-
公开(公告)号：CN108636260B
公开(公告)日：2019-08-16
申请号：CN201810428330.9
申请日：2018-05-07
Applicant: 成都信息工程大学
Abstract: 本发明涉及一种医疗用药剂摇匀设备，其包括机体、外壳体、内壳体和放置箱；所述机体底部设置支撑底座，所述支撑底座上表面两侧固定焊接支撑臂，所述支撑臂之间设置外壳体；所述支撑臂上端安装驱动转盘，所述驱动转盘后侧焊接第二工作电机，所述外壳体内部设置内壳体，所述内壳体两侧壁上部焊接连接座，所述连接座远离所述内壳体一侧焊接外壳体；所述内壳体内部环形分布多个放置箱。本发明能够实现对药剂的充分的混摇，从而使得药剂的药效更好的作用于患者，同时本发明能够避免药剂瓶进行充分的保护，避免药剂瓶破碎，安全性更好。
-
公开(公告)号：CN119132426B
公开(公告)日：2025-04-04
申请号：CN202411242471.3
申请日：2024-09-05
IPC: G16B50/10 , G16B20/00 , G16B40/00 , G06F18/213 , G06F18/25 , G06F18/2415 , G06N3/0455 , G06N3/09
Abstract: 本发明公开了一种基于预训练的单细胞多组学的细胞类型注释方法，其属于生物信息技术领域，包括获取配对的scRNA‑seq数据的基因表达矩阵和scATAC‑seq数据的染色质可及性峰值矩阵，并对基因表达矩阵和染色质可及性峰值矩阵进行预处理，之后输入预训练的特征提取器，采用其多头交叉注意力网络得到融合多组学的查询特征矩阵；特征提取器包括多头交叉注意力网络和两个分类器；将查询特征矩阵输入分类模型，采用线性层进行数据拆分，接着输入Transformer编码器进行多组学遗传特征提取，之后输入分类器进行细胞类型注释。本方案的细胞类型注释方法解决了现有方法细胞类型注释存在偏差的问题。
-
公开(公告)号：CN119132426A
公开(公告)日：2024-12-13
申请号：CN202411242471.3
申请日：2024-09-05
IPC: G16B50/10 , G16B20/00 , G16B40/00 , G06F18/213 , G06F18/25 , G06F18/2415 , G06N3/0455 , G06N3/09
Abstract: 本发明公开了一种基于预训练的单细胞多组学的细胞类型注释方法，其属于生物信息技术领域，包括获取配对的scRNA‑seq数据的基因表达矩阵和scATAC‑seq数据的染色质可及性峰值矩阵，并对基因表达矩阵和染色质可及性峰值矩阵进行预处理，之后输入预训练的特征提取器，采用其多头交叉注意力网络得到融合多组学的查询特征矩阵；特征提取器包括多头交叉注意力网络和两个分类器；将查询特征矩阵输入分类模型，采用线性层进行数据拆分，接着输入Transformer编码器进行多组学遗传特征提取，之后输入分类器进行细胞类型注释。本方案的细胞类型注释方法解决了现有方法细胞类型注释存在偏差的问题。
-
公开(公告)号：CN118824350B
公开(公告)日：2024-11-26
申请号：CN202411296576.7
申请日：2024-09-18
IPC: G16B5/00 , G16B40/00 , G06N3/0442 , G06N3/0895
Abstract: 本发明公开了一种单细胞分化轨迹推断方法，涉及细胞分化轨迹分析技术领域，本方法基于DNA序列和RNA序列进行建模，同时预测染色质可及性和基因表达状态，并整合成对的单细胞多组学数据，将分类器的权重作为两种组学的细胞低维特征，利用对比学习学习其中的细胞异质性，提高单细胞的聚类准确率，进而构建准确的单细胞的分化轨迹。本方法采用轻量级深度学习模型，避免了当前众多基于编码解码器结构的单细胞数据融合模型训练困难的尴尬处境，还可以提高数据处理效率。本方法考虑到细胞异质性对于单细胞多组学数据融合的影响，利用对比学习，能够更精准地刻画多组学数据中的单细胞特征，为准确聚类打下基础。
-
公开(公告)号：CN116805513B
公开(公告)日：2023-10-31
申请号：CN202311066361.1
申请日：2023-08-23
IPC: G16B40/00 , G16B5/00 , G06N3/0455
Abstract: 本发明公开了一种基于异构图Transformer框架的癌症驱动基因预测与分析方法，涉及生物信息学领域，该方法包括：利用基因与基因的相互作用关系、蛋白质与蛋白质的相互作用关系和基因与蛋白质的对应关系，构建基因与蛋白质的异构网络；构建异构图Transformer模块，并根据异构图Transformer模块和基因与蛋白质的异构网络生成目标节点的嵌入；构建全连接层分类模块，根据全连接层分类模块和目标节点的嵌入生成癌症驱动基因预测结果，并对癌症驱动基因预测结果进行分析。本发明能充分利用不同的生物网络中的实体之间的关联关系，解决了生物网络先验信息未充分利用的问题，进而提升了癌症驱动基因预测的准确性。
-
Patent Agency Ranking
公开(公告)号：CN116884499A
