T；统计每个PRI出现的次数，对任意两个PRIi和PRIj，符合误差阈值，做归一化处理，遍历所有PRI，记录每个PRI的前后点信息；如果存在该PRI的后点和该PRI的前点相同，则进行连线查找；当连线长度大于某一阈值，并且所对应的PRI不是骨架周期，提取所对应的PRI，完成恒参信号分选；根据PRI的前后点信息，形成每个PRI的前后点集；之后移除小骨架PRI，计算所有的起始可行解，完成参差信号分选；最后参照恒参和参差分选方式完成组参差信号分选。该方法在有误差和信号缺失15％时仍然能够成功分离恒参、参差、组参差信号，该算法具有较强的鲁棒性、高效性和实时性。
-
公开(公告)号：CN101515313B
公开(公告)日：2012-02-01
申请号：CN200910066709.0
申请日：2009-03-27
Applicant: 吉林大学
Abstract: 本发明涉及一组用于微阵列数据误标记样本检测的计算方法，属于计算生物学领域。本发明利用数据扰动对回归模型的影响来识别微阵列数据中的疑似误标记样本，将其应用于疾病的基因表达数据预处理，可降低错误标记所带来的影响和损失。本发明建立了描述样本类标和样本基因表达向量之间关系的同归模型，而后通过依次扰动各样本的类标，建立扰动回归矩阵，进而捕获这些扰动对回归模型的影响。本发明定义了三种扰动影响指标：扰动影响值、总体扰动影响值和综合扰动影响值。在此基础上给出了三种针对微阵列数据的误标记样本检测方法：总体扰动影响值识别法，综合扰动影响值判别法和渐进修正法。
-
公开(公告)号：CN101515313A
公开(公告)日：2009-08-26
申请号：CN200910066709.0
申请日：2009-03-27
Applicant: 吉林大学
Abstract: 本发明涉及一组用于微阵列数据误标记样本检测的计算方法，属于计算生物学领域。本发明利用数据扰动对回归模型的影响来识别微阵列数据中的疑似误标记样本，将其应用于疾病的基因表达数据预处理，可降低错误标记所带来的影响和损失。本发明建立了描述样本类标和样本基因表达向量之间关系的同归模型，而后通过依次扰动各样本的类标，建立扰动回归矩阵，进而捕获这些扰动对回归模型的影响。本发明定义了三种扰动影响指标：扰动影响值、总体扰动影响值和综合扰动影响值。在此基础上给出了三种针对微阵列数据的误标记样本检测方法：总体扰动影响值识别法，综合扰动影响值判别法和渐进修正法。
-
Patent Agency Ranking
公开(公告)号：CN116935494A
公开(公告)日：2023-10-24
申请号：CN202311187857.4
申请日：2023-09-15
Applicant: 吉林大学
IPC: G06V40/20 , G06N3/0464 , G06N3/08 , G06V10/20 , G06V10/764 , G06V10/82 , G06V20/40
Abstract: 本发明适用于图像处理技术领域，提供了一种基于轻量化网络模型的多人坐姿识别方法，包括以下步骤：处理采集的视频流数据，使用OpenPose进行关键点提取，将得到的人体关键点进行单人连接并使用边界框归一化预处理，使用最小生成树算法构建人体骨架图，处理人体骨架图后，对数据集进行标注；增强处理后的图像，扩大数据集；构建基于轻量化卷积神经网络的LMSPNet模型；对LMSPNet模型进行训练，生成训练模型；对训练模型进行测试。本发明实现了对多人坐姿的自动预测和评估，通过自动预测人体关键点并生成人体骨架图，能够成功对用户的坐姿进行分类判断，帮助用户及时发现和纠正错误的坐姿，预防潜在的伤害。
-
公开(公告)号：CN116630324B
公开(公告)日：2023-10-13
申请号：CN202310912201.8
申请日：2023-07-25
Applicant: 吉林大学
IPC: G06T7/00 , G06N3/0455 , G06N3/0464 , G06N3/08 , G06V10/80
