-
公开(公告)号：CN118766475A
公开(公告)日：2024-10-15
申请号：CN202410751692.7
申请日：2024-06-12
IPC: A61B5/374 , A61B5/00 , G06F18/243 , G06F18/27 , G06F18/211
Abstract: 本发明属于脑电分析技术领域，具体涉及一种基于多领域特征和机器学习的早产儿脑功能年龄识别系统；采集早产儿脑电信号，对脑电信号进行降噪和数据分段，得到预处理后第一脑电信号；对第一脑电信号从多领域提取关键特征，包括时域特征、频域特征、非线性特征、以及基于脑功能连接网络的复杂图论特征；将提取到的时域特征、频域特征、非线性特征、复杂图论特征使用特征递归消除法进行特征选择并输入到随机森林中进行训练，得到训练好的随机森林回归模型；根据所述训练好的早产儿脑功能年龄识别系统输出目标早产儿脑电信号的脑功能年龄；本发明基于数据的机器学习建模方法，最大程度了挖掘了与早产儿脑功能年龄相关的脑电信号特征，并通过先进的特征选择方法筛选出效果最佳的特征组合，构建出了准确性高、泛化性强、可移植性高的预测模型，具有一定的理论价值与实际工程意义。
-
公开(公告)号：CN118761025A
公开(公告)日：2024-10-11
申请号：CN202410751192.3
申请日：2024-06-12
IPC: G06F18/25 , G06N3/006 , G06N20/10 , G06F3/01 , G06F18/213 , G06F18/2411 , G06F18/214 , G06F17/16 , A61B5/369 , A61B5/372 , A61B5/00
Abstract: 本发明属于新生儿脑损伤程度分级检测技术领域，具体涉及一种基于弹性网和乌鸦优化融合算法的新生儿脑损伤分级系统；其中数据预处理模块接收新生儿原始脑电信号的文本数据，并将数据处理为独立样本，特征提取模块将独立样本数据使用定量脑电图分析获取定量信息，对于每个独立样本提取qEEG相关特征和幅度、谱密度、连通性相关和脉冲串间隔的mne相关特征，并进行标准化处理；特征初步筛选模块将独立样本数据使用基于弹性网回归的特征选择算法进行与新生儿脑损伤分级结果相关特征的初步选取，最佳特征子集确立模块使用乌鸦优化算法对特征初步筛选模块选取的特征进行进一步选取，确立与新生儿脑损伤结果强相关的最佳特征子集，模型分级判决模块使用支持向量机SVM机器学习模型对最佳特征子集确立模块确立的最佳特征进行新生儿脑损伤分级的预测，并输出预测结果；本发明能够提高新生儿脑损伤分级诊断的准确率，筛选出与结果强相关的特征，找到新生儿脑损伤的特征标志物，为临床医学诊断提供有效的辅助支持。
-
公开(公告)号：CN119537751A
公开(公告)日：2025-02-28
申请号：CN202411599861.6
申请日：2024-11-11
Applicant: 吉林大学
Abstract: 基于退化空间ARMA模型,本发明提出一种基于退化空间ARMA模型的FFRA对角ULA相差估计和模糊解决方法,本发明首先推导了修正Yule‑Walker(MYW)线性方程组和求根多项式,由于对角ULA阵元间隔大于载波波长的一半,对角线相差产生模糊问题。利用对角线和轴向相差所满足的显式线性组合关系,本发明提出了一种简单有效的对角线相差模糊消除方案,由轴向估计相差推导出无模糊对角线相差实际区间。本发明利用X‑Y平面上FFRA的对角ULA,通过RMSE(均方根误差)和CRB(Cramer‑Rao界)数值仿真结果表明,所提方法对独立和相干信源均有效,并且在消除模糊后RMSE缓慢收敛于相应的CRB。由于能够充分利用FFRA的轴向和对角ULA,所提估计方法,为基于ULA组合的2维DoA估计提供了基础。
-
公开(公告)号：CN112885409B
公开(公告)日：2023-03-24
申请号：CN202110059973.2
申请日：2021-01-18
Applicant: 吉林大学
Abstract: 本发明属于结直肠癌蛋白标志物选择技术领域，具体涉及一种基于特征选择的结直肠癌蛋白标志物选择系统；其中数据处理模块采集大肠癌蛋白文本数据，并对数据进行处理，特征排序模块采集数据处理模块输出的数据，并按ReliefF法计算每种大肠癌表达蛋白的权重；特征选择模块使用Lasso方法计算每种大肠癌表达蛋白的特征重要性，最后分别将每种蛋白质的特征重要性与该种蛋白质的权重相乘，获得每种蛋白质的重要性评分，归一化处理得到每种蛋白质的最终重要性评分，将蛋白质的最终重要性评分从大到小进行排序，选择排名靠前的蛋白质作为输出；辅助临床医生对肿瘤生物标志物的鉴定，分析肿瘤组织与正常组织的蛋白质组差异。
-
公开(公告)号：CN108877949B
公开(公告)日：2021-04-27
申请号：CN201810592920.5
申请日：2018-06-11
Applicant: 吉林大学
