-
公开(公告)号：CN117831759A
公开(公告)日：2024-04-05
申请号：CN202311228066.1
申请日：2023-09-22
Applicant: 湖南大学
IPC: G16H50/30 , G16H50/20 , G06F18/214 , G06F18/213 , G06F18/2136 , G06F18/211 , G06F18/27 , G06F123/02
Abstract: 本发明公开了一种基于注意力机制的急性冠状动脉综合征预测方法，包括：S1、根据读取的空气污染数据利用时间序列领域自适应方法构建多因素稀疏关联结构，提取时间序列域不变特征表示；S2、根据读取的急性冠状动脉综合征病例数据，利用时间注意力机制和多层感知器协同的标签映射方法生成急性冠状动脉综合征病例数据的共享标签表示；S3、将提取的时间序列域不变特征表示和生成的急性冠状动脉综合征病例数据的共享标签表示回归得到预测标签值。本发明解决现有技术无法协调具有可比特征向量但鲜明对比标签值的不同数据源的问题、现有技术在不同源的数据序列不对齐时出现的时域错位问题以及现有技术无法对多因素时间序列数据提取域不变表示的问题。
-
公开(公告)号：CN120032412A
公开(公告)日：2025-05-23
申请号：CN202510120551.X
申请日：2025-01-25
Applicant: 湖南大学
IPC: G06V40/16 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/08
Abstract: 本发明公开一种基于高分辨率图像与跨模态融合的图像处理方法及装置，该方法通过用户界面将目标面部图像进行上传，并通过潜在扩散模型处理，获得高清化面部图像；将高清化面部图像进行归一化处理，获得归一化面部图像；通过图像骨干网络和面部地标检测器对归一化面部图像进行特征提取，分别获得全局特征和地标特征；通过交叉融合策略使全局特征及地标特征进行融合协作生成融合特征，并按照设定尺度划分为多尺度融合特征；通过交叉融合Transformer编码器将多尺度融合特征进行特征提取获得多尺度特征；将多尺度特征进行融合生成最终特征表示，并输入分类器中进行处理，输出情感标签。本发明解决了图片细节不足、类间相似性、类内差异性及尺度敏感性等问题。
-
公开(公告)号：CN119601074A
公开(公告)日：2025-03-11
申请号：CN202411611586.5
申请日：2024-11-12
Applicant: 湖南大学
Abstract: 本发明公开了一种基于生物分子互作结构域增强的蛋白质序列设计方法，包括：先输入一个大小为L×N×3的待进行序列设计的蛋白质主链骨架三维坐标信息；获取与生物分子接触的蛋白质序列和相互作用结构域区间；将获取的序列聚类并取出每个簇的代表序列作为训练集；再提取出每条训练样本的三维结构、二级结构、溶剂可及性和功能注释特征表示；使用LoRA算法微调通用多模态蛋白质语言模型ESM3的最后十层transformer模块，对于位于相互作用结构域区间的掩码残基的损失给予更大的权重；将待进行序列设计的蛋白质主链骨架的原子坐标输入到训练好的模型中，得到目标序列。本发明一方面利用了海量蛋白质的多模态信息；另一方面能生成更加健壮且合理的功能性蛋白质序列。
-
公开(公告)号：CN116631636A
公开(公告)日：2023-08-22
申请号：CN202310352774.X
申请日：2023-04-04
Applicant: 湖南大学
IPC: G16H50/70 , G16H50/20 , G06F18/10 , G06F18/214 , G06F18/243
Abstract: 本发明公开了一种基于机器学习的特征生成方法，包括：S1、对输入的原始数据进行预处理以及筛选；S2、将筛选后的数据分为预训练的特征集和标签集；S3、通过基于树的集成学习算法训练得到特征生成模型；S4、将疾病早期数据输入至特征生成模型进行疾病早期检测。本发明通过多种特征增强方法，强化了原始数据的特点，并一定程度的记录了病例的历史事件，采用基于树的集成学习算法，可以在有数据缺失的情况下完成数据生成，本发明符合人体生理指标的潜在规律，因此可以轻易的将模型迁移至其他具有相同格式的数据集中直接使用，具有较强的可迁移性。
-
公开(公告)号：CN119889591A
公开(公告)日：2025-04-25
申请号：CN202411931889.5
申请日：2024-12-26
Applicant: 湖南大学
Abstract: 本发明公开了一种基于多模态特征融合的抑郁检测方法及装置，方法包括：S1、获取多模态抑郁症数据集；S2、将音频特征和视频特征变换到相同维的空间以进行对齐；S3、将变换后的音频特征和视频特征进行特征增强，并将对齐后的音频特征和视频特征与特征增强后的特征相加形成残差连接；S4、根据样本长度拼接增强后的音频特征和视频特征，将拼接后的音频特征和视频特征进行特征融合；S5、将融合后的特征乘以掩码进行平均池化，使用线性层作为分类头、带逻辑输出的二元交叉熵损失作为损失函数，得到预测值；S6、采用混淆矩阵热力图进行可视化评估结果。本发明能够在降低成本的同时实现高精度的抑郁检测，并支持检测结果的可视化展示。
