-
公开(公告)号：CN115526246A
公开(公告)日：2022-12-27
申请号：CN202211152888.1
申请日：2022-09-21
Applicant: 吉林大学
Abstract: 本发明适用于分子分类技术领域，提供了一种基于深度学习模型的自监督分子分类方法，包括以下步骤：步骤1：将原始的分子处理成用邻接矩阵和特征矩阵表示的形式，然后用图进行表示；步骤2：将图作为图神经网络模块的输入，得到分子的局部特征，从而对分子的性质做出预测；步骤3：在正样本对和负样本对之间采用标准的二分类交叉熵损失函数来调整自监督学习任务。该方法对于筛选特定疾病的候选药物具有重要意义，特别是对于没有标签的新分子数据集，能够达到快速分类的目的。不仅可以代替研究人员耗时的手动标注，把时间缩短在较短的范围内，而且可以一定程度控制误差，既保证了实时性，又保证了准确性。
-
公开(公告)号：CN101515313B
公开(公告)日：2012-02-01
申请号：CN200910066709.0
申请日：2009-03-27
Applicant: 吉林大学
Abstract: 本发明涉及一组用于微阵列数据误标记样本检测的计算方法，属于计算生物学领域。本发明利用数据扰动对回归模型的影响来识别微阵列数据中的疑似误标记样本，将其应用于疾病的基因表达数据预处理，可降低错误标记所带来的影响和损失。本发明建立了描述样本类标和样本基因表达向量之间关系的同归模型，而后通过依次扰动各样本的类标，建立扰动回归矩阵，进而捕获这些扰动对回归模型的影响。本发明定义了三种扰动影响指标：扰动影响值、总体扰动影响值和综合扰动影响值。在此基础上给出了三种针对微阵列数据的误标记样本检测方法：总体扰动影响值识别法，综合扰动影响值判别法和渐进修正法。
-
公开(公告)号：CN101515313A
公开(公告)日：2009-08-26
申请号：CN200910066709.0
申请日：2009-03-27
Applicant: 吉林大学
Abstract: 本发明涉及一组用于微阵列数据误标记样本检测的计算方法，属于计算生物学领域。本发明利用数据扰动对回归模型的影响来识别微阵列数据中的疑似误标记样本，将其应用于疾病的基因表达数据预处理，可降低错误标记所带来的影响和损失。本发明建立了描述样本类标和样本基因表达向量之间关系的同归模型，而后通过依次扰动各样本的类标，建立扰动回归矩阵，进而捕获这些扰动对回归模型的影响。本发明定义了三种扰动影响指标：扰动影响值、总体扰动影响值和综合扰动影响值。在此基础上给出了三种针对微阵列数据的误标记样本检测方法：总体扰动影响值识别法，综合扰动影响值判别法和渐进修正法。
-
公开(公告)号：CN119339443B
公开(公告)日：2025-04-04
申请号：CN202411886455.8
申请日：2024-12-20
Applicant: 吉林大学
IPC: G06V40/20 , G06V10/44 , G06V10/774 , G06V10/776 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于摄影测量学和深度学习的三维人体姿态识别方法，涉及姿态识别技术领域，包括以下步骤：收集原始视频数据，使用基于深度学习的三维姿态估计方法MediaPipe进行姿态估计，获取图像原始三维关键点数据；再使用关键点规范算法对关键点数据进行初步约束，纠正识别误差；再使用基于共线方程的多视角模拟算法进行数据增强，以获取更丰富的视角信息，扩大数据集；构建姿态识别模型KeyposeNet；对KeyposeNet进行训练和测试，选出最佳模型进行姿态识别。本发明采用上述一种基于摄影测量学和深度学习的三维人体姿态识别方法，实现了更高效和准确的人体姿态分类识别，减少了人工分类的成本，为人体姿态的识别判断提供了辅助手段，从而应用于各种场合。
-
公开(公告)号：CN119625322A
公开(公告)日：2025-03-14
申请号：CN202510157012.3
申请日：2025-02-13
Applicant: 吉林大学
IPC: G06V10/26 , G06V10/764 , G06V10/82 , G06N3/045 , G06N3/08
Abstract: 本发明适用于医学图像处理技术领域，提供了一种基于深度学习的脊柱区域超声图像语义分割方法，包括以下步骤：将采集到的脊柱侧弯患者的脊柱区域超声视频数据转换为JPG格式的图片集合，对棘突和横突区域清晰的图像进行预处理；标注棘突和横突区域，得到用来语义分割的标签，利用棘突类和横突类的标签生成辅助类标签，构建出脊柱区域超声图像数据集；将数据集划分为训练集、验证集和测试集；生成反映先验知识的概率热图；设计特定的神经网络模型结构；在数据集上训练和测试模型，以实现对图像中棘突类和横突类的精准分割。本发明不仅实现了脊柱区域超声图像的精准分割，更为后续的脊柱模型重建及Cobb角的测量工作提供了强有力的支持。
-
公开(公告)号：CN118280442A
公开(公告)日：2024-07-02
申请号：CN202410447268.3
申请日：2024-04-15
Applicant: 吉林大学
Abstract: 本发明适用于数据处理技术领域，提供了基于双曲图神经网络的空间转录组学中空间域识别方法，包括以下步骤：步骤S1、构建空间图；步骤S2、引入欧式空间和双曲空间下的多个流形编码器的操作用于空间转录组数据集；步骤S3、使用注意力机制融合多流形的特征；步骤S4、通过Pareto优化平衡步骤S3中原始特征与解码出来的重构特征之间的差异构造出的多个损失函数；步骤S5、使用基于高斯混合模型的聚类算法识别空间域。本发明不仅可以代替生物医学家耗时的手动划分注解空间域，将识别时间缩短，而且不依赖专家的知识水平，可以一定程度控制误差，既保证了实时性，又保证了准确性。且本发明的精确度优于现有的空间域识别模型。
-
公开(公告)号：CN116778208A
公开(公告)日：2023-09-19
申请号：CN202311070150.5
申请日：2023-08-24
Applicant: 吉林大学
IPC: G06V10/762 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明适用于图像处理技术领域，提供了一种基于深度网络模型的图像聚类方法，包括以下步骤：对数据集进行灰度归一化预处理，将像素值统一，裁剪为统一大小；把处理后的图像数据集分成训练集、验证集和测试集，增强图像，制作数据集视图，将每个图像数据生成两种增强视图，为数据赋予伪标签；构建深度网络模型；训练深度网络模型，生成训练模型；对训练模型进行测试。本发明中深度网络模型将类内紧密性与类间差异性相互融合，得到更多尺度、更丰富的特征，在聚类头模块实现精准的聚类分配；可以准确地进行层次相似性的提取，减少了因缺少相似性信息导致的类间冲突从而导致聚类性能不佳，提高聚类效率与聚类效果。
-
公开(公告)号：CN116777659A
公开(公告)日：2023-09-19
申请号：CN202310493580.1
申请日：2023-05-05
Applicant: 吉林大学
IPC: G06Q50/00 , G06F16/34 , G06F16/901 , G06F16/951 , G06F18/25 , G06N3/042 , G06N3/045 , G06N3/0464 , G06N3/0895
Abstract: 本发明公开了一种基于异质符号属性网络的热点事件争议性分析方法，涉及数据分析技术领域，该分析方法包括：从社交网络中获得原始数据集，其中包含属性信息；进行数据预处理操作，对微博的所有评论进行文本摘要处理，通过主题模型发现事件主题，并完成异质图的构建；将属性信息与文本信息、结构信息进行融合；根据用户的评论信息进行情感分析，构建出用户之间的符号网络，完成用户在异质网络下和符号网络下的自监督训练；根据社区差异、中介中心性、用户传播表示进行社区争议性衡量。本发明基于社区发现结果从不同角度进行争议性预测，而且通过开发在线服务平台对热点事件进行分析，为用户提供了方便。
-
公开(公告)号：CN116630324A
公开(公告)日：2023-08-22
申请号：CN202310912201.8
申请日：2023-07-25
Applicant: 吉林大学
IPC: G06T7/00 , G06N3/0455 , G06N3/0464 , G06N3/08 , G06V10/80
Abstract: 本发明适用于医学图像处理技术领域，提供了一种基于深度学习的MRI图像自动评估腺样体肥大的方法，包括以下步骤：将采集的DICOM格式的MRI图像转换为PNG格式，从矢状位的图像序列中挑选鼻中隔所在的一帧及其左右几帧作为数据集，对图像进行预处理；图像增强，扩充数据集；制作标签；对图像进行特征提取；在图像中自动定位四个地标并计算腺样体厚度与鼻咽腔间隙的比值（AN比值），评估该图像对应患者是否存在腺样体肥大。本发明通过自动定位四个地标进而计算AN比值，实现对患者是否存在腺样体肥大的自动评估，有利于减少医生的重复、费时的测量工作，辅助医生进行腺样体肥大的评估诊断。
-
公开(公告)号：CN116540542A
公开(公告)日：2023-08-04
申请号：CN202310529117.8
申请日：2023-05-11
Applicant: 吉林大学 , 中国航空工业集团公司沈阳飞机设计研究所
IPC: G05B13/04
Abstract: 本发明公开一种人机协同控制策略优化方法、系统及电子设备，涉及人机协同控制领域。该方法包括：构建人类动作意图模型；将1到t时刻的实际人类意图和实际环境状态输入人类动作意图模型得到t+1时刻的人类预期意图；构建机器智能体的动作策略模型；将t时刻的实际人类意图、当前环境状态、t+1时刻的人类预期意图和机器智能体得到的实际价值输入至动作策略模型输出机器智能体动作；在确定人类预期意图和机器智能体动作策略模型输出的机器智能体动作间的相似性后，确定机器智能体的最优动作。本发明以机器智能体对人类操作者的动作意图理解为基础进行控制协同，能够在提高人机协同控制效率和精确性的同时，提高人机交互控制过程的稳定性。
