【技术实现步骤摘要】
本专利技术涉及单分子荧光信号分析，尤其涉及一种关于筛选高置信度单分子荧光信号的深度学习分类方法。
技术介绍
1、单分子表面诱导荧光衰减(smsifa)实验通过测量荧光强度来表征荧光染料和氧化石墨烯表面之间的距离。与荧光共振能量转移和磁镊子等主流单分子技术相比，单分子表面诱导荧光衰减技术可以直接报告膜蛋白在磷脂膜中的位置，更直观地反映膜蛋白与磷脂膜之间的相互作用。
2、单分子成像通常会生成海量数据，人工筛选和评估过程可能耗费时间，但却至关重要。这是因为在单分子水平上，可能会出现一些不理想的现象，如样品聚集、荧光干扰、不完全或错误的标记、复杂的光物理行为以及高噪声等情况。这种数据分析方法需要经验丰富的用户投入大量时间，并且该过程容易受到主观人为因素的影响，进而影响分析结果的准确性和一致性。
3、计算膜蛋白和磷脂膜动态过程的前提是设计一种分类算法。该算法可以从受环境影响的大量低信噪比迹线中选择高信噪比荧光强度变化曲线。深度学习技术的蓬勃发展为这一问题提供了新的解决方案。深度神经网络的优势在于它们能够学习任何复杂的函数，...
【技术保护点】
1.一种关于筛选高置信度单分子荧光信号的深度学习分类方法，其特征在于：其包括以下步骤：
2.根据权利要求1所述的一种关于筛选高置信度单分子荧光信号的深度学习分类方法，其特征在于：所述空间感知单元包括：
3.根据权利要求1或2所述的一种关于筛选高置信度单分子荧光信号的深度学习分类方法，其特征在于：每个空间感知单元的输出端设有序列转轨迹模块。
4.根据权利要求3所述的一种关于筛选高置信度单分子荧光信号的深度学习分类方法，其特征在于：所述空间感知单元与视觉变换器单元之间设有轨迹转序列模块。
5.根据权利要求1所述的一种关于筛选...
【技术特征摘要】
1.一种关于筛选高置信度单分子荧光信号的深度学习分类方法，其特征在于：其包括以下步骤：
2.根据权利要求1所述的一种关于筛选高置信度单分子荧光信号的深度学习分类方法，其特征在于：所述空间感知单元包括：
3.根据权利要求1或2所述的一种关于筛选高置信度单分子荧光信号的深度学习分类方法，其特征在于：每个空间感知单元的输出端设有序列转轨迹模块。
4.根据权利要求3所述的一种关于筛选高置信度单分子荧光信号的深度学习分类方法，其特征在于：所述空间感知单元与视觉变换器单元之间设有轨迹转序列模块。
5.根据权利要求1所述的一种关于筛选高置信度单分子荧光信号的深度学习分类方法，其特征在于：所述视觉变换器单元包括：
6.根据权利要求1所述的一种关于筛选高置信度单分子荧光信号的深度学习分类方法，其特征在于...
【专利技术属性】
技术研发人员：帅建伟，李明，林晨，杨晨光，马东飞，李翔，陆颖，
申请(专利权)人：瓯江实验室，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。