-
公开(公告)号：CN111180012A
公开(公告)日：2020-05-19
申请号：CN201911377048.3
申请日：2019-12-27
Applicant: 哈尔滨工业大学
Abstract: 本发明是一种基于经验贝叶斯与孟德尔随机化融合的基因识别方法。所述方法采用经验贝叶斯元信息分析全基因组关联分析数据，得到分析结果；基于经验贝叶斯的综合层次元信息分析，修正全基因组中的每个SNP的统计值；基于孟德尔随机化的全基因组关联分析数据分别与eQTL和mQTL数据整合，根据孟德尔随机化的全基因组关联分析数据与eQTL和mQTL数据整合结果的重叠部分，得到基因识别结果。本发明可以极大地提高AD相关基因的识别速度，充分的利用现有的数据，提升了疾病相关基因识别的速度并节省了研发费用。计算结果可以筛选掉极大部分的基因，为后续的生物实验提供了有价值的研究范围。
-
公开(公告)号：CN110349623A
公开(公告)日：2019-10-18
申请号：CN201910043414.5
申请日：2019-01-17
Applicant: 哈尔滨工业大学
Abstract: 本发明提供了基于改进孟德尔随机化的老年痴呆病基因及位点筛选方法，属于阿尔茨海默病相关基因及位点筛选领域。本发明具体步骤为取GWAS数据为x、eQTL数据为y，SNP数据为z；得到x对于y的效果为bxy、z对于x的效果bzx、z对于y的效果为bzy；定义bxy为bxy＝bzy/bzx；计算eQTL数据集中SNP的Z-score；计算GWAS数据集中对应SNP的Z-score；计算统计量Tsmr并服从自由度为1的卡方分布；对Tsmr进行卡方检验并求得P-value；根据P-value的大小进行筛选。本发明发现更多与AD相关的基因与位点，在做基因筛查的时候可以预知患病风险，对于基因靶向药物的研发也有极其重要的意义。在极端情况下，可以进行基因敲除手术使患者康复。
-
公开(公告)号：CN104182596B
公开(公告)日：2017-05-03
申请号：CN201410471713.6
申请日：2014-09-16
Applicant: 哈尔滨工业大学
IPC: G06F17/50
Abstract: 一种基于LabVIEW与Matlab混合编程的无线数传设备测试数据挖掘系统及方法，本发明涉及测试数据挖掘系统及方法，本发明要解决人工辨识方法很难对测试数据之间的关联性进行准确识别与提取且工作量较大、使用LabVIEW困难以及Matlab的图形用户界面操作简便、图形美观不如LabVIEW的问题，该系统包括数据预处理模块、参量序列提取模块、波形显示模块、灰色关联分析模块和模糊关联规则挖掘模块；该系统按照以下步骤进行的：1得到精简数组；2对双精度数值型数据进行图形化显示；3计算改进灰色关联度r*i；4将强关联规则数组表达规则进行整理；5得出参量序列之间的关联关系；本发明应用于测试数据挖掘领域。
-
Patent Agency Ranking
公开(公告)号：CN115631849A
公开(公告)日：2023-01-20
申请号：CN202211291501.0
申请日：2022-10-19
Applicant: 哈尔滨工业大学
Abstract: 基于深度神经网络的乳腺癌预后指示系统、存储介质及设备，属于癌症预后指示技术领域。本发明为了解决现有的乳腺癌预后预测准确率有待于提高的问题。本发明根据用户输入实例对应的组学特征在TCGA数据库中获取相同的全部乳腺癌实例的组学特征，然后针对每个组学数据分别计算特征的肯德尔相关系数矩阵，根据相关系数矩阵确定全局基因相似系数矩阵及最相近基因相似系数矩阵，并通过迭代计算多组学特征相似性融合矩阵进而获得多组学特征的全局相似性，之后根据非负矩阵分解的方式对其进行分解，根据分解结果对用户取户输入的组学特征进行加权，然后利用机器学习模型进行乳腺癌预后预测。本发明用于乳腺癌的预后指示。
-
公开(公告)号：CN115641955B
