-
公开(公告)号：CN111312329A
公开(公告)日：2020-06-19
申请号：CN202010115572.X
申请日：2020-02-25
Applicant: 成都信息工程大学
Abstract: 本发明公开一种基于深度卷积自动编码器的转录因子结合位点预测的方法，应用于计算机技术和生物信息技术领域，为了解决模型对没有结合位点的阴性序列样本的依赖性同时提高模型泛化能力；本发明首先通过染色质免疫共沉淀技术特异性地富集目的蛋白结合的DNA片段，从而获得原始数据集；然后对原始数据集进行预处理，得到训练数据集；其次将训练数据集输入卷积自动编码器进行训练；最后根据训练完成的卷积自动编码器进行结合位点识别；实验证明本发明能够针对不同细胞系的不同转录因子结合位点预测，且具备高准确率识别的效果。
-
公开(公告)号：CN111189459A
公开(公告)日：2020-05-22
申请号：CN202010026328.6
申请日：2020-01-10
Applicant: 成都信息工程大学 , 四川省金科成地理信息技术有限公司 , 成都探码科技有限公司
Inventor： 乔少杰 , 黄振锋 , 甘戈 , 韩楠 , 宋学江 , 魏军林 , 张小辉 , 温敏 , 肖月强 , 程维杰 , 陈权亮 , 李斌勇 , 张永清 , 张吉烈 , 何林波 , 元昌安 , 彭京 , 周凯 , 余华 , 范勇强 , 冉先进
IPC: G01C21/30
Abstract: 本申请实施例提供了一种定位信息与道路匹配的方法和装置，该方法包括：S1.获取待匹配的定位轨迹序列和道路网络数据；步骤S2.获取所述轨迹序列的候选路段；步骤S3.判断所述定位轨迹序列中已匹配点的个数是否大于两个，若是，则用第一匹配算法计算出所述轨迹序列在所述道路网络数据上的匹配轨迹；若否，则用第二匹配算法计算出所述轨迹序列在所述道路网络数据上的匹配轨迹；步骤S4.输出所述匹配轨迹。本申请提供的定位信息与道路匹配的方法和装置，其通过获取浮动车数据和城市道路网络数据，搜索和筛选出合理的候选路段和候选待匹配点，结合所设计两种不同的匹配算法来进行浮动车地图的匹配，实现了大规模浮动车地图匹配的准确性和效率性。
-
公开(公告)号：CN108763865A
公开(公告)日：2018-11-06
申请号：CN201810489037.3
申请日：2018-05-21
Applicant: 成都信息工程大学
CPC classification number: G06N3/0454
Abstract: 本发明涉及一种预测DNA蛋白质结合位点的集成学习方法，其包括以下步骤：获取DNA结合蛋白质位点的蛋白质序列数据；对DNA结合蛋白质位点的蛋白质序列数据预处理；使用one‑hot编码方式构建输入数据；将提取的特征合并，构建每个蛋白质序列上氨基酸的特征，将其作为输入数据；使用SMOTE算法对正样本数据进行过采样；根据正样本大小将负样本数据分成多份，每份负样本与正样本组合成一个新的数据子集，得到N个数据子集；每个数据子集使用卷积神经网络进行训练；对N个卷积神经网络的结果进行多数投票法集成，从而得到预测结果。本发明解决了不平衡数据情况下的DNA蛋白质结合位点预测问题，提高了预测的准确性。
-
公开(公告)号：CN119580823A
公开(公告)日：2025-03-07
申请号：CN202411627349.8
申请日：2024-11-14
IPC: G16B15/30 , G16B40/00 , G06N3/0464 , G06N3/0442
Abstract: 本发明公开了一种基于双分支网络预测转录因子结合位点的方法，包括：将DNA序列转换为K‑mer标记的序列；将K‑mer标记的序列依次输入至基于BERT架构的预训练模型、循环神经网络BiLSTM中、CNN模块中、双分支Dual‑Branch模块中，输出第二全局特征矩阵和第二局部特征矩阵；将第二全局特征矩阵和第二局部特征矩阵分别输入多层感知器中，输出转录因子结合位点的两个概率；将转录因子结合位点的两个概率整合，输出转录因子结合位点的预测结果。本发明可解释性强决策过程透明化、泛化能力强，对TFBS的预测任务准确率高且当数据量较少时，依旧能够保证良好性能，能够在某细胞系中训练之后预测另一细胞系中的转录因子。
-
公开(公告)号：CN118824350A
公开(公告)日：2024-10-22
申请号：CN202411296576.7
申请日：2024-09-18
IPC: G16B5/00 , G16B40/00 , G06N3/0442 , G06N3/0895
Abstract: 本发明公开了一种单细胞分化轨迹推断方法，涉及细胞分化轨迹分析技术领域，本方法基于DNA序列和RNA序列进行建模，同时预测染色质可及性和基因表达状态，并整合成对的单细胞多组学数据，将分类器的权重作为两种组学的细胞低维特征，利用对比学习学习其中的细胞异质性，提高单细胞的聚类准确率，进而构建准确的单细胞的分化轨迹。本方法采用轻量级深度学习模型，避免了当前众多基于编码解码器结构的单细胞数据融合模型训练困难的尴尬处境，还可以提高数据处理效率。本方法考虑到细胞异质性对于单细胞多组学数据融合的影响，利用对比学习，能够更精准地刻画多组学数据中的单细胞特征，为准确聚类打下基础。
