CN110647915A - 一种用于高维数据一致性分析的动态模式判断方法 - Google Patents

一种用于高维数据一致性分析的动态模式判断方法 Download PDF

Info

Publication number
CN110647915A
CN110647915A CN201910781419.8A CN201910781419A CN110647915A CN 110647915 A CN110647915 A CN 110647915A CN 201910781419 A CN201910781419 A CN 201910781419A CN 110647915 A CN110647915 A CN 110647915A
Authority
CN
China
Prior art keywords
sample
analysis
data
target
dynamic mode
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201910781419.8A
Other languages
English (en)
Inventor
米津锐
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN201910781419.8A priority Critical patent/CN110647915A/zh
Publication of CN110647915A publication Critical patent/CN110647915A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明涉及一种用于高维数据一致性分析的动态模式判断方法，包括以下步骤：收集目标物质的样本并对目标样本进行处理；通过“逐个分析”以及“交叉验证”的方式对目标样本进行动态模式判断分析，建立目标样本的目标数据集；取得待测物质的样本并对其进行与S1步骤中相同的处理；对待测样本进行“交叉验证”，获得待测样本数据并与S2中目标数据集进行对比，判断待测样本是否与目标样本属于同一类别。本发明用于解决当前的模式识别方法无法分辨未知物与已知物数据库是否匹配，以及传统分析方法不灵敏、分别效果不佳的问题。

