-
公开(公告)号：CN107621545B
公开(公告)日：2019-10-11
申请号：CN201710619126.0
申请日：2017-07-26
Applicant: 东南大学
IPC: G01N33/68
Abstract: 本发明公开了检测BICC1蛋白含量的试剂在制备精神疾病诊断产品中的应用。研究发现，BICC1蛋白在精神分裂症、单相抑郁障碍、双相躁狂、双相抑郁、惊恐障碍和非精神疾病对照者血清中的差异性表达(精神分裂症、单相抑郁障碍、双相躁狂、双相抑郁、惊恐障碍血清中上调表达)。采用BICC1蛋白作为指标，为检测精神分裂症、单相抑郁障碍、双相躁狂、双相抑郁、惊恐障碍提供了一条全新的途径，ROC曲线下的面积值AUC为0.714～1.0，具有较高的诊断价值。
-
公开(公告)号：CN118503852A
公开(公告)日：2024-08-16
申请号：CN202410577715.7
申请日：2024-05-10
Applicant: 东南大学
IPC: G06F18/2431 , A61B5/16 , G06F18/15 , G06F18/213 , G06F18/25 , G06N3/042 , G06N3/0464 , G06N3/045 , G06N3/0475 , G06N3/094 , G16H50/20 , G16H50/70 , G06N3/048
Abstract: 本发明提供了一种面向模态缺失的多模态抑郁症智能分析方法，首先将已知模态的脑连接图输入至基于生成对抗网络的跨模态脑连接生成网络，实现对缺失模态的跨模态脑连接图生成。其次，利用脑区特征生成网络，完成缺失模态的特征补齐。最后，基于跨模态图生成任务中，生成样本的脑连接和脑局部特征分布与已知模态样本脑连接和脑局部特征分布保持一致性的潜在特征，加入特征对齐算法对以上的双生成任务进行协同关联，从而更好地辅助跨模态数据的生成，进而辅助多模态抑郁症分类诊断任务。本发明利用已知模态信息，完成多模态任务中的缺失模态生成，进而辅助多模态抑郁症分类诊断任务，使得在缺失模态的情况下，也可以完成多模态脑图分类任务。
-
公开(公告)号：CN114966053A
公开(公告)日：2022-08-30
申请号：CN202210567051.7
申请日：2022-05-23
Applicant: 东南大学
IPC: G01N33/68 , G01N33/74 , G01N33/543 , G01N33/58 , G01N15/14 , G01N21/64 , A61B5/055 , A61B5/16 , G16H50/20 , G16H50/70
Abstract: 本发明涉及生物科学技术领域，尤其是一种基于血清蛋白与大脑功能指标的模型、系统及其用途，脑功能指标值包括静息态大脑低频振幅(ALFF)值和局部一致性(ReHo)值，血清蛋白浓度包括血清IL‑4、IL‑6、IL‑10、BDNF和皮质醇浓度。本发明通过线性判别分析(LDA)构建联合个体右侧尾状核的ALFF、左侧枕中回和额上回的ReHo、血清IL‑4、IL‑6、IL‑10、BDNF和皮质醇浓度等指标在内的模型，可用作特异性诊断抑郁症的工具，为诊断抑郁症提供了一条全新的途径。
-
公开(公告)号：CN113517066A
公开(公告)日：2021-10-19
申请号：CN202110855040.4
申请日：2021-07-26
Applicant: 东南大学
Abstract: 本发明公开了一种基于候选基因甲基化测序和深度学习的抑郁症评估方法及系统，所述方法包括：构建原始数据集，并进行数据预处理得到实验数据集；对实验数据集进行特征选择，筛选出抑郁症患者和健康对照的差异特征，构建输入数据集；将输入数据集按照一定比例划分训练数据集和测试数据集；创建识别抑郁症患者与健康人群的深度学习模型，利用训练数据集对构建的深度学习模型进行训练；利用测试集对训练好的深度学习模型进行性能评估，并在验证评估过程中对模型进行不断优化，得到最优模型。本发明可以对潜在抑郁症患者进行快速初步评估，避免临床医生在访谈测评以及患者在自我测评时引入主观因素，对结果产生影响，提高抑郁症诊断的精准度。
-
公开(公告)号：CN113436724A
公开(公告)日：2021-09-24
申请号：CN202110700212.0
申请日：2021-06-23
Applicant: 东南大学
Abstract: 本发明涉及生物科学技术领域，尤其是一种基于量表与大脑功能指标的模型、系统及其用途，现提出如下方案，一种基于量表与大脑功能影像指标的模型，模型的构建方法包括如下：构建处理脑功能指标值、儿童期创伤经历量表值和社会支持评定量表值的数学回归方程，脑功能指标值包括静息态大脑低频振幅值和脑区功能连接值，儿童期创伤经历量表值包括情感忽视分量表值和躯体虐待分量表值。本发明通过构建联合个体右侧后扣带(rPCG)脑区ALFF、左侧中央后回内部(lPG‑lPG)脑区FC、PA(躯体虐待分量表值/得分)和EN(情感忽视分量表值/得分)及SSRS(社会支持评定量表值/得分)等指标在内的模型，可用作特异性诊断抑郁症的工具，为诊断抑郁症提供了一条全新的途径。
-
Patent Agency Ranking
公开(公告)号：CN107621545A
公开(公告)日：2018-01-23
申请号：CN201710619126.0
申请日：2017-07-26
Applicant: 东南大学
IPC: G01N33/68
Abstract: 本发明公开了检测BICC1蛋白含量的试剂在制备精神疾病诊断产品中的应用。研究发现，BICC1蛋白在精神分裂症、单相抑郁障碍、双相躁狂、双相抑郁、惊恐障碍和非精神疾病对照者血清中的差异性表达(精神分裂症、单相抑郁障碍、双相躁狂、双相抑郁、惊恐障碍血清中上调表达)。采用BICC1蛋白作为指标，为检测精神分裂症、单相抑郁障碍、双相躁狂、双相抑郁、惊恐障碍提供了一条全新的途径，ROC曲线下的面积值AUC为0.714～1.0，具有较高的诊断价值。
-
公开(公告)号：CN105279380A
公开(公告)日：2016-01-27
申请号：CN201510746466.0
申请日：2015-11-05
Applicant: 东南大学
Abstract: 本发明公开了一种基于表情分析的抑郁程度自动评估系统，包括数据采集模块、预处理和特征提取模块、相关特征提取模块、预测模型训练模块、新视频标注模块和新视频预测模块。本发明全程自动化，无侵入，无需受试对象的长时间配合，可长时间工作；本发明提供了一种客观的评估标准，不依赖于主观经验，能够真正做到客观有效的评估；本发明能够综合分析不同受试对象的数据，不局限于对单一对象进行孤立分析。
-
公开(公告)号：CN119400413A
公开(公告)日：2025-02-07
申请号：CN202411496466.5
申请日：2024-10-25
Applicant: 东南大学
IPC: G16H50/30 , G16H50/70 , G16H10/60 , G06F18/2415 , G06N3/0464 , G06N3/092
Abstract: 本发明公开了一种成人ADHD评估模型及评估系统，属于机器学习诊断模型技术领域。该模型的构建方法包括：采集样本的基本信息，包括性别、年龄、受教育年限和婚姻状态、经济状况、吸烟及饮酒史、精神疾病家族史、精神疾病发病年龄、精神疾病发病次数；将采集的信息进行预处理，分为训练集与测试集；将所述训练集中的基本信息以及事先标记的数据输入CNN卷积神经网络模型进行训练；所述CNN卷积神经网络模型中配置有学习率衰减策略，即alpha＝alpha0‑kt，alpha0是初始学习率，k是衰减率，t是训练的迭代次数；所述CNN卷积神经网络模型通过TensorFlow构建与训练；将所述训练集中的基本信息以及事先标记的数据输入CNN模型进行训练；调整权重参数，获得成人ADHD评估模型。
-
公开(公告)号：CN113592836B
公开(公告)日：2022-11-18
申请号：CN202110898144.3
申请日：2021-08-05
Applicant: 东南大学
IPC: G06T7/00 , G06V10/74 , G06V10/764 , G06V10/80
Abstract: 本发明提供了一种深度多模态图卷积的脑图分类方法，通过将不同模态间脑图进行融合达到脑图的分类目的。首先进行多模态脑拓扑图构建，利用静息态功能磁共振数据与弥散张量磁共振数据依据其生物学意义构建脑拓扑图；然后，进行多模态融合，包含功能‑结构融合和动态‑静态融合两个部分。本发明不仅使用了多种模态特征，并对其进行了融合，能够充分利用特征间的相似性和互补性，这使得进行脑图分类的结果更加准确。
-
公开(公告)号：CN114652310A
公开(公告)日：2022-06-24
申请号：CN202210249138.X
申请日：2022-03-14
Applicant: 东南大学
Abstract: 本发明公开一种基于脑血流量的抑郁症精神运动迟滞客观诊断标记物，所述标记物为脑血流量，所述脑血流量是指右侧运动皮层血流量，标记物在抑郁症精神运动迟滞患者诊断中的应用，所述脑血流量降低为抑郁症患者精神运动迟滞的标记，所述脑血流量由功能磁共振检测，所述功能磁共振检测应用脉冲式动脉自选标记成像。本发明标记物，针对抑郁症的精神运动迟滞亚型在影像学客观诊断方面提出可靠的基于脑血流量的诊断标记物，通过横向比较(对照组vs.非精神运动迟滞组vs.精神运动迟滞组)与纵向比较(精神运动迟滞组基线期vs.随访期)，对比效果明显表面表明右侧运动皮层脑血流量降低是抑郁症患者精神运动迟滞的生物学标记，标记物检测方便。
-
-
-
-
-
-
-
-
-
Search Results
23
records
(took 0.015 seconds)