Abstract: 本发明涉及一种基于孤立森林算法和投票机制的唐氏综合症筛查方法，该方法包括下述步骤：数据预处理：将多条样本加入数据集；划分数据集，得到A训练集和B训练集，进一步交叉划分A训练集，得到多个训练子集：训练得到多个孤立森林模型及其对应的异常度得分阈值；对B训练集中的样本投票得到每个样本的所得票数：获得预判决阈值以及B训练集中的每条样本的预判决结果；使用训练支持向量机SVM模型进行最终判决。本发明能够提高异常的检出率，降低误诊率。
-
Patent Agency Ranking
公开(公告)号：CN108597603B
公开(公告)日：2021-04-20
申请号：CN201810416949.8
申请日：2018-05-04
Applicant: 吉林大学
Abstract: 本发明涉及一种基于多维高斯分布贝叶斯分类的癌症复发预测系统，该系统的包括预处理模块、训练模块和贝叶斯分类器；预处理模块对训练集进行数据清洗并生成类向量数据集；训练模块首先计算两个类属性先验概率，然后利用pearson相关系数将数据属性分成与类属性关联度紧密的类数据属性集合和与类属性关联度稀疏的II类数据属性集合，两类数据属性集合分别利用多维高斯分布和一维高斯分布来计算相应的概率；贝叶斯分类器将两者概率及类别的先验概率联合共同作为数据属于每个类的概率，并据此判别癌症的分类测试结果。本发明提高了癌症是否复发的预测准确率。
-
公开(公告)号：CN108847285A
公开(公告)日：2018-11-20
申请号：CN201810436034.3
申请日：2018-05-09
Applicant: 吉林大学
Abstract: 本发明涉及一种基于机器学习的孕前期及孕中期唐氏综合征筛查方法，该方法包括如下步骤：选择孕妇中孕期唐氏筛查结果数据中的ns个字段作为训练特征；将Ns条样本加入数据集A；对数据集A内的样本进行预处理，使少数类集合与多数类集合中的样本数目达到均衡，获得合成数据集；将合成数据集中的样本进行处理获得胎儿是否患有唐氏综合征的预测模型，利用预测模型对测试样本进行预测得到预测结果。本发明避免了人为划分指标阈值的过程，减轻了人力资源，能够取得较高的准确率和较低的假阳性率。
-
公开(公告)号：CN103970701A
公开(公告)日：2014-08-06
申请号：CN201410230792.1
申请日：2014-05-28
Applicant: 吉林大学
IPC: G06F13/38
Abstract: 本发明的基于现场可编程门阵列的数据实时同步采集的知识产权核，属于物联网应用的技术领域。结构有基本IP核模块、外设IP核模块和传感器自定义IP核模块。传感器自定义IP核模块包括温度气压传感器自定义IP核、红外测温传感器自定义IP核和温度测试传感器自定义IP核等。这些IP核都是基于Avalon接口规范的，CPU通过Avalon总线与各个IP核进行通信，最终完成对传感器的数据采集。本发明能够有效克服传统传感器数据采集的低效率、低速率和不能实时同步的缺陷，可连接不同类型的传感器接口；在同一个时钟下，并行对数据进行处理，达到高速采集的效果；各个模块能够独立地运行，实现数据的实时采集；能够有效利用资源。
-
公开(公告)号：CN108847285B
公开(公告)日：2021-05-28
申请号：CN201810436034.3
申请日：2018-05-09
Applicant: 吉林大学
Abstract: 本发明涉及一种基于机器学习的孕前期及孕中期唐氏综合征筛查方法，该方法包括如下步骤：选择孕妇中孕期唐氏筛查结果数据中的ns个字段作为训练特征；将Ns条样本加入数据集A；对数据集A内的样本进行预处理，使少数类集合与多数类集合中的样本数目达到均衡，获得合成数据集；将合成数据集中的样本进行处理获得胎儿是否患有唐氏综合征的预测模型，利用预测模型对测试样本进行预测得到预测结果。本发明避免了人为划分指标阈值的过程，减轻了人力资源，能够取得较高的准确率和较低的假阳性率。
-
公开(公告)号：CN109800811A
公开(公告)日：2019-05-24
申请号：CN201910065984.4
申请日：2019-01-24
Applicant: 吉林大学
IPC: G06K9/62
Abstract: 本发明涉及一种基于深度学习的小样本图像识别方法，该方法包括下述步骤：一、划分训练集；二、生成噪声图像；三、预训练原型空间判别网络；四、训练欺骗图像生成网络；五、训练原型空间判别网络；六、重复步骤四和步骤五进行交叉迭代训练，直到达到预先设定的迭代次数或准确率不再提升；七、图像类别识别。本发明在不改变已经训练好的模型的前提下，借助每类少数几个标注样本，通过泛化这些罕见的类别，识别训练过程中有从未见过的新类，而不需要额外的训练，图像识别准确率高。
-
-
-
-
-
-
-
-
-
Search Results
31
records
(took 0.019 seconds)