Description

一种用于高维数据一致性分析的动态模式判断方法
技术领域
本发明涉及人工智能技术领域，具体来说，涉及一种用于高维数据一致性分析的动态模式判断方法。
背景技术
在模式识别过程中，需要收集不同种类来源的数据进行归类后，通过计算机学习的方法对不同类别的结果进行归类计算，建立一种静态的判别模型，用于对未知数据进行分类分析处理。这种方式对于某些领域存在着一定的局限性。
首先这种方式建立的判别模型基本都是属于一种静态的模型，该模型只适用于针对已有的类别进行分类，当分析对象来源于模型包含类别以外的某种类别时，该模型不在适用于对该样本的分析。通常的解决方法需要重新收集新类型样本的数据，和已存在的样本数据重新建立判别模型后，模型才能正常使用。该过程随着新类别的引入，有可能会对已存在类别的判别结果造成影响。
其二，建立传统判别模型需要收集不同种类样本，耗费过大。使用者除了要收集自己需要的种类样本外还要收集大量异常的样本，这一过程对于某些应用场景不现实，诸如针对不同的某些生产企业，需要对原材料的品质进行控制，但使用者无法预估原材料的配方可能发生的改变情况，此时改变配方的样本无法进行收集，传统的判别模型就无法满足此类用于的使用。
传统分析方法中虽然可以通过诸如相关度评价、夹角余弦分析、欧氏距离、马氏距离等方法，判断未知物是否为目标物，但此类方法往往分辨的能力较差，对于某些存在微小差异的样本，如复杂体系的高维数据（光谱等），无法进行有效的区分鉴别。
针对相关技术中的问题，目前尚未提出有效的解决方案。
发明内容
针对相关技术中的上述技术问题，本发明提出一种用于高维数据一致性分析的动态模式判断方法，用于解决当前的模式识别方法无法分辨未知物与已知物数据库是否匹配，以及传统分析方法不灵敏、分别效果不佳的问题。
为实现上述技术目的，本发明的技术方案是这样实现的：
一种用于高维数据一致性分析的动态模式判断方法，包括以下步骤：
S1、收集目标物质的样本并对目标样本进行处理；
S2、通过“逐个分析”以及“交叉验证”的方式对目标样本进行动态模式判断分析，建立目标样本的目标数据集；
S3、取得待测物质的样本并对其进行与S1步骤中相同的处理；
S4、对待测样本进行“交叉验证”，获得待测样本数据并与S2中目标数据集进行对比，判断待测样本是否与目标样本属于同一类别。
进一步的，所述S1步骤包括：
S1.1、收集目标物质的样本；
S1.2、对样本进行处理，消除或减弱样本的系统信息以及噪声，提高数据的信噪比；
S1.3、去除当前样本中集中异常的样本数据。
进一步的，所述S2步骤包括：
S2.1、使用“逐个分析”的方法，对当前样本数据进行动态模式判断分析；
S2.2、对于其他样本数据进行“交叉验证”，计算这一“交叉验证”过程中所有验证结果的标准差，将该标准差作为“逐一分析”法选取样本的判断结果数据；
S2.3、若有样本未完成了“逐一分析”，则返回S2.1继续进行分析，若所有样本均完成了“逐一分析”，则统计分析结果，获取判断未知物是否为该类别的阈值；
S2.4、建立目标数据集用于进行后续的动态模式判断分析。
进一步的，所述S4步骤包括：
S4.1、建立两类模式识别模型，并对该模型进行“交叉验证”式判断；
S4.2、对交叉分析的样本结果进行标准差计算；
S4.3、将计算结果与S2.3步骤中的阈值进行对比，若超出范围，则判定待测样本与目标样本不属于同一类，若未超出范围，则判定待测样本与目标样本属于同一类。
进一步的，在对待测样本数据进行“交叉验证”式判断时，若目标样本数据较多，则选择“外部验证”式判断的方法。
进一步的，所述“外部验证”式判断具体为：在完成阈值分析计算后，从目标物质标准库中选取一部分，作为“外部证据”集，对未知物进行分析时，将未知物与非“外部证据”集样本直接建立两类式的模式识别模型后，将“外部证据”集样本数据直接带入模型，使用结果计算标准差作为未知物的判断结果，直接用于与阈值进行比对，完成动态模式判断分析。
进一步的，所述目标物质的样本数在40个以上。
进一步的，对目标样本进行处理的方法包括：
常规方法：正态标准化、去中心化；
对于连续数据的处理方法：导数化处理、傅里叶变换、小波分解；
针对连续的光谱信号，使用针对其开发的各种矫正算法：附加散射校正。
进一步的，对异常样本数据进行剔除的方法包括：马氏距离、数据残差。
本发明的有益效果：
（1）与传统分析方法（相似度、夹角余弦、欧氏距离、马氏距离等）相比，传统方法只针对待测样本数据与单一的目标样本数据进行整体对比。此类对比方法分辨效果有限，只能对整体差异变化很大的样本进行区分，但对于仅存在微小差异的样本，此类方法无法有效的对样本进行区分。
本发明是将现代的AI学习算法融入分析，待测样本数据与目标样本数据集综合分析，分析过程中高级算法会根据待测样本与数据集数据间存在的差异进行统计方法分析。将微小的差异进行识别。分辨效果得到明显的改善。使用范围得到推广。
