-
公开(公告)号：CN116369943A
公开(公告)日：2023-07-04
申请号：CN202310489210.0
申请日：2023-04-28
Applicant: 暨南大学附属第一医院(广州华侨医院)
Abstract: 本发明提出一种发作间期脑电图癫痫样放电自动检测方法及设备，该方法通过采用数据清洗方法，建立用于训练模型的脑电图数据集；采用宽度学习的方案，将数据集输入并联的长短记忆神经网络与图卷积神经网络，建立发作间期脑电图癫痫样放电自动检测网络模型；将实时获取的癫痫发作间期脑电图输入训练完成的发作间期脑电图癫痫样放电自动检测网络模型，输出结果即为对发作间期脑电图癫痫样放电的自动检测结果。通过本发明，能够节省人力成本、实现癫痫样放电检测的标准化、消除人为误差。
-
公开(公告)号：CN114553394A
公开(公告)日：2022-05-27
申请号：CN202210424254.0
申请日：2022-04-22
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) , 暨南大学
Abstract: 本发明公开了基于多密钥全同态方案的补码运算器及运算方法，运算器包括多密钥全同态加法运算器、多密钥全同态减法运算器、多密钥全同态乘法运算器和多密钥全同态除法运算器；所述多密钥全同态加法器由多密钥全同态0‑类加法器构成；所述多密钥全同态减法器由多密钥全同态0‑类加法器与多密钥全同态取非器构成；所述多密钥全同态乘法器由多密钥全同态0‑类加法器、多密钥全同态1‑类加法器、多密钥全同态2‑类加法器和多密钥全同态与门构成；所述多密钥全同态除法器由多密钥全同态取补器、多密钥全同态CAS单元与多密钥全同态异或门构成。本发明构造了任意位的补码整数四则运算器，能够支持任意位的正负整数之间的四则运算，大大提高了MKTFHE方案的实用性。
-
公开(公告)号：CN110101849B
公开(公告)日：2023-11-10
申请号：CN201910292775.3
申请日：2019-04-12
Applicant: 暨南大学
IPC: A61K38/44 , A61K9/12 , A61K9/72 , A61P39/02 , A61P1/16 , A61P13/12 , A23L33/00 , A61K31/095 , A61K31/4164 , A61K31/385 , A61K31/185 , A61K31/198 , A61K31/197 , A61K31/7084
Abstract: 本发明提供了一种酶催化解酒作用的组合物及其制备方法与应用，所述的组合物包括1～10份乙醇脱氢酶、1～10份乙醛脱氢酶、1～10份乙醇脱氢酶激动剂、1～10份乙醛脱氢酶激动剂、0～10份乙醇脱氢酶和乙醛脱氢酶的共同辅基，组方全面，可显著提升酶的活性，并提升解酒效果，所述的激动剂同时还具有护肝作用。本发明的组合物可应用于酶催化解酒剂的制备，可有效、迅速缓解醉酒。同时，本发明还对所述组合物的剂型和给药方式进行了有益改进，例如，通过雾化吸入使药物能够通过呼吸道作用于患者，达到迅速缓解醉酒的效果，使用场景更广、更方便。本发明的产品生物利用度高、质量稳定、生产工艺简单，并且适用面广、使用方便、易于推广。
-
公开(公告)号：CN110101849A
公开(公告)日：2019-08-09
申请号：CN201910292775.3
申请日：2019-04-12
Applicant: 暨南大学
IPC: A61K38/44 , A61K9/12 , A61K9/72 , A61P39/02 , A61P1/16 , A61P13/12 , A23L33/00 , A61K31/095 , A61K31/4164 , A61K31/385 , A61K31/185 , A61K31/198 , A61K31/197 , A61K31/7084
Abstract: 本发明提供了一种酶催化解酒作用的组合物及其制备方法与应用，所述的组合物包括1～10份乙醇脱氢酶、1～10份乙醛脱氢酶、1～10份乙醇脱氢酶激动剂、1～10份乙醛脱氢酶激动剂、0～10份乙醇脱氢酶和乙醛脱氢酶的共同辅基，组方全面，可显著提升酶的活性，并提升解酒效果，所述的激动剂同时还具有护肝作用。本发明的组合物可应用于酶催化解酒剂的制备，可有效、迅速缓解醉酒。同时，本发明还对所述组合物的剂型和给药方式进行了有益改进，例如，通过雾化吸入使药物能够通过呼吸道作用于患者，达到迅速缓解醉酒的效果，使用场景更广、更方便。本发明的产品生物利用度高、质量稳定、生产工艺简单，并且适用面广、使用方便、易于推广。
-
Patent Agency Ranking
公开(公告)号：CN114844621B
公开(公告)日：2023-04-07
申请号：CN202210365746.7
申请日：2022-04-08
Applicant: 哈尔滨工业大学(深圳) , 暨南大学
Abstract: 本发明公开了一种基于多密钥全同态加密的多用户隐私保护机器学习方法及装置，方法包括：由公共字符串CRS进行多密钥全同态加密算法的初始化、生成安全参数λ及生成公共参数集mkparams；服务器S整合各个数据提供方上传的单密钥密文数据Encski(di)得到多密钥密文数据集Encsk(D)；服务器S在多密钥密文数据集Encsk(D)的基础上将普通机器学习算法中的线性运算替换为全同态加法和全同态乘法，对多密钥密文数据集Encsk(D)进行机器学习建模训练；服务器S将多密钥加密的模型密文Encsk(model)下发给各个数据提供方DPi和解密方DE；解密多密钥模型密文Encsk(model)，从而得到由各个数据提供方DPi的数据D训练得到的模型model＝Decsk(Encsk(model))。本发明在保证较高安全性的同时，以较低通信代价和较少交互次数完成隐私计算任务。
-
公开(公告)号：CN115499247B
公开(公告)日：2023-03-28
申请号：CN202211432463.6
申请日：2022-11-16
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) , 暨南大学
IPC: H04L9/40
Abstract: 本发明公开了一种基于零知识证明的属性凭证验证方法及装置，方法包括：构造属性凭证；签发属性凭证，用户向作为签发者的可信第三方提出属性凭证申请；签发者生成每个用户唯一的随机盐值，签发者对已认证的属性信息和随机盐值进行凭证签发；验证属性凭证，用户从安全信道中获取验证者所需的验证约束条件，用户使用凭证证明生成模块生成对应的零知识的属性值消息，用户将零知识的凭证证明消息通过可信信道发送给验证者；验证者在收到用户发来的凭证证明消息后对消息内容进行解析，验证凭证证明的正确性和有效性。本发明具有保护用户数据隐私和细粒度验证策略的优点，同时以比较低的交互次数和交互通信量完成凭证的签发和证明。
-
公开(公告)号：CN115499247A
公开(公告)日：2022-12-20
申请号：CN202211432463.6
申请日：2022-11-16
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) , 暨南大学
IPC: H04L9/40
Abstract: 本发明公开了一种基于零知识证明的属性凭证验证方法及装置，方法包括：构造属性凭证；签发属性凭证，用户向作为签发者的可信第三方提出属性凭证申请；签发者生成每个用户唯一的随机盐值，签发者对已认证的属性信息和随机盐值进行凭证签发；验证属性凭证，用户从安全信道中获取验证者所需的验证约束条件，用户使用凭证证明生成模块生成对应的零知识的属性值消息，用户将零知识的凭证证明消息通过可信信道发送给验证者；验证者在收到用户发来的凭证证明消息后对消息内容进行解析，验证凭证证明的正确性和有效性。本发明具有保护用户数据隐私和细粒度验证策略的优点，同时以比较低的交互次数和交互通信量完成凭证的签发和证明。
-
公开(公告)号：CN114553394B
公开(公告)日：2022-08-16
申请号：CN202210424254.0
申请日：2022-04-22
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) , 暨南大学
Abstract: 本发明公开了基于多密钥全同态方案的补码运算器及运算方法，运算器包括多密钥全同态加法运算器、多密钥全同态减法运算器、多密钥全同态乘法运算器和多密钥全同态除法运算器；所述多密钥全同态加法器由多密钥全同态0‑类加法器构成；所述多密钥全同态减法器由多密钥全同态0‑类加法器与多密钥全同态取非器构成；所述多密钥全同态乘法器由多密钥全同态0‑类加法器、多密钥全同态1‑类加法器、多密钥全同态2‑类加法器和多密钥全同态与门构成；所述多密钥全同态除法器由多密钥全同态取补器、多密钥全同态CAS单元与多密钥全同态异或门构成。本发明构造了任意位的补码整数四则运算器，能够支持任意位的正负整数之间的四则运算，大大提高了MKTFHE方案的实用性。
-
公开(公告)号：CN114844621A
公开(公告)日：2022-08-02
申请号：CN202210365746.7
申请日：2022-04-08
Applicant: 哈尔滨工业大学(深圳) , 暨南大学
Abstract: 本发明公开了一种基于多密钥全同态加密的多用户隐私保护机器学习方法及装置，方法包括：由公共字符串CRS进行多密钥全同态加密算法的初始化、生成安全参数λ及生成公共参数集mkparams；服务器S整合各个数据提供方上传的单密钥密文数据Encski(di)得到多密钥密文数据集Encsk(D)；服务器S在多密钥密文数据集Encsk(D)的基础上将普通机器学习算法中的线性运算替换为全同态加法和全同态乘法，对多密钥密文数据集Encsk(D)进行机器学习建模训练；服务器S将多密钥加密的模型密文Encsk(model)下发给各个数据提供方DPi和解密方DE；解密多密钥模型密文Encsk(model)，从而得到由各个数据提供方DPi的数据D训练得到的模型model＝Decsk(Encsk(model))。本发明在保证较高安全性的同时，以较低通信代价和较少交互次数完成隐私计算任务。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.026 seconds)