-
Patent Agency Ranking
公开(公告)号：CN118094336A
公开(公告)日：2024-05-28
申请号：CN202410302626.1
申请日：2024-03-18
Applicant: 湖南大学
IPC: G06F18/241 , G06F18/214 , G06N3/0464 , G06N3/084 , G06N20/20
Abstract: 本发明属于水声信号处理技术领域，尤其涉及一种基于集成学习和样本合成的水声信号识别方法。包括如下步骤：采集水声信号样本数据，制作初始数据集；采集水声背景样本数据，制作背景噪声数据集；迭代训练弱分类器；构建随机初始化的神经网络进行重复训练的得到弱分类器；用弱分类器对数据集进行运算，并计算总误差及权重；通过合成的方法添加需要识别的样本，生成新数据集；将弱分类器加权组合为强分类器Q；本申请采用集成学习的方法训练了多个用于水声信号分类的弱分类器，并通过加权方式将多个弱分类器集成，从而得到一个功能更加强大的分类器。尤其是在设计权重时考虑了各个弱分类器的识别误差，进一步提高了集成后分类器的识别能力。
-
公开(公告)号：CN117912458A
公开(公告)日：2024-04-19
申请号：CN202410147800.X
申请日：2024-02-02
Applicant: 湖南大学
IPC: G10L15/08 , G10L15/16 , G06N3/0455 , G06N3/0895 , G06V10/82 , G06V10/77
Abstract: 本发明涉及水声信号处理技术领域，尤其公开一种水声异常信号检测方法。包括如下步骤：抽取具有相同样本大小的正常水声数据样本建立样本数据集，进行短时傅里叶变换得到对应的时频图数据集，构建自监督训练模型，利用样本数据集和自监督训练模型对神经网络模型进行训练，制作掩码输入数据，制作重构目标，对神经网络模型进行训练；应用神经网络模型。本申请相对于传统分类异常检测方法，可以有效降低对于大量原始数据的需求。本申请通过数据重构以及渐进式训练方式，相对于传统的自监督训练方法，能够有效降低神经网络的复杂度，提高训练过程的有效性和效率，还可通过逐步增加重构细节或多样性来实现来保障持续训练的成功率。
-
公开(公告)号：CN117851063A
公开(公告)日：2024-04-09
申请号：CN202410037338.8
申请日：2024-01-10
Applicant: 湖南大学
Abstract: 基于超算平台的医疗数据并行集成处理方法及系统，调用交互模块通过WEB用户界面或SDK组件获取用户的任务需求数据，将获取的任务需求数据发送到通信模块；通信模块采用任务管理组件对接收的任务需求数据进行解码以转换为任务指令；将转换的任务指令采用负载均衡的方式分配到提取模块；提取模块利用分布式内存数据库检索任务指令对应的任务需求数据，并对检索后的任务需求数据进行集成操作；当提取模块完成任务需求数据的提取和集成后，通过通信模块中的数据中继组件定时轮询以获得返回结果，并将返回结果以文件或数据流的形式返回给用户。本发明提高数据提取和集成速度，可以匹配并行化的提取集成过程，优化了内存占用；具有较低学习成本。
-
公开(公告)号：CN117457228A
公开(公告)日：2024-01-26
申请号：CN202311497762.2
申请日：2023-11-12
Applicant: 湖南大学
Abstract: 本发明公开了医疗表征学习技术领域的一种电子健康记录的个性化表征学习模型方法。该电子健康记录的个性化表征学习模型方法包括以下步骤：输入EHR数据集，将结构化EHR数据转换成了一系列与时间有关的序列输入；将上述序列数据依次进行数据编码、上下文表征、时间维度融合和预测；将待诊断样本输入到参数设置的网络模型中进行数据训练，实现医疗预测。该电子健康记录的个性化表征学习模型方法能够有效的针对不同患者的电子健康记录数据进行个性化表征，提高模型对医疗预测任务的准确率，敏感值和特异值，为患者提供精准诊断。
-
公开(公告)号：CN116628489A
公开(公告)日：2023-08-22
申请号：CN202310352952.9
申请日：2023-04-04
Applicant: 湖南大学
IPC: G06F18/214 , G06F18/10 , G16H50/70
Abstract: 本发明公开了一种用于医疗特征生成模型的半监督条件迁移学习方法，包括S1、对输入源域和目标域数据进行特征预处理；S2、按照预设的规则对源域数据进行筛选，得到筛选后的源域数据；S3、将筛选后的源域数据根据特征是否稀有分为预训练的训练集和测试集；S4、构建基于源域数据特点的特征生成模型；S5、按照预设的规则对目标域数据进行筛选，得到筛选后的目标域数据；S6、生成目标域数据表征；S7、生成与源域数据维度相同的数据集；S8、将筛选的源域数据与目标域数集合并，形成混合数据集；S9、基于混合数据集进行重新训练得到带有目标域数据特点的特征生成模型；S10、重复步骤S5‑S9。本发明通过多种特征增强方法，强化了原始数据的特点。
-
-
-
-
-
-
-
-
-
Search Results
15
records
(took 0.017 seconds)