（2）与传统的模式识别方法相比，传统的模式识别方法，只能在模型包含的样本类别间进行判断，对于外来类别样本判断结果不具有参考价值。属于“ABC”式的选择式分析。要求建立模型时必须收集到种类尽量齐全的样本数据集。在某些应用场景，这种收集样本的工作量极大，甚至是一种不实际的工作，因此传统模式识别算法在某些应用场景中未得到推广。
本发明是一种“是非”式的判断分析方法，使用者可以根据自己的需要收集其目标样本，在实际中进行分析。减少了收集各类样本的工作，提高工作做效率，在某些特殊应用场景，该方法也可以使用，将AI智能算法的应用进行了拓展。
（3）本发明也可针对多类别建立多个目标数据集，实现在类别之间的判别选择分析。分析效果与传统方法结果基本一致，当需要扩展其他类别进行分析时只需要单独建立新类别的标准数据集即可。扩展方便快速，且由于该分析方法在类别间的分析相互独立，因此不会对已存在的目标类别分析造成影响。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据本发明实施例所述的建立目标样本数据集的流程图。
图2是根据本发明实施例所述的分析未知物的流程图。
图3是根据本发明实施例所述的鸭绒近红外数据阈值范围分布示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。
根据本发明实施例所述的一种用于高维数据一致性分析的动态模式判断方法，包括建立目标数据集以及分析未知物两个流程。
如图1所示，建立目标数据集的流程如下：
A1 收集目标物质的样本——收集不同批次的目标物质样本，并对样本进行数字化采集，如：针对分析实验室，需要使用科学仪器对样本进行处理分析获取数字化的样本信息（光谱、色谱、各种物理指标等）；针对语音识别，则需要收集不同条件下采集的语音数字信号；针对图像识别，则需要提取图像中有效的信息（如RGB值等），建立具有统计学意义的基础数据库，该过程需要保证目标样本数据库具备充足的代表性，样本数建议在40个以上。
A2 选择合理的数据处理方法，对样本进行处理，使样本数据规范化，消除或减弱样本的系统信息以及噪声，提高数据的信噪比。该过程需根据样本自身的数据特征选择合理的处理方法。常规方法包括：正态标准化（SNV）、去中心化（decentralization）等；对于连续数据，可以使用诸如：导数化处理（derivative）、傅里叶变换（Fourier transform）、小波分解（Wavelet decomposition）等；针对连续的光谱信号（如红外、近红外等），可使用针对其开发的各种矫正算法，如附加散射校正（MSC）等。
A3 去除当前样本集中异常的样本数据。在收集基础样本数据时，可能由于样本自身问题，或采集样本数据的设备稳定性等原因，可能产生异常的数据。此时对异常的样本数据进行剔除。常见的剔除方法包括：马氏距离（mahalanobis distance），数据残差（Dataresiduals）等方法，将目标样本数据集中超出正常统计学范围的样本进行剔除。
A4 使用“逐个分析”的方法，对当前样本数据进行动态模式判断分析。即每次选取建模样本集中的一个数据作为验证样本，将其假设是做与其他样本不同类的数据，建立一个两类的模式识别模型（可以使用fisher判别、回归判别、SVM等方法）。
A5 对于其他样本数据进行“交叉验证”，即每次选取部分数据，和选取的样本建立两类模式识别模型，并用剩余的为选取的样本带入当前模型进行分析计算，获取各自对应的分析结果，并记录保存。之后重新选取其他部分数据重复这一过程，对所有的样本完成验证后，分析获取这一“交叉验证”过程中所有验证结果的概率分布状况，将该分布状况作为“逐一分析”法选取样本的判断结果数据。
A6 若有样本未完成了“逐一分析”，则返回S5，进行分析。若所有样本均完成了该分析，对每一个样本的分析结果进行统计，利用该结果获取判断未知物是否为该类别的阈值，目标物质数据作为“交叉证据集”。
通过以上步骤建立有效的目标数据集，使用该数据集进行后续的动态模式判断分析。
如图2所示，分析未知物流程如下：
B1 取得待测样本数据，使用与建立目标样本数据相同的方法，采集待测样本的数据，并使用相同的数据处理方法，对该数据进行处理，保证数据可比性。
B2 假设待测样本数据与已知目标物类别不属于同一类，建立两类的模式识别模型。并对该模型进行“交叉验证”式判断，分析获取交叉分析的样本结果的概率分布后，该结果如果超出设定的阈值，则判断该未知样本与已知目标物质不属于同一类。若结果未超出阈值，则说明该样本与目标物质属于同一类别。
B3 在对待测样本数据进行判断时，“交叉验证”式判断需要多次重复建模计算，若目标样本数据较多，该过程消耗时间较长，可以选择“外部验证”式判断的方法。
B4 即在完成阈值分析计算后，从目标物质标准库中选取一部分，作为“外部证据”集。对未知物进行分析时，将未知物与非“外部证据”集样本直接建立两类式的模式识别模型后，将“外部证据”集样本数据直接带入模型，将外部验证结果的概率分布作为未知物的判断结果，直接用于与阈值进行比对，完成动态模式判断分析。
为了方便理解本发明的上述技术方案，以下通过具体使用方式上对本发明的上述技术方案进行详细说明。
