基于多任务学习与注意力机制的多层次音频特征情感识别研究

传统音频分类任务仅仅是从单层次音频提取特征向量进行分类,即便使用过大的模型,其过多的参数也会造成特征之间的耦合,不符合特征提取“高聚类,低耦合”的原则。由于注意到一些与情绪相关的协变量并没有得到充分利用,本文在模型中加入性别先验知识;将多层次音频特征分类问题转化为多任务问题进行处理,从而对多层次特征进行解耦再进行分类;针对特征分布的再优化方面设计了一个中心损失模块。通过在IEMOCAP数据集上的实验结果表明,本文提出模型的加权精度(WA)和未加权精度(UA)分别达到了71.94%和73.37%,与原本的多层次模型相比,WA和UA分别提升了1.38%和2.35%。此外,还根据Nlinear和Dlinear算法设计了两个单层次音频特征提取器,在单层次音频特征分类实验中取得了较好的结果。

基于自适应重加权和正则化的集成元学习算法

在训练集存在噪声标签或类别不平衡分布的情况下,深度神经网络具有过度拟合这种有偏差的训练数据的不良趋势。通过设计适当的样本权重,使用重加权策略是解决此问题的常用方法,但不适当的重加权方案会给网络学习引入额外的开销和偏差,仅使用重加权方法很难解决有偏差分布下网络的过拟合问题。为此,建议将标签平滑正则化和类裕度正则化与重加权结合使用,并提出了一种基于自适应重加权和正则化的元学习方法(ensemble meta net,EMN),模型框架包括用于分类的基本网络和用于超参数估计的集成元网。该方法首先通过基本网络获得样本损失;然后使用三个元学习器基于损失值以集成的方式估计自适应重加权和正则化的超参数;最终利用三个超参数计算最终的集成元损失更新基本网络,进而提高基本网络在有偏分布数据集上的性能。实验结果表明,EMN在CIFAR和OCTMNIST数据集上的准确率高于其他方法,并通过策略关联性分析证明了不同策略的有效性。

基于深度相机的咽拭子机器人采样系统研究

本文提出一个基于深度相机的咽拭子采样系统。首先,基于Mujoco仿真平台搭建了一套机械臂协作平台。基于此仿真平台,构建了一套视觉检测系统,用来准确获取口腔的位姿信息,并提出了两个视觉优化算法。一是基于关键点检测,提出一种防抖算法,其利用前后帧信息的差分滤波,用来克服口腔位姿估计过程中因噪声和干扰而导致的抖动问题;其二是基于非刚体的法向估计算法,其融合面部关键点信息和先验面部三维信息进行PnP估计面部法向量。最后,基于获得的鲁棒关键点信息和姿态信息完成了对采样信息的映射,为后续咽拭子采样机器人高效、安全地使用机械臂完成采样任务提供条件。实验表明,基于所提视觉检测系统可以准确、稳定的完成机械臂采样任务,在保证实时检测准确率的基础上能够有效去抖,在非限定环境下具有更高的鲁棒性和稳定性。

中医适宜技术治疗中风后遗症临床应用

中医适宜技术综合疗法对中风后遗症偏瘫的康复在临床上极为重要,火疗、蜡疗、泥灸、熏蒸、透皮疗法、刺络、穴位注射等各种中医适宜技术综合应用,配合中药汤剂治疗中风后遗症——偏瘫,疗效确切,毒副作用少,兼具简、便、廉、验的特点,在临床上尤其是基层是很值得推广和传承的。