-
Patent Agency Ranking
公开(公告)号：CN118000664A
公开(公告)日：2024-05-10
申请号：CN202410101569.0
申请日：2024-01-24
Applicant: 成都信息工程大学
IPC: A61B5/00 , G06F18/213 , G06F18/24 , G06F18/25 , G06N3/0464 , A61B5/369 , A61B5/372
Abstract: 本发明公开了一种基于多尺度时间残差收缩网络的睡眠分期模型构建方法，属于睡眠质量评估的技术领域，其包括将获取的EEG睡眠信号划分为EEG睡眠信号片段序列，并输入多尺度卷积模块中，提取EEG睡眠信号中的高频特征和低频特征；将提取的高频特征和低频特征输入注意力特征融合模块中进行特征融合，输出EEG睡眠信号融合特征；将EEG睡眠信号融合特征输入时间残差收缩模块中，并输出EEG睡眠信号状态特征；将EEG睡眠信号状态特征输入具有softmax激活函数的全连接层进行分类决策，得到睡眠阶段的分类结果。本发明能够优化睡眠分期性能，具有更好的分期准确性，在分类准确率等多个整体性能方面优于现有技术。
-
公开(公告)号：CN116884495A
公开(公告)日：2023-10-13
申请号：CN202310991350.8
申请日：2023-08-07
IPC: G16B30/00 , G06N3/0464 , G06N3/048 , G06N3/084 , G06F18/241 , G06N3/0499
Abstract: 本发明公开了一种基于扩散模型的长尾染色质状态预测方法，包括S1、获取原始DNA序列，并对原始DNA序列进行处理得到DNA编码数据；S2、基于所述DNA编码数据构建DNA序列扩散模型；S3、结合UNet的噪声预测器，进行有条件的DNA序列扩散模型的逆向过程，得到具有不同染色质状态类别的平衡数据集；S4、基于所述平衡数据集，采用反向传播算法构建染色质状态预测模型。本发明利用基于DNA序列扩散模型从噪音中生成尾部类别染色质状态的DNA序列，从而实现样本平衡；然后，利用类别样本平衡的数据集训练染色质状态预测模型，染色质状态预测模型能够有效捕捉基于基因的语法规则，从而精确预测染色质状态。
-
公开(公告)号：CN116807479A
公开(公告)日：2023-09-29
申请号：CN202311086072.8
申请日：2023-08-28
Applicant: 成都信息工程大学
Abstract: 本发明公开了一种基于多模态深度神经网络的驾驶注意力检测方法，属于驾驶注意力检测技术领域，为了解决现有驾驶注意力检测过程中用单一模态的指标去进行检测的可靠性不足的技术问题，包括：S1：获取原始公开数据集中的脑电数据和眼电数据；S2：分别对所述脑电数据和所述眼电数据进行预处理，得到预处理后的眼电数据和预处理后的脑电数据；S3：根据所述预处理后的眼电数据和所述预处理后的脑电数据，对多模态深度神经网络进行训练，得到训练好的多模态深度神经网络；S4：利用所述训练好的多模态深度神经网络对驾驶输入图像进行注意力检测，得到驾驶注意力检测结果。本发明能够有效地提升检测结果的准确性。
-
公开(公告)号：CN116736978A
公开(公告)日：2023-09-12
申请号：CN202310673992.3
申请日：2023-06-07
Applicant: 成都信息工程大学
IPC: G06F3/01 , G06F18/24 , G06F18/213 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于BPR‑STNet的跨被试游戏玩家专业水平分类方法，包括：S1、获取游戏玩家的EEG信号原始数据，并对其进行预处理，构建EEG信号序列；S2、利用训练好的基于BPR‑STNet的专业水平分类模型对EEG信号序列进行处理，识别游戏玩家专业水平；S3、基于游戏玩家专业水平，提取对应的关键特征并结合EEG信号序列，确定游戏玩家不同脑区贡献度的脑地形图，实现跨被试游戏玩家专业水平分类。本发明提供的专业水平分类模型，可以充分学习EEG信号中的时空特征，得出了γ频段是跨被试水平分类效果，发现专业水平游戏玩家的大脑活动对模型决策影响最大的区域是顶叶区和颞叶区；进而实现准确的跨被试分类。
-
公开(公告)号：CN116386720A
公开(公告)日：2023-07-04
申请号：CN202310383948.9
申请日：2023-04-11
Applicant: 成都信息工程大学
Abstract: 本发明公开了一种基于深度学习和注意力机制的单细胞转录因子预测方法，其包括获取单细胞染色质可及性分析测序数据，并对其进行预处理，之后进行数据增强操作，得到增强测序数据；提取增强测序数据中的回归峰作为特征向量S，拼接正向和反向的增强测序数据作为特征向量A，将取自全基因组的DNA序列数据转换为特征向量U；拼接特征向量S、特征向量A和特征向量U，并输入深度网络模型预测单细胞中每个转录因子的概率，深度网络模型包括卷积模块和通道注意力模型。
-
-
-
-
-
-
-
-
-
Search Results
99
records
(took 0.028 seconds)