在一具体实施例中，以鸭绒的近红外数据分析为例，利用本发明的分析方法来进行分析判断：
1、建立标准鸭绒的数据集，采用近红外分析仪器获取鸭绒即其他类别样本的近红外光谱数据，并进行求导方式，对样本数据进行处理。
2、利用“逐一分析”的方法计算得到鸭绒数据的阈值范围，鸭绒近红外数据阈值范围分布在0.8~2.2之间，大部分集中于0.8~1.6之间。分布图如图3所示。
3、随机选择15个样本近红外光谱作为待测数据，判断结果如下表所示:
实际类别 判断数值结果 判断结果
鸭绒 1.2824 接受
鸭绒 0.8253 接受
鸭绒 1.1743 接受
鸭绒 0.8394 接受
鸽子毛 10.5902 拒绝
鸽子毛 4.8566 拒绝
鸽子毛 4.8566 拒绝
鸡绒 4.113 拒绝
鸡绒 5.0628 拒绝
鸡绒 3.8227 拒绝
鸡绒 4.0947 拒绝
鹅绒 3.2962 拒绝
鹅绒 2.5883 拒绝
鹅绒 2.2274 拒绝
鹅绒 2.6106 拒绝
4、非目标类别样本的结果均超出设置的阈值范围，说明该方法可以有效对目标类别进行判断分析。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种用于高维数据一致性分析的动态模式判断方法，其特征在于，包括以下步骤：
S1、收集目标物质的样本并对目标样本进行处理；
S2、通过逐个分析以及交叉验证的方式对目标样本进行动态模式判断分析，建立目标样本的目标数据集；
S3、取得待测物质的样本并对其进行与S1步骤中相同的处理；
S4、对待测样本进行交叉验证，获得待测样本数据并与S2中目标数据集进行对比，判断待测样本是否与目标样本属于同一类别。
2.根据权利要求1所述的一种用于高维数据一致性分析的动态模式判断方法，其特征在于，所述S1步骤包括：
S1.1、收集目标物质的样本；
S1.2、对样本进行处理，消除或减弱样本的系统信息以及噪声，提高数据的信噪比；
S1.3、去除当前样本中集中异常的样本数据。
3.根据权利要求2所述的一种用于高维数据一致性分析的动态模式判断方法，其特征在于，所述S2步骤包括：
S2.1、使用逐个分析的方法，对当前样本数据进行动态模式判断分析；
S2.2、对于其他样本数据进行交叉验证，计算这一交叉验证过程中所有验证结果的标准差，将该标准差作为逐一分析法选取样本的判断结果数据；
S2.3、若有样本未完成了逐一分析，则返回S2.1继续进行分析，若所有样本均完成了逐一分析，则统计分析结果，获取判断未知物是否为该类别的阈值；
S2.4、建立目标数据集用于进行后续的动态模式判断分析。
4.根据权利要求3所述的一种用于高维数据一致性分析的动态模式判断方法，其特征在于，所述S4步骤包括：
S4.1、建立两类模式识别模型，并对该模型进行交叉验证式判断；
S4.2、对交叉分析的样本结果进行标准差计算；
S4.3、将计算结果与S2.3步骤中的阈值进行对比，若超出范围，则判定待测样本与目标样本不属于同一类，若未超出范围，则判定待测样本与目标样本属于同一类。
5.根据权利要求4所述的一种用于高维数据一致性分析的动态模式判断方法，其特征在于，在对待测样本数据进行交叉验证式判断时，若目标样本数据较多，则选择外部验证式判断的方法。
6.根据权利要求5所述的一种用于高维数据一致性分析的动态模式判断方法，其特征在于，所述外部验证式判断具体为：在完成阈值分析计算后，从目标物质标准库中选取一部分，作为外部证据集，对未知物进行分析时，将未知物与非外部证据集样本直接建立两类式的模式识别模型后，将外部证据集样本数据直接带入模型，使用结果计算标准差作为未知物的判断结果，直接用于与阈值进行比对，完成动态模式判断分析。
7.根据权利要求1-6所述的一种用于高维数据一致性分析的动态模式判断方法，其特征在于，所述目标物质的样本数在40个以上。
8.根据权利要求1-6所述的一种用于高维数据一致性分析的动态模式判断方法，其特征在于，对目标样本进行处理的方法包括：
常规方法：正态标准化、去中心化；
对于连续数据的处理方法：导数化处理、傅里叶变换、小波分解；
针对连续的光谱信号，使用针对其开发的各种矫正算法：附加散射校正。
9.根据权利要求1-6所述的一种用于高维数据一致性分析的动态模式判断方法，其特征在于，对异常样本数据进行剔除的方法包括：马氏距离、数据残差。
CN201910781419.8A 2019-08-23 2019-08-23 一种用于高维数据一致性分析的动态模式判断方法 Pending CN110647915A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910781419.8A CN110647915A (zh) 2019-08-23 2019-08-23 一种用于高维数据一致性分析的动态模式判断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910781419.8A CN110647915A (zh) 2019-08-23 2019-08-23 一种用于高维数据一致性分析的动态模式判断方法

