-
公开(公告)号：CN116774154A
公开(公告)日：2023-09-19
申请号：CN202311061194.1
申请日：2023-08-23
Applicant: 吉林大学
IPC: G01S7/02 , G01S7/41 , G06V10/46 , G06V10/774 , G06V10/776 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/048 , G06N3/08 , G06V10/80
Abstract: 本发明适用于雷达信号处理领域，提供了一种雷达信号分选方法，该方法包括以下步骤：步骤A：生成六种雷达信号调制模式不同情况的数据，以扩充数据集；步骤B：对步骤A中的图像进行正则化操作；步骤C：构建基于卷积神经网络和Transformer的RDNet；输入的雷达信号图像首先经过特征提取编码器进行特征提取，然后将提取的特征送入到解码器进行尺度的重建，最后将与原始图像相同尺寸的特征输入到雷达信号分选头，从而得到最终的分选结果，本发明的分选准确度高，在面对输入脉冲中缺失率和噪音率高的情况下鲁棒性强，可以成为复杂电磁环境下雷达信号分选的有利工具，有助于电子战中雷达电子对抗的实施。
-
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：CN111257839B
公开(公告)日：2021-12-21
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：CN112336381A
公开(公告)日：2021-02-09
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：CN118262801B
公开(公告)日：2024-07-23
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。
-
Patent Agency Ranking
公开(公告)号：CN117292742A
公开(公告)日：2023-12-26
申请号：CN202311138515.3
申请日：2023-09-05
IPC: G16B5/00 , G16B40/20 , G06N3/0442 , G06N3/09
Abstract: 本发明适用于肽识别技术领域，提供了一种抗癌肽识别方法及系统，识别方法包括以下步骤：输入给定的肽序列，对肽序列进行数据增强，得到原始序列；第一通道使用Bi‑LSTM从原始序列中提取特征；第二通道将原始序列转化为化学分子式的形式，并使用SMILES简化化学分子式，将SMILES表示的序列输入至预训练的BERT模型，得到深度抽象特征；第三通道融合BPF、DPC、PAAC和K‑mer四种特征，共同提取原始序列不同层面的特征；拼接三个通道提取的特征，通过全连接层对输入的肽序列进行分类。本发明中ACP‑BC模型具有较强的稳健性和通用性，在预测ACP和非ACP方面具有巨大的潜力。
-
公开(公告)号：CN116774154B
公开(公告)日：2023-10-31
申请号：CN202311061194.1
申请日：2023-08-23
Applicant: 吉林大学
IPC: G01S7/02 , G01S7/41 , G06V10/46 , G06V10/774 , G06V10/776 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/048 , G06N3/08 , G06V10/80
Abstract: 本发明适用于雷达信号处理领域，提供了一种雷达信号分选方法，该方法包括以下步骤：步骤A：生成六种雷达信号调制模式不同情况的数据，以扩充数据集；步骤B：对步骤A中的图像进行正则化操作；步骤C：构建基于卷积神经网络和Transformer的RDNet；输入的雷达信号图像首先经过特征提取编码器进行特征提取，然后将提取的特征送入到解码器进行尺度的重建，最后将与原始图像相同尺寸的特征输入到雷达信号分选头，从而得到最终的分选结果，本发明的分选准确度高，在面对输入脉冲中缺失率和噪音率高的情况下鲁棒性强，可以成为复杂电磁环境下雷达信号分选的有利工具，有助于电子战中雷达电子对抗的实施。
-
公开(公告)号：CN116630324A
公开(公告)日：2023-08-22
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：CN119007829B
公开(公告)日：2024-12-27
申请号：CN202411496581.2
申请日：2024-10-25
IPC: G16B40/00 , G16B50/00 , G16B5/00 , G06N3/0442 , G06N3/0464 , G06N3/0455 , G06N3/08
Abstract: 本发明适用于生物信息技术领域，提供了一种基于深度学习的抗性多肽识别方法。本发明专注于识别AMP、ACP、ADP、AHP、AIP、AAP和AOP七种生物抗性肽，解决传统方法鉴定抗性多肽时存在的昂贵、费力和耗时等问题。该方法能够更全面的描述抗性多肽的特征，实现更高效、准确的识别。与5个最先进的方法在相同测试集上进行比较时，本发明的AP‑FD模型将敏感度提高了11.2‑23.9%，准确率提高了0.4‑2.5%，F1值提高了6.1‑16%，MCC提高了5.3‑16%，AUC提高了1.6‑4.7%，AP值提高了8.7‑19.5%。且AUROC和APROC曲线进一步证实了AP‑FD模型优于其他对比方法。
-
公开(公告)号：CN119007829A
公开(公告)日：2024-11-22
申请号：CN202411496581.2
申请日：2024-10-25
IPC: G16B40/00 , G16B50/00 , G16B5/00 , G06N3/0442 , G06N3/0464 , G06N3/0455 , G06N3/08
Abstract: 本发明适用于生物信息技术领域，提供了一种基于深度学习的抗性多肽识别方法。本发明专注于识别AMP、ACP、ADP、AHP、AIP、AAP和AOP七种生物抗性肽，解决传统方法鉴定抗性多肽时存在的昂贵、费力和耗时等问题。该方法能够更全面的描述抗性多肽的特征，实现更高效、准确的识别。与5个最先进的方法在相同测试集上进行比较时，本发明的AP‑FD模型将敏感度提高了11.2‑23.9%，准确率提高了0.4‑2.5%，F1值提高了6.1‑16%，MCC提高了5.3‑16%，AUC提高了1.6‑4.7%，AP值提高了8.7‑19.5%。且AUROC和APROC曲线进一步证实了AP‑FD模型优于其他对比方法。
-
-
-
-
-
-
-
-
-
Search Results
13
records
(took 0.017 seconds)