公开(公告)日：2023-06-20
申请号：CN202211280416.4
申请日：2022-10-19
Applicant: 哈尔滨工业大学
Abstract: 基于深度学习的胃癌分期判别系统及存储介质，属于癌症辅助判识技术领域。本发明为了解决现有的胃癌分期判别准确率低的问题，本发明首先通过组学特征相关系数计算单元对单一组学特征或多组学计算每个组学的任意两个基因的特征相似性系数，并得到组学特征矩阵；然后通过胃癌标记基因筛选单元：计算图注意力网络中节点i和节点j的注意力系数，计算出q个基因与其它所有基因的注意力系数之后针对每个基因选取其中系数最高的前r个作为参数，并与用户输入的原始数据加权，得到特征矩阵Sq*r；胃癌分期预测单元基于该特征矩阵，利用神经网络对胃癌分期进行预测。本发明用于胃癌的分期判别。
-
公开(公告)号：CN115631847A
公开(公告)日：2023-01-20
申请号：CN202211280689.9
申请日：2022-10-19
Applicant: 哈尔滨工业大学
IPC: G16H50/20 , G06F18/25 , G06F18/241 , G06V10/82 , G06N20/20
Abstract: 基于多组学特征的早期肺癌诊断系统、存储介质及设备，属于癌症诊断技术领域。为了解决仅使用临床图像的早期肺癌筛查存在准确率较低的问题。本发明所述系统包括针对转化为矩阵形式的影像学数据并分别利用卷积神经网络CNN和深度神经网络DNN进行预测的神经网络预测单元、针对每个组学特征，利用图卷积网络得到全局基因关系矩阵的加权的特征矩阵进而获得多组学特征的组学特征处理单元，以及针对多组学数据分别使用多分类器进行预测的分类器预测单元。本发明适用于早期肺癌诊断。
-
公开(公告)号：CN111524551A
公开(公告)日：2020-08-11
申请号：CN202010264520.9
申请日：2020-04-07
Applicant: 哈尔滨工业大学
Abstract: 本发明是一种基于随机森林与相关向量机融合的抗癌肽识别方法。所述方法具体为:对氨基酸的构成进行特征提取，确定ACP和非ACP中每种氨基酸的平均百分比，确定ACP的序列特征；进行RVM模型的构建，确定先验分布和后验分布，进行迭代计算，构建RVM模型；对RVM模型进行训练，计算后验均值和后验方差，对训练样本进行预测；采用RRVM算法对一给定样本进行特征抽样，并用于RVM建模的样本，在输入一个新的肽链的特征时，采用RVM模型进行预测，判断输入的新的肽链为ACP或非ACP。本发明优于目前的大部分研究人员所采用传统简单的方法识别ACP，解决了识别精度较低，充分为生物实验提供技术支撑以降低成本、提高效率。
-
公开(公告)号：CN106093782A
公开(公告)日：2016-11-09
申请号：CN201610388905.X
申请日：2016-06-03
Applicant: 哈尔滨工业大学
IPC: G01R31/36
CPC classification number: G01R31/367
Abstract: 本发明提供了一种动态建模的最小二乘支持向量机SOC估计方法，属于SOC估计方法技术领域。本发明的方法，在放电初期，LS‑SVM不断地匹配与当前放电循环最相近的样本，不断地建立新的模型给出当前放电时刻对应的SOC值，随后在放电稳定后，不再建立新的模型，使用当前模型完成对后续放电时刻的SOC估计。本发明对电池在整个生命周期进行SOC估计的同时，可以把本发明的方法推广至不同电池中。由于电池的充放电是个复杂的电化学反应过程，因此其SOC不可直接测量得到。在进行SOC估计时，需要采集电池外部可测参数，例如：电压、电流、电阻、温度等。由于这些外部参数与SOC非线性相关，因此需要将参数进行非线性映射到SOC上，达到通过外部可测量估计SOC的目的。
-
-
-
-
-
-
-
Search Results
18
records
(took 0.018 seconds)
