公开(公告)号：CN119274644A

公开(公告)日：2025-01-07

申请号：CN202411396227.2

申请日：2024-10-08

Applicant: 湖南大学

Inventor： 彭绍亮 ,  夏泓 ,  姬博亚

IPC: G16B15/30 ,  G16B30/00 ,  G16B40/00 ,  G16B45/00 ,  G06N3/042 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/08

Abstract: 一种基于图卷积网络的细胞间通讯分析方法及装置，该方法根据配体和受体的数字特征，构建配体和受体初始特征矩阵；收集蛋白质的初始配体‑受体相互作用对，并构建配体‑受体相互作用邻接矩阵；基于图卷积网络，构建配体‑受体相互作用预测网络模型，通过训练后进行预测处理，获得存在相互作用的预测配体‑受体相互作用对；通过单细胞RNA测序数据进行识别过滤，获得满足设定要求的配体‑受体相互作用对；通过细胞细胞通讯评分计算以及三点估计法测量获得细胞细胞通讯强度；根据细胞细胞通讯强度，构建细胞细胞通讯热图并进行可视化分析。本发明能够在降低成本的同时，获得相对准确的细胞细胞通讯分析结果，并提供多种可视化。

公开(公告)号：CN119074003A

公开(公告)日：2024-12-06

申请号：CN202411191122.3

申请日：2024-08-28

Applicant: 湖南大学

Inventor： 彭绍亮 ,  赵雄君 ,  邹林壮 ,  习鹏 ,  姬博亚 ,  许力文

IPC: A61B5/318 ,  A61B5/333 ,  A61B5/338 ,  A61B5/353 ,  A61B5/355 ,  A61B5/366 ,  A61B5/363 ,  A61B5/00 ,  G06V10/44 ,  G06V10/26 ,  G06V10/77 ,  G06N20/00

Abstract: 本发明公开了一种从ECG拍摄图像提取心跳周期和数值信号的方法及装置.方法包括：S1、获取患者ECG图像；S2、对所述ECG图像进行预处理；S3、对预处理的后ECG图像进行信号预处理；S4、对信号预处理后的ECG图像提取心跳周期；S5、对信号预处理后的ECG图像进行信号降维。本发明提出在诊断过程中将拍摄的纸质图像，通过机器学习和图像处理方法将心电图纸质记录转换为一维信号，并提取心电图信号中存在的P、QRS和T波，以及心跳周期，以适应机器学习方法针对ECG图像的诊断，而且具体的处理图像可以直接导出，所以该方法具有很好的可解释性能和图形化特征显示。

公开(公告)号：CN117831663A

公开(公告)日：2024-04-05

申请号：CN202410010541.6

申请日：2024-01-04

Applicant: 湖南大学

Inventor： 彭绍亮 ,  姬博亚 ,  许建邦 ,  邹海涛 ,  黄雨薇 ,  许力文

IPC: G16C20/30 ,  G16C20/70 ,  G16B15/00 ,  G16B30/00 ,  G16B40/00 ,  G16B50/00 ,  G06N20/00

Abstract: 本发明公开了一种基于多源异构图学习的蛋白质相互作用预测方法，包括：S1、根据氨基酸的理化性质，利用自协方差对蛋白质序列特征进行提取；S2、构建多源关联网络；S3、获得蛋白质与其他生物分子的关联信息特征；S4、获取已知的蛋白质‑蛋白质相互作用对作为正样本数据集，随机取样等量的无关联蛋白质‑蛋白质相互作用对作为负样本数据集，将正负样本数据集合并作为最终的数据集；S5、利用随机森林分类器和相应的最优参数进行训练以构建预测模型；S6、采用五折交叉验证的方法得到模型的性能评价指标。本发明可以更充分地利用残基的局部特征、蛋白质序列独特的理化性质以及蛋白质与其他生物分子的关联关系。

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

Inventor： 彭绍亮 ,  赵雄君 ,  窦钰涛 ,  姬博亚 ,  许力文 ,  刘文娟

IPC: G16H50/70 ,  G16H10/60 ,  G16H50/20

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：CN113611356B

公开(公告)日：2023-04-07

申请号：CN202110865026.2

申请日：2021-07-29

Applicant: 湖南大学

Inventor： 彭绍亮 ,  王小奇 ,  程英杰 ,  姬博亚 ,  程孝孝 ,  王红

IPC: G16B15/30 ,  G16B40/00 ,  G06N20/10

Abstract: 本发明属于计算机科学领域，公开了一种基于自监督图表征学习的药物重定位预测方法。首先探索发现生物异质网络中不同实体之间的多中心结构特征，并被用于元路径设计；其次，通过基于路径检测的自监督学习机制训练深度Transformer编码器，生成可以反映生物异质网络中全局信息的表征向量；同时，通过集成生物医学实体掩码任务来捕获网络节点之间的局部关联信息；最后，将来自不同任务模型的表征拼接起来作为特征向量，并利用传统的支持向量机模型预测生药物‑靶标的相互作用关系。本发明通过自监督图表征模型捕获了生物异质网络中的局部‑全局信息，进而提高了药物重定位预测精度，同时降低了对生物医学标注数据的依赖性，更加符合生物医药的实际应用。