公开(公告)日：2023-10-13
申请号：CN202310858474.9
申请日：2023-07-12
IPC: G16B40/00 , G16B25/10 , G06N3/0455 , G06N3/084
Abstract: 本发明公开了基于变分自编码器的单细胞转录因子调控网络构建方法，涉及基因转录调控领域，该方法包括：根据scATAC‑seq数据和scRNA‑seq数据，确定输入矩阵和真实标签矩阵；构建转录因子调控网络模型，并根据输入矩阵和转录因子调控网络模型确定预测标签矩阵；根据真实标签矩阵和预测标签矩阵，确定转录因子调控网络模型损失；采用双级优化策略对转录因子调控网络模型的内部参数进行更新；采用更新内部参数后的转录因子调控网络模型构建转录因子调控网络。本发明能提取并对齐单细胞ATAC‑seq和单细胞RNA‑seq数据中的高阶特征，结构化转录因子的调控关系，进而更全面准确地构建转录因子调控网络。
-
公开(公告)号：CN114010208B
公开(公告)日：2023-09-08
申请号：CN202111311799.2
申请日：2021-11-08
Applicant: 成都信息工程大学
Abstract: 本发明公开一种适用于SSVEP分类的零填充频域卷积神经网络方法，应用于脑电信号处理领域，针对现有技术对SSVEP和SSVEP子类的SSMVEP脑电信号的分类准确率和信息传输速率较低的问题；本发明首先使用脑电采集设备采集人体大脑枕部九个电极的SSVEP脑电信号；其次对脑电信号进行预处理；之后在时域对预处理后的脑电信号进行补零填充，提取九个通道的SSVEP信号的功率谱密度中感兴趣的基频频带和二次谐波频带组合成一个特征矩阵；最后将该特征矩阵作为CNN深度学习模型的输入，使用非线性变换对不同类别的SSVEP信号进行识别；采用本发明的方法能获得较高的分类准确率。
-
公开(公告)号：CN116616797A
公开(公告)日：2023-08-22
申请号：CN202310622556.3
申请日：2023-05-29
IPC: A61B5/369 , G06F18/211 , G06F18/2135 , G06F18/214 , G06F18/2337 , G06F18/2415 , G06F18/24 , G06F18/27 , G06N7/02 , A61B5/18 , A61B5/16 , A61B5/00
Abstract: 本发明提供了一种基于深度集成优化模糊分类器的疲劳驾驶检测方法，该方法包括：将经预处理后的数据输入至深度集成优化模糊分类器，得到第一输出向量和第一疲劳驾驶检测结果，并同时随机选择第一模糊规则；先对第一疲劳驾驶检测结果是否达到预设的分类精度进行判断，然后再对第二疲劳检测结果是否达到预设的分类精度进行判断，达到则输出疲劳驾驶检测结果，否则，以不断增加输出向量的拼接和模糊规则累乘运算。本发明解决了疲劳驾驶数据不平衡以及模型解释性差的问题。
-
公开(公告)号：CN116153404B
公开(公告)日：2023-08-15
申请号：CN202310182496.8
申请日：2023-02-28
Applicant: 成都信息工程大学
IPC: G16B25/00 , G16B40/00 , G06N3/0455
Abstract: 本发明公开了一种单细胞ATAC‑seq数据分析方法，通过提取单细胞分辨率的染色质可达性特征峰序列中转录因子‑DNA结合基元的所属种类、相对位置、长距离依赖关系等众多转录调控语法规则，从而更全面地表示单个细胞的功能状态和高阶特征。此外，本发明方法利用获取的转录调控语法规则、细胞功能状态和高阶特征，一站式地实现染色质可达性预测、细胞类型注释、染色质可达性图谱降噪、转录因子活性推断等一系列下游分析任务。
-
公开(公告)号：CN115965950A
公开(公告)日：2023-04-14
申请号：CN202310038860.3
申请日：2023-01-12
Applicant: 成都信息工程大学
IPC: G06V20/59 , G06V40/16 , G06V40/18 , G06V10/26 , G06V10/44 , G06V10/80 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明公开一种基于多特征融合状态识别网络的驾驶员疲劳检测方法，应用于疲劳驾驶检测领域，针对现有技术检测效率低，并且存在错误检测的问题；本发明提出了一个结合了两个子网的多特征融合状态识别网络，分别选取NTHU‑DDD数据集中的眼睛和嘴巴以及头部姿态特征，从视频图像来检测疲劳；首先训练了一个MTCNN人脸检测器来对驾驶员面部特征定位，再提出了一个多特征分割提取算法来在压缩参数的同时也能提取到有效的面部特征，然后提出了一个基于Inception模块、残差模块和通道注意力机制的多特征融合状态识别网络用于检测眼睛、嘴巴和头部姿态来判断驾驶员是否疲劳；本发明的方法优于现有技术，且具有很好的稳定性和实用性。
-
-
-
-
-
-
-
-
-
Search Results
99
records
(took 0.031 seconds)
