为了解决现有装置体积大、引导光线受上肢活动影响、步态训练方案不精准等问题,研制了帕金森病人步态辅助训练装置。该装置包括:主板、锂电池、红外光发射单元、腰部束带、训练方案辅助决策系统。主板包括:电压转换模块、蓝牙模块、语...为了解决现有装置体积大、引导光线受上肢活动影响、步态训练方案不精准等问题,研制了帕金森病人步态辅助训练装置。该装置包括:主板、锂电池、红外光发射单元、腰部束带、训练方案辅助决策系统。主板包括:电压转换模块、蓝牙模块、语音处理模块等。主处理器STM32F407是装置的控制中枢;训练方案辅助决策系统核心算法为变分自编码器(Variational Auto Encoder,VAE)。本文研制的步态辅助训练装置克服了现有装置的弊端,能够根据患者患病程度、病人年龄等信息生成精准的步态训练方案。展开更多
目的本研究提出了融合生物学通路的变分自编码器(variational auto encoder,VAE),对蛋白质与代谢组学数据进行整合分析,并应用于肺腺癌患者探索可能的病理机制。方法为VAE的隐变量层节点赋予通路的实际意义,解码器按通路包含的生物学分...目的本研究提出了融合生物学通路的变分自编码器(variational auto encoder,VAE),对蛋白质与代谢组学数据进行整合分析,并应用于肺腺癌患者探索可能的病理机制。方法为VAE的隐变量层节点赋予通路的实际意义,解码器按通路包含的生物学分子信息构建稀疏神经网络,使通路节点只与自身包含的分子连接,将隐变量作为提取的高级特征。对隐变量进行Kmeans聚类分析并使用调整兰德系数评估效果,引入基因差异表达分析方法limma探索差异表达通路,在北京大学人民医院胸外科肺腺癌患者的蛋白质与代谢组学数据中进行实例分析。结果融合生物学通路的VAE提取的高级特征不仅将聚类准确度提高了38%,还通过差异表达分析鉴别出了实性与亚实性结节肺腺癌间的差异通路。结论融合生物学通路的VAE可用于组学数据整合分析,其提取的高级特征具有通路表达活性的实际生物学意义。展开更多
生成对抗网络是一种强大的图像生成方法,主要的训练策略是生成器与判别器之间的零和博弈,通过生成器和判别器的循环对抗训练,最终达到纳什均衡。为了在有限数据集上快速生成图像,通过使用变分自编码器(Variational Auto Encoder,VAE)提...生成对抗网络是一种强大的图像生成方法,主要的训练策略是生成器与判别器之间的零和博弈,通过生成器和判别器的循环对抗训练,最终达到纳什均衡。为了在有限数据集上快速生成图像,通过使用变分自编码器(Variational Auto Encoder,VAE)提取真实图像信息,并将重建图像视为虚假图像来改进BEGAN,以增加判别器辨别真假图像的难度,特别是在训练初期进一步缓解模式崩溃和稳定性问题。生成器通过正则化项获取VAE 提取的信息来加快学习速度。实验数据验证,该改进的BEGAN 网络训练稳定,具备在有限数据集上快速生成高质量和高多样性图像的能力。展开更多
文摘为了解决现有装置体积大、引导光线受上肢活动影响、步态训练方案不精准等问题,研制了帕金森病人步态辅助训练装置。该装置包括:主板、锂电池、红外光发射单元、腰部束带、训练方案辅助决策系统。主板包括:电压转换模块、蓝牙模块、语音处理模块等。主处理器STM32F407是装置的控制中枢;训练方案辅助决策系统核心算法为变分自编码器(Variational Auto Encoder,VAE)。本文研制的步态辅助训练装置克服了现有装置的弊端,能够根据患者患病程度、病人年龄等信息生成精准的步态训练方案。
文摘目的本研究提出了融合生物学通路的变分自编码器(variational auto encoder,VAE),对蛋白质与代谢组学数据进行整合分析,并应用于肺腺癌患者探索可能的病理机制。方法为VAE的隐变量层节点赋予通路的实际意义,解码器按通路包含的生物学分子信息构建稀疏神经网络,使通路节点只与自身包含的分子连接,将隐变量作为提取的高级特征。对隐变量进行Kmeans聚类分析并使用调整兰德系数评估效果,引入基因差异表达分析方法limma探索差异表达通路,在北京大学人民医院胸外科肺腺癌患者的蛋白质与代谢组学数据中进行实例分析。结果融合生物学通路的VAE提取的高级特征不仅将聚类准确度提高了38%,还通过差异表达分析鉴别出了实性与亚实性结节肺腺癌间的差异通路。结论融合生物学通路的VAE可用于组学数据整合分析,其提取的高级特征具有通路表达活性的实际生物学意义。
文摘生成对抗网络是一种强大的图像生成方法,主要的训练策略是生成器与判别器之间的零和博弈,通过生成器和判别器的循环对抗训练,最终达到纳什均衡。为了在有限数据集上快速生成图像,通过使用变分自编码器(Variational Auto Encoder,VAE)提取真实图像信息,并将重建图像视为虚假图像来改进BEGAN,以增加判别器辨别真假图像的难度,特别是在训练初期进一步缓解模式崩溃和稳定性问题。生成器通过正则化项获取VAE 提取的信息来加快学习速度。实验数据验证,该改进的BEGAN 网络训练稳定,具备在有限数据集上快速生成高质量和高多样性图像的能力。