Publications (1)

Publication Number Publication Date
CN110647915A true CN110647915A (zh) 2020-01-03

Family

ID=68990348

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910781419.8A Pending CN110647915A (zh) 2019-08-23 2019-08-23 一种用于高维数据一致性分析的动态模式判断方法

Country Status (1)

Country Link
CN (1) CN110647915A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112527790A (zh) * 2020-12-24 2021-03-19 四川享宇金信金融科技有限公司 一种基于loo-cv验证的交叉核验方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103761426A (zh) * 2014-01-02 2014-04-30 中国科学院数学与系统科学研究院 一种在高维数据中快速识别特征组合的方法及系统
CN104198398A (zh) * 2014-08-07 2014-12-10 浙江大学 一种基于高光谱成像鉴别阿胶的方法
CN105223140A (zh) * 2015-10-10 2016-01-06 中国科学院苏州生物医学工程技术研究所 同源物质的快速识别方法
WO2016061586A1 (en) * 2014-10-17 2016-04-21 Cireca Theranostics, Llc Methods and systems for classifying biological samples, including optimization of analyses and use of correlation
CN106124445A (zh) * 2016-06-16 2016-11-16 福州大学 一种快速、无损鉴别转基因大豆方法
CN106979934A (zh) * 2017-05-27 2017-07-25 中国食品药品检定研究院 一种利用相关系数进行药品库数据处理的方法
CN108267414A (zh) * 2017-12-26 2018-07-10 中山出入境检验检疫局检验检疫技术中心 纺织品纤维含量的近红外光谱分析方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103761426A (zh) * 2014-01-02 2014-04-30 中国科学院数学与系统科学研究院 一种在高维数据中快速识别特征组合的方法及系统
CN104198398A (zh) * 2014-08-07 2014-12-10 浙江大学 一种基于高光谱成像鉴别阿胶的方法
WO2016061586A1 (en) * 2014-10-17 2016-04-21 Cireca Theranostics, Llc Methods and systems for classifying biological samples, including optimization of analyses and use of correlation
CN105223140A (zh) * 2015-10-10 2016-01-06 中国科学院苏州生物医学工程技术研究所 同源物质的快速识别方法
CN106124445A (zh) * 2016-06-16 2016-11-16 福州大学 一种快速、无损鉴别转基因大豆方法
CN106979934A (zh) * 2017-05-27 2017-07-25 中国食品药品检定研究院 一种利用相关系数进行药品库数据处理的方法
CN108267414A (zh) * 2017-12-26 2018-07-10 中山出入境检验检疫局检验检疫技术中心 纺织品纤维含量的近红外光谱分析方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112527790A (zh) * 2020-12-24 2021-03-19 四川享宇金信金融科技有限公司 一种基于loo-cv验证的交叉核验方法
CN112527790B (zh) * 2020-12-24 2023-06-02 四川享宇金信金融科技有限公司 一种基于loo-cv验证的交叉核验方法

Similar Documents

Publication Publication Date Title
CN110084261B (zh) 用于光谱分类的减少的误报识别
CN109142317B (zh) 一种基于随机森林模型的拉曼光谱物质识别方法
US7899625B2 (en) Method and system for robust classification strategy for cancer detection from mass spectrometry data
CN110650058B (zh) 一种网络流量分析方法、装置、存储介质及设备
CN110008082B (zh) 异常任务智能监测方法、装置、设备及存储介质
CN107145778B (zh) 一种入侵检测方法及装置
CN112527604A (zh) 一种基于深度学习的运维检测方法、系统、电子设备及介质
CN112426160A (zh) 一种心电信号类型识别方法及装置
CN110659682A (zh) 一种基于MCWD-KSMOTE-AdaBoost-DenseNet算法的数据分类方法
CN111783887B (zh) 基于fMRI小世界脑网络计算机分类测谎识别方法
CN107045624B (zh) 一种基于最大加权团的脑电信号预处理与分类方法
CN111368648A (zh) 雷达辐射源个体识别方法、装置、电子设备及其存储介质
CN109409216B (zh) 基于子载波动态选择的速度自适应室内人体检测方法
CN108805181B (zh) 一种基于多分类模型的图像分类装置及分类方法
CN110647915A (zh) 一种用于高维数据一致性分析的动态模式判断方法
Chen et al. HTsort: Enabling fast and accurate spike sorting on multi-electrode arrays
CN111426657B (zh) 一种溶解性有机物三维荧光谱图的识别比对方法
CN109840386B (zh) 基于因子分析的损伤识别方法
CN110502669A (zh) 基于n边dfs子图的轻量级无监督图表示学习方法及装置
CN113159220B (zh) 基于随机森林的混凝土侵彻深度经验算法评价方法和装置
CN110327043B (zh) 一种基于稀疏建模的事件相关电位波形图谱求解方法
CN114062305A (zh) 基于近红外光谱和1D-In-Resnet网络的单籽粒品种鉴定方法及系统
Duch et al. Asymptotic spatiotemporal averaging of the power of EEG signals for schizophrenia diagnostics
Zhao et al. Detecting regions of differential abundance between scRNA-seq datasets
CN110569277A (zh) 一种配置数据信息自动识别与归类方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination