-
公开(公告)号：CN110619322A
公开(公告)日：2019-12-27
申请号：CN201910994903.9
申请日：2019-10-18
IPC: G06K9/00 , G06K9/62 , G06N3/04 , G16H50/20 , A61B5/0468
Abstract: 本发明公开了一种基于多流态卷积循环神经网络的多导联心电异常信号识别方法及系统，其中的方法包括：首先对获取的多导联心电数据进行去噪处理；然后搭建用于提取心电数据不同尺度的波形特征的多流态CNN模型，接着对提取的不同尺度的波形特征进行融合；接下来搭建用于提取融合后的波形特征中的时序特征的双向RNN模型；再将多流态CNN模型与双向RNN模型拼接成多流态卷积循环神经网络模型，并进行训练与微调；最后，将待处理的多导联心电数据进行去噪处理后，输入优化后的多流态卷积循环神经网络模型，获得异常信号识别结果。本发明增加了特征提取的特征量，减少了特征提取的难度，提高了分类识别的准确性以及模型的泛化能力。
-
公开(公告)号：CN114118258B
公开(公告)日：2024-11-19
申请号：CN202111398932.2
申请日：2021-11-19
Applicant: 武汉大学
IPC: G06V10/764 , G16H30/20 , G06V10/80
Abstract: 本发明提供了一种基于背景指导注意力机制的病理切片特征融合方法，该方法包括：S1：使用预训练的深度神经网络提取病理图像切片的特征，并使用线性变换将其转换为d维的特征；S2：根据d维的正态分布随机生成一个d维的初始背景向量；S3：从步骤2生成的初始背景向量出发，经过一个循环模块，得到该病理图像的背景向量；S4：利用步骤3得到的背景向量，计算每个切片特征的注意力权重；S5：将特征按它们的注意力权重加权求和，得到融合后的病理图像特征。本发明使用基于背景指导的注意力机制，构建了充分反映病理图像中切片所处环境信息的背景向量，可以在更短的时间内使用更小的内存计算切片的权重，得到质量更高的融合特征。
-
公开(公告)号：CN116486401A
公开(公告)日：2023-07-25
申请号：CN202310405303.0
申请日：2023-04-14
Applicant: 武汉大学
IPC: G06V20/69 , G06V10/25 , G06V10/80 , G06V10/82 , G06T7/00 , G06N3/045 , G06N3/0464 , G06N3/047 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种基于多尺度特征聚合的肉芽肿圆形表示定位方法及系统，首先采集组织病理图像；然后通过检测网络的Patch Embedding模块进行初步的特征编码和提取；接着通过检测网络的多个多尺度注意力特征提取阶段，得到多尺度聚合特征输出；进一步通过检测网络的特征融合模块FPN，对每个特征提取阶段的输出特征进行至上而下的不同尺度特征融合；最后通过检测网络的三个检测头，对组织病理图像中的肉芽肿进行定位和检测；本发明使用基于多尺度特征聚合的Transformer结构来进行图像特征的提取，以实现对多种不同尺度特征的有效学习，从而达到对大目标小目标均能有效检测的效果。
-
公开(公告)号：CN114118258A
公开(公告)日：2022-03-01
申请号：CN202111398932.2
申请日：2021-11-19
Applicant: 武汉大学
IPC: G06K9/62 , G16H30/20 , G06V10/764 , G06V10/80
Abstract: 本发明提供了一种基于背景指导注意力机制的病理切片特征融合方法，该方法包括：S1：使用预训练的深度神经网络提取病理图像切片的特征，并使用线性变换将其转换为d维的特征；S2：根据d维的正态分布随机生成一个d维的初始背景向量；S3：从步骤2生成的初始背景向量出发，经过一个循环模块，得到该病理图像的背景向量；S4：利用步骤3得到的背景向量，计算每个切片特征的注意力权重；S5：将特征按它们的注意力权重加权求和，得到融合后的病理图像特征。本发明使用基于背景指导的注意力机制，构建了充分反映病理图像中切片所处环境信息的背景向量，可以在更短的时间内使用更小的内存计算切片的权重，得到质量更高的融合特征。
-
公开(公告)号：CN113628699A
公开(公告)日：2021-11-09
申请号：CN202110756061.0
申请日：2021-07-05
Applicant: 武汉大学
Abstract: 本发明提供的基于改进的蒙特卡罗强化学习方法的逆合成问题求解方法及装置，方法包括：步骤1.将待求解逆合成的目标化合物作为根节点，选择改进的UCT函数值最高的作为最佳子节点；步骤2.执行扩展动作产生新的子节点；步骤3.若迭代产生的所有产物都出现在代谢空间代谢物底盘菌株上，即得到了最终结果，将根据奖励政策返还奖励或罚款；否则，从可用的变换中随机采样反应规则，应用于当前化合物；计算子节点的策略产物和代谢物底盘菌株或可买到的化学产物的集合的Tanimoto得分；剔除排序靠后的反应规则；步骤4.将当前节点获得的Tanimoto得分返回给其父节点；步骤5.循环直到终止，得到逆合成求解结果。
-
Patent Agency Ranking
公开(公告)号：CN112599187A
公开(公告)日：2021-04-02
申请号：CN202011510053.X
申请日：2020-12-18
Applicant: 武汉大学
Abstract: 本发明公开了一种基于双流神经网络预测药物与靶标蛋白结合分数的方法，包括：S1、根据药物的SMILES序列生成药物的指纹向量；S2、根据靶标蛋白的氨基酸序列生成靶标蛋白的指纹向量；S3、将蛋白指纹和药物指纹输入非卷积神经网络，将蛋白序列与药物序列输入卷积神经网络；S4、利用attention机制融合两种神经网络提取的特征；S5、将融合的特征输入多层感知机，得到最终的双流神经网络，进而得到药物与靶标蛋白结合分数。本发明通过融合两种类别神经网络的方法，来提取单一神经网络难以提取完全的特征，再通过多层感知机预测药物与靶标蛋白结合分数，提升模型在药物与靶标蛋白结合分数预测上的准确率。
-
公开(公告)号：CN111476266A
公开(公告)日：2020-07-31
申请号：CN202010125024.5
申请日：2020-02-27
Applicant: 武汉大学
Abstract: 本发明公开了一种基于迁移学习的非平衡类别白细胞分类方法，首先对数据集进行再划分，并进行数据增强和数据预处理，得到类别平衡的数据集。然后，采用迁移学习的技术，基于Resnet 50的深度学习模型，对网络参数进行调整，使用卷积，全局池化，dropout等操作代替全连接层，自定义网络的损失函数，进行迁移训练，实现白细胞分类的功能。本发明的方法相较于其他算法对数量较少的白细胞类别的关注度更高，模型的泛化能力更强。实验表明，本发明一种基于迁移学习的非平衡类别白细胞分类方法能够达到较高的精度和准确率，具有较高的实用价值。
-
公开(公告)号：CN111242242A
公开(公告)日：2020-06-05
申请号：CN202010125696.6
申请日：2020-02-27
Applicant: 武汉大学
Abstract: 本发明公开了一种基于置信度选择的宫颈组织病理全玻片图像自动分类方法包括：S1：将宫颈组织病理全玻片图像切分为设定大小的小块，每张全玻片图像生成的小块集合为一个包，去除包中空白块。S2：搭建CNN模型。S3：训练CNN指定轮数。S4：依次排列连接作为全玻片图像的特征向量。S5：对支持向量机分类器进行训练。S6:将需要进行分类的宫颈组织病理全玻片图像经S1及S4处理，得到该图像的特征向量，输入训练好的支持向量机分类器，实现分类。本发明使用基于置信度选择的宫颈组织病理全玻片图像自动分类方法，辅助给医生提供参考，减低误诊、漏诊率，减少人工诊断所需的工作量，提高诊断效率。
-
公开(公告)号：CN111134662A
公开(公告)日：2020-05-12
申请号：CN202010096524.0
申请日：2020-02-17
Applicant: 武汉大学
IPC: A61B5/0402 , A61B5/00
Abstract: 本发明公开了一种基于迁移学习和置信度选择的心电异常信号识别方法，方法包括如下步骤：S1、对大量短时心电数据进行去噪处理；S2、搭建CNN模型，并随机初始化CNN模型中的参数；S3、使用大量的短时心电数据集训练CNN；S4、对少量的长时间心电数据进行切割，使得长度与网络输入适配；S5、使用切割后的短时数据进行迁移训练，每轮训练选择包中置信度最高的k个短时数据作为输入，S6、实现心电异常信号识别的功能。本发明使用基于迁移学习和置信度选择的心电异常信号识别方法，通过对卷积神经网络的预训练来获取信息，再使用迁移学习和置信度选择的方式提升模型在心电异常识别分类的准确率，可以辅助给医生提供参考，降低误诊、漏诊率，减轻医生的工作量。
-
公开(公告)号：CN117316311A
公开(公告)日：2023-12-29
申请号：CN202311258354.1
申请日：2023-09-26
Applicant: 武汉大学
IPC: G16C20/10 , G16C20/70 , G16C10/00 , G06F18/213 , G06F18/25 , G06N3/045 , G06N3/0464 , G06N3/096 , G06N3/084 , G06N3/0442 , G06N3/0499
Abstract: 本发明提供了一种基于多任务和分子多模态特征的酶促反应可行性评估方法和系统。本发明使用公开数据集与生物工程学反应规则模板库构造酶促反应可行性数据集；将反应产物分子与底物分子的SMILES序列特征和摩根指纹空间结构特征作为神经网络的输入；基于注意力机制与卷积神经网络构造双分支网络提取分子多模态特征；以产物SMILES序列生成任务作为辅助任务强化模型学习序列特征的能力，为酶促反应可行性评估任务提供更丰富的特征，有效使所训练模型能够综合分子多模态特征对反应可行性做出准确的判断。本发明显著提高了生物分子逆合成途径设计过程中的计算速度和可靠性，避免设计过程中不必要的搜索扩展，提高实验效率。
-
-
-
-
-
-
-
-
-
Search Results
34
records
(took 0.026 seconds)