Abstract: 本发明适用于医学图像处理技术领域，提供了一种基于深度学习的MRI图像自动评估腺样体肥大的方法，包括以下步骤：将采集的DICOM格式的MRI图像转换为PNG格式，从矢状位的图像序列中挑选鼻中隔所在的一帧及其左右几帧作为数据集，对图像进行预处理；图像增强，扩充数据集；制作标签；对图像进行特征提取；在图像中自动定位四个地标并计算腺样体厚度与鼻咽腔间隙的比值（AN比值），评估该图像对应患者是否存在腺样体肥大。本发明通过自动定位四个地标进而计算AN比值，实现对患者是否存在腺样体肥大的自动评估，有利于减少医生的重复、费时的测量工作，辅助医生进行腺样体肥大的评估诊断。
-
公开(公告)号：CN110196974A
公开(公告)日：2019-09-03
申请号：CN201910501539.8
申请日：2019-06-11
Applicant: 吉林大学
Abstract: 本发明公开了一种用于大数据清洗的快速数据聚合方法，包括以下步骤：数据读取：原有的数据是在Excel中存储的，利用文件流的形式读取出Excel中的数据信息，根据数据的格式，将读取出来的数据信息存储在记录列表中，最后返回一个记录列表；对大数据文本进行切分；进行文本相似度比较；聚合结果的显示和修改：将要显示的表单打印出来并且提供给用户修改和删除，修改完成后，进行表单的下载。
-
公开(公告)号：CN108798354A
公开(公告)日：2018-11-13
申请号：CN201810546893.8
申请日：2018-05-31
Applicant: 吉林大学
IPC: E05F15/70 , E05F15/71 , E05F15/72 , E05F15/608
CPC classification number: E05F15/70 , E05F15/608 , E05F15/71 , E05F15/72 , E05Y2900/148
Abstract: 本发明提供了一种室内空气质量调节窗的控制方法，包括以下步骤：步骤一、通过传感器获取室内温度t和相对湿度ω；步骤二、计算温度状态参数T和湿度状态参数W；步骤三、计算人体舒适指数Cft：Cft＝T+W；步骤四、根据人体舒适指数Cft控制窗户开启状态：Cft＝1，则将窗户开启到第一状态；Cft＝2，则将窗户开启到第二状态；Cft＝3，则将窗户开启到第三状态；Cft＝‑3，‑2，‑1，0时，则将窗体关闭。本发明将搜集的数据与标准相比较，得出相对适宜度，即温、湿度状态，并将适宜度相加计算出人体舒适指数，最后通过该指数对窗体开启状态进行控制，来满足人体对温湿度的要求。
-
公开(公告)号：CN119339443B
公开(公告)日：2025-04-04
申请号：CN202411886455.8
申请日：2024-12-20
Applicant: 吉林大学
IPC: G06V40/20 , G06V10/44 , G06V10/774 , G06V10/776 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于摄影测量学和深度学习的三维人体姿态识别方法，涉及姿态识别技术领域，包括以下步骤：收集原始视频数据，使用基于深度学习的三维姿态估计方法MediaPipe进行姿态估计，获取图像原始三维关键点数据；再使用关键点规范算法对关键点数据进行初步约束，纠正识别误差；再使用基于共线方程的多视角模拟算法进行数据增强，以获取更丰富的视角信息，扩大数据集；构建姿态识别模型KeyposeNet；对KeyposeNet进行训练和测试，选出最佳模型进行姿态识别。本发明采用上述一种基于摄影测量学和深度学习的三维人体姿态识别方法，实现了更高效和准确的人体姿态分类识别，减少了人工分类的成本，为人体姿态的识别判断提供了辅助手段，从而应用于各种场合。
-
-
-
-
-
-
-
-
-
Search Results
28
records
(took 0.022 seconds)
