公开(公告)号：CN114974401A

公开(公告)日：2022-08-30

申请号：CN202210500209.9

申请日：2022-05-09

Applicant: 桂林电子科技大学

Inventor： 樊永显 ,  彭斌超 ,  龚浩 ,  孙贵聪 ,  熊慧 ,  刘梦 ,  卢茜倩 ,  潘应捷

IPC: G16B5/00 ,  G16B40/00 ,  G16B30/00

Abstract: 本发明公开了一种涉及生物信息领域的基于堆叠式集成策略用于高效识别特定细胞系增强子‑启动子相互作用的预测方法。该预测方法的步骤为：获取6个特定的人类细胞系中的增强子、启动子基因序列，对所有的细胞系的非平衡序列数据进行相同的数据预处理；使用6种特征提取方式提取特征；使用7种计算方法以堆叠式集成的方式训练模型。输入数据获得初步预测结果；调整特征提取方式和计算方法的组合方式优化集成模型，得到最终的预测结果。该方法提取基因序列中的多种信息特征，减少了计算时间，提高了预测特定细胞系增强子‑启动子相互作用的效果。

公开(公告)号：CN107545153A

公开(公告)日：2018-01-05

申请号：CN201711011644.0

申请日：2017-10-25

Applicant: 桂林电子科技大学

Inventor： 樊永显 ,  龚浩 ,  蔡国永 ,  张向文 ,  张龙

IPC: G06F19/24 ,  G06N3/04

Abstract: 本发明公开了一种基于卷积神经网络的核小体分类预测方法，其特征是，包括如下步骤：1）特征提取；2）提取核小体或链接体DNA序列中核苷酸的物理化学属性；3）添加生物特性；4）获取第24维向量；5）添加核苷酸化学性质；6）得到包含生物信息的矩阵；7）构建卷积神经网络结构；8）分类核小体。这种方法能精准预测核小体的分类。

公开(公告)号：CN116403713A

公开(公告)日：2023-07-07

申请号：CN202310308375.3

申请日：2023-03-28

Applicant: 桂林电子科技大学

Inventor： 樊永显 ,  熊慧 ,  孙贵聪 ,  彭斌超 ,  龚浩

IPC: G16H50/30 ,  G06N3/088 ,  G06F18/2134 ,  G06F18/2431 ,  G06F18/21 ,  G06N3/0464

Abstract: 本发明基于多类无监督特征提取方法对自闭症谱系障风险基因预测的方法，步骤为：获取与自闭症谱系障碍相关基因的正样本、负样本，并从BrainSpan数据库中获取基因的表达值；分别使用自动编码器、主成分分析、奇异值分解和非负矩阵分解四种无监督方法对基因表达值进行特征提取，期间用对数几率回归和五折交叉验证对特征维度的输出进行选择；应用Boruta方法对特征提取后的数据进行特征选择；构建预测模型，输入数据获得初步预测结果；调整训练后预测模型中的参数，对训练后的预测模型进行优化；使用10折交叉验证评估预测模型。实验结果表明，与现有方法相比，我们的结果在各个评估指标都有一定的性能提升，提高了预测与自闭症谱系障相关风险基因的准确率。

公开(公告)号：CN107545153B

公开(公告)日：2021-06-11

申请号：CN201711011644.0

申请日：2017-10-25

Applicant: 桂林电子科技大学

Inventor： 樊永显 ,  龚浩 ,  蔡国永 ,  张向文 ,  张龙

IPC: G16B40/00 ,  G06N3/04

Abstract: 本发明公开了一种基于卷积神经网络的核小体分类预测方法，其特征是，包括如下步骤：1）特征提取；2）提取核小体或链接体DNA序列中核苷酸的物理化学属性；3）添加生物特性；4）获取第24维向量；5）添加核苷酸化学性质；6）得到包含生物信息的矩阵；7）构建卷积神经网络结构；8）分类核小体。这种方法能精准预测核小体的分类。

公开(公告)号：CN114898147A

公开(公告)日：2022-08-12

申请号：CN202210496116.3

申请日：2022-05-09

Applicant: 桂林电子科技大学

Inventor： 樊永显 ,  龚浩 ,  孙贵聪 ,  彭斌超 ,  熊慧 ,  潘应捷 ,  刘梦 ,  卢茜倩

IPC: G06V10/764 ,  G06V10/774 ,  G06V10/82 ,  G06V10/40 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明是一种基于双端多注意力学习的新冠肺炎胸片图像分类系统，尤其涉及医学图像处理领域。近年来，深度学习模型广泛应用于计算机视觉的多个领域，并且取得了突破性进展。例如器官组织分割、肺部病理检测，以及诊断报告的自动生成。这促使许多研究人员尝试使用深度学习技术来解决目前的困境。然而，这些早期的研究由于数据限制和不统一以及模型的单调，在大数据集上的诊断效果并没有那么理想。注意机制目的是让深度学习模型能够重点关注关键信息，从而学习更具鉴别性的特征表示。根据已有的研究，将注意机制融入深度模型已经在定位、跟踪、视觉问题回答和分割等视觉任务上取得重大突破。所提出的系统将多种网络和多种注意力机制结合，提高了新冠肺炎的筛查效率和诊断精度。实验结果也证明了该系统可以成为新冠肺炎疾病诊断的自动化解决方案。

公开(公告)号：CN114627328A

公开(公告)日：2022-06-14

申请号：CN202111041212.0

申请日：2021-09-07

Applicant: 桂林电子科技大学

Inventor： 樊永显 ,  龚浩

IPC: G06V10/764 ,  G06V10/774 ,  G06V10/82 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明是一种融合张量网络和神经网络的病理学图像分类系统，涉及医学图像处理领域。虽然深度学习方法拥有良好的性能，但是它在算力和时间成本的消耗上十分巨大。相对于深度神经网络，张量网络消耗的资源要低的多，但是在性能上有所欠缺。将密集卷积神经网络层与层之间密集连接的性质与张量网络相结合，提出了该系统，可以解决此种困境。使用该系统在两个公开的病理学影像数据集上进行二分类任务。实验证明该系统能获得与深度学习方法相当甚至更有竞争力的性能，并且使用更少的计算资源。