-
公开(公告)号：CN118969126A
公开(公告)日：2024-11-15
申请号：CN202410955752.7
申请日：2024-07-17
Applicant: 兰州大学
IPC: G16C20/50 , G16C20/70 , G06N3/0455 , G06N3/0895
Abstract: 本发明公开了一种学习分子表征的自监督方法及系统，方法包括：S1、从PubChem中抽取分子的化学结构编码，生成预处理数据集；S2、基于transform er encoder构建用于预训练的初始深度学习模型InChINet；S3、将所述预处理数据集输入InChINet模型中对模型进行训练，得到预训练后的InChINet模型；S4、基于所述预训练后的InChINet模型得到待检测分子的分子表征。本发明的InChINet模型以低成本快速高效地输出高质量的分子表征，能够精准地预测分子性质、药物‑药物相互作用，可以应用于药物发现中的各个环节，加速了药物发现进程。
-
公开(公告)号：CN118058744A
公开(公告)日：2024-05-24
申请号：CN202410074441.X
申请日：2024-01-18
Applicant: 兰州大学
IPC: A61B5/16 , A61B5/00 , G16H50/20 , G16H50/70 , G06F18/241 , G06F18/214 , G06N3/096 , G06N3/0442 , G06N3/0455
Abstract: 本申请提供了一种基于多模态数据的抑郁情绪障碍识别方法和装置，使得神经网络模型基于任何内容和形式的刺激数据识别被试者是否抑郁，提升了模型的泛化性能，有利于将模型部署在实际的医疗场景中。方法包括：获取向目标被试者提供的目标刺激数据，目标刺激数据用于对目标被试者的感官产生刺激作用；获取目标被试者根据目标刺激数据作出的目标响应数据，目标响应数据为多模态数据；对目标刺激数据进行编码得到第一目标向量表示；对目标响应数据进行编码得到第二目标向量表示；向神经网络模型输入该两个向量表示，使得模型通过识别目标刺激数据和目标响应数据之间的关系特征，输出分类结果，分类结果用于指示目标被试者是否存在抑郁情绪障碍。
-
公开(公告)号：CN106725532B
公开(公告)日：2018-04-24
申请号：CN201611147549.9
申请日：2016-12-13
Applicant: 兰州大学
IPC: A61B5/16
Abstract: 本发明提供一种基于语音特征与机器学习的抑郁症自动评估系统和方法，基于语音处理、特征提取、机器学习技术，寻找语音特征与抑郁症之间的联系，为抑郁症的临床诊断提供客观参考依据。本发明的系统包括(a)语音采集录音模块，用于记录被试者在不同情绪语料刺激下的语音信息；(b)语音特征计算模块，用于计算语音的声学特征；(c)语音数据库模块，包含用于语音特征有效性分析、分类器训练优化、系统分类率的相关数据；(d)机器学习模块，用于确定有效特征的提取方式，并训练用于自动评估的分类器；(e)自动评估模块，依据机器学习模块确定的有效特征提取方式以及训练的分类器分类模式，将被试者有效语音特征进行抑郁程度分类。
-
公开(公告)号：CN106725532A
公开(公告)日：2017-05-31
申请号：CN201611147549.9
申请日：2016-12-13
Applicant: 兰州大学
IPC: A61B5/16
CPC classification number: A61B5/165
Abstract: 本发明提供一种基于语音特征与机器学习的抑郁症自动评估系统和方法，基于语音处理、特征提取、机器学习技术，寻找语音特征与抑郁症之间的联系，为抑郁症的临床诊断提供客观参考依据。本发明的系统包括(a)语音采集录音模块，用于记录被试者在不同情绪语料刺激下的语音信息；(b)语音特征计算模块，用于计算语音的声学特征；(c)语音数据库模块，包含用于语音特征有效性分析、分类器训练优化、系统分类率的相关数据；(d)机器学习模块，用于确定有效特征的提取方式，并训练用于自动评估的分类器；(e)自动评估模块，依据机器学习模块确定的有效特征提取方式以及训练的分类器分类模式，将被试者有效语音特征进行抑郁程度分类。
-
公开(公告)号：CN118866233A
公开(公告)日：2024-10-29
申请号：CN202410927246.7
申请日：2024-07-11
Applicant: 兰州大学
Abstract: 本发明公开了一种基于层次图神经网络模型预测药物‑药物相互作用的方法，包括：获取药物数据并进行处理，基于处理后的药物数据构建药物分子图和药物‑药物相互作用网络；基于药物分子图进行特征提取，获得药物分子图级别特征；基于药物‑药物相互作用网络进行特征提取，获得药物‑药物相互作用网络级别特征；构建图神经网络并进行训练，获得层次图神经网络模型，通过层次图神经网络模型进行药物间的相互作用预测，获得预测结果。本发明预测药物相互作用时间短、成本低且预测精度高，操作简便，能够节省大量的人力、物力和财力，为提高药物相互作用预测准确度提供了基础工具与快捷途径。
-
Patent Agency Ranking
公开(公告)号：CN118070808A
公开(公告)日：2024-05-24
申请号：CN202410075434.1
申请日：2024-01-18
Applicant: 兰州大学
Abstract: 本申请提供了一种基于文本的抑郁情绪障碍识别方法和装置，使得抑郁识别模型能够基于任何内容的刺激文本通过响应文本识别被试者是否存在抑郁情绪障碍，提升了模型的泛化性能。方法包括：获取向被试者提供的刺激文本和其回答对应的响应文本；根据响应文本确定预设数量的、包括用于指导抑郁情绪障碍识别的分辨信息的先验知识文本；采用第一预训练语言模型对每一先验知识文本进行编码后拼接得到第一向量表示，然后对刺激文本和响应文本进行编码，分别得到第二向量表示和第三向量表示；通过对第一向量表示、第二向量表示和第三向量表示进行特征融合，得到融合向量表示；向全连接层输入融合向量表示得到用于指示被试者是否存在抑郁情绪障碍的分类结果。
-
公开(公告)号：CN116994314A
公开(公告)日：2023-11-03
申请号：CN202310824699.2
申请日：2023-07-06
Applicant: 兰州大学
Abstract: 本申请提供一种抑郁情绪识别方法、装置、计算机设备和存储介质，涉及机器学习领域，包括构建包含外观特征提取网络和运动特征提取网络的情绪识别模型，根据预设图像数据划分策略，确定试验者的视频数据中的训练数据组，减少处理的数据量，提高训练和识别效率，基于训练数据组中各训练图像，将确定的第一图像输入外观特征提取网络，将确定的初始光流图像输入运动特征提取网络，通过融合外观特征和表征像素的运动初始光流图像提取的运动特征，提高抑郁情绪识别模型的准确性；通过与提取训练数据组相同的方式确定待测者的视频数据中的测试数据组，并通过测试图像和训练好的情绪识别模型，确定待测者的识别结果，进而提高抑郁情绪识别的准确性和效率。
-
公开(公告)号：CN116824674A
公开(公告)日：2023-09-29
申请号：CN202310825755.4
申请日：2023-07-06
Applicant: 兰州大学
Abstract: 本申请提供一种抑郁情绪识别方法和系统，涉及机器学习技术领域，该方法通过不同的切片数量分别对样本数据中的各第一语音数据进行切分处理，将切分处理后的样本切片的初始特征输入待训练的预设情绪识别模型，进而比较预测标签和第一语音数据的真实标签，得到样本切片的目标数量，再将其中间层输出的目标特征输入至融合特征网络模型，训练好模型，将待测者的第二语音数据切分为符合目标数量的语音切片，通过训练中确定的目标数量将第二语音数据切分语音切片进行识别，扩充数据量；进而通过训练好的模型得到待测者的识别结果，能够减少进行抑郁情绪识别所需的时长，从而解决现有技术存在的识别抑郁情绪的周期长的问题。
-
公开(公告)号：CN115458046A
公开(公告)日：2022-12-09
申请号：CN202211228098.7
申请日：2022-10-09
Applicant: 兰州大学
Abstract: 本发明公开基于并行式深层细粒度模型预测药物靶标结合性的方法，包括：获取药物、蛋白质、疾病的数据集，基于数据集，通过并行计算训练预测模型，并对训练好的预测模型进行验证；获取药物靶标数据，通过验证后的预测模型对药物靶标数据进行预测，得到药物靶标结合性预测结果。其中所述预测模型为深层细粒度模型，包括构造器、编码器、解码器；通过构造器提取数据集的本体特征；通过编码器对本体特征进行细粒度级别融合，得到综合性特征，通过解码器对综合性特征进行解码，得到分类预测结果，其中分类预测结果为药物是否存在相互作用。
-
公开(公告)号：CN111986735B
公开(公告)日：2023-05-26
申请号：CN202010837717.7
申请日：2020-08-19
Applicant: 兰州大学
Abstract: 本发明涉及基于ARDGPR模型预测RNA中原子高阶多极距的计算方法：通过量子力学计算软件Gaussian09优化所有RNA分子小片段的结构，并通过AIMALL软件积分计算分子中原子的高阶多极距；对每一种小分子片段，选择部分小分子片段中各原子坐标位置以及原子的高阶多极距训练ARDGPR模型；并通过剩余的小分子片段构象作为测试集验证ARDGPR模型的预测结果。本发明通过ARDGPR模型预测代替量子力学计算，在基于力场信息的分子力学模拟的基础上，可以快速的针对不同构象给出能量及原子的高阶多极距等物理化学参数信息。同时通过训练好的ARDGPR模型预测原子的高阶多极距，时间少、成本低且预测精度高，方法简便，能够节省大量的人力、物力和财力，为提高RNA分子力场模拟精确度提供相应的基础工具与快捷途径。
-
-
-
-
-
-
-
-
-
Search Results
19
records
(took 0.019 seconds)
