基于Doc2vec-LightGBM的CBTC车载信号设备故障分类诊断方法

车载信号设备是城市轨道交通信号系统的重要组成部分,其运营过程中会产生海量离散化、片段化的日志文本数据。目前,CBTC车载设备故障记录文本仍存在语义不明确、词语冗余的问题,从而造成故障致因溯源难,针对此,提出一种基于Doc2vec-LightGBM的CBTC车载设备故障自动分类诊断方法。首先对故障文本使用Jieba完成文本分词,依据TF-IDF实现分词文本数据的特征提取,并采用Doc2vec训练文本分词向量;其次针对数据不均衡的问题,采用Borderline-SMOTE算法进行少数类文本向量数据的补全泛化;最后,通过训练轻量梯度提升机LightGBM分类器完成故障文本自动分类。采用某信号厂商所记录的1 133条故障文本数据进行分类实验分析,并与支持向量机(SVM)方法对比。实验结果表明,所提方法在分类精确率、召回率上分别为98.2%、97.5%,证明了该故障文本自动分类方法的有效性和优越性。

神经电生理技术在意识障碍患者分类诊断中的应用

部分意识障碍患者存在隐匿意识,仅依靠标准行为量表进行诊断误诊率较高,如何精确地分类诊断是临床所面临的巨大挑战.借助电生理技术将显著提高隐匿意识的检出率,为制定临床干预决策打下夯实基础.文章围绕中枢与周围神经电生理技术在意识障碍领域分类诊断中的应用,以敏感性等指标为主要结论,梳理应用潜力较大的范式与分析方法,便于临床工作者使用与推广.

深度学习在轻度认知障碍分类诊断中的应用

阿尔兹海默症是一种不可逆的神经退行性疾病,至今尚无彻底治愈可能,但可通过早期干预延缓其进展。轻度认知障碍是阿尔兹海默症的初始阶段,正确识别该阶段对阿尔兹海默症早期诊断继而进行早期干预意义重大。深度学习因其能够自动提取图像特征,目前已成为辅助轻度认知障碍分类诊断的研究热点。为了更好地对轻度认知障碍进行分类研究,对近年来的基于深度学习的轻度认知障碍分类诊断进行回顾。介绍了轻度认知障碍分类诊断中常用数据集,整理了各数据集数据数量、数据类型及下载地址。总结了常用的数据预处理方式以及模型评价指标。重点介绍了深度学习模型与方法在轻度认知障碍分类诊断中的应用,包括但不限于自动编码器、深度置信网络、生成对抗网络、卷积神经网络、图卷积神经网络,并指出研究中所使用的模型可解释性技术。总结了各种算法的主要思想及优缺点,并对比了基于深度学习的轻度认知障碍分类方法在公开数据集上的分类诊断表现,归纳出相关研究中尚存的不足,并对未来研究方向进行了展望。

基于深度学习的川崎病合并冠状动脉瘤超声分类诊断

目的 探讨基于深度学习的川崎病合并冠状动脉瘤超声分类诊断的可行性。方法 收集复旦大学附属儿科医院诊断为川崎病患者的心超图像,选取胸骨旁大动脉短轴切面,非彩色多普勒成像的二维图像,剔除冠状动脉图像缺失、图像质量差,图像不完善的病例,共纳入研究图片1 328张,其中包括冠状动脉瘤664张图片,冠状动脉正常664张图片。利用所采集图片基于典型的深度神经网络AlexNet、LeNet、VggNet19、ResNet18进行分类诊断,其中1 000张作为训练集,164张作为验证集,164张作为测试集,约各占总图像数量的80%、10%、10%。结果 基于AlexNet的深度神经网路对川崎病合并冠状动脉瘤的超声图像分类结果最好,可达98%准确率,且该深度分类模型在参数数量及训练效率上均有明显优势。结论 基于深度卷积神经网络的川崎病合并冠状动脉瘤的超声分类诊断具有可行性。

核事故辐射损伤伤员快速分类诊断方法研究

目的建立核事故辐射损伤伤员受照剂量快速诊断方法,并编写快速分类诊断程序。方法采用德尔菲(Delphi)专家咨询法进行2轮咨询,筛选诊断指标,应用层次分析(AHP)法确立指标权重,将其与评价指标的程度分级相结合,建立核事故辐射损伤伤员快速分类诊断方法。结果2轮问卷调查的回收率均大于90%,2轮咨询专家的权威系数均大于0.8,专家的积极程度和权威程度均较高。经过2轮专家咨询,筛选出15项指标,并确定各项指标的权重,最终构建了一套简明实用的核事故辐射损伤伤员快速分类诊断方法及程序。结论通过Delphi法和AHP法结合,构建的快速分类诊断方法科学可行,能为核事故辐射损伤伤员快速分类诊断提供客观、可量化的依据。

基于脑结构特征和认知行为特征的阿尔茨海默症分类诊断

阿尔茨海默症是一种多发于老年人的神经退行性疾病,由于病程不可逆且无法治愈,因而及时发现该病早期阶段并采取针对性的治疗措施具有重要意义。本文基于脑结构特征和认知行为特征,辅以人口统计学特征和生物标志物,对阿尔茨海默症进行三分类和五分类诊断。将数据进行预处理后,采用随机森林对特征重要性进行排序,依据排序结果和各特征组合在机器学习模型中的表现,分别选取出15个、21个特征,用于训练随机森林、梯度提升树、CatBoost、LightGBM、XGBoost等机器学习模型。结果显示,LightGBM和XGBoost分别在阿尔茨海默症的三分类和五分类诊断中表现出优异性能,分类准确率分别为99.25%和95.94%,F1-分数分别为99.25%和95.92%。经过五折交叉验证可知,上述模型的性能和稳定性都比较出色。最后,对比两次诊断选取出的特征,为今后阿尔茨海默症的诊断提出部分建议。

基于电流波动特征的永磁同步电机匝间短路与局部退磁故障分类诊断研究

针对永磁同步电机匝间短路故障与局部退磁故障难以区分的问题,该文提出一种基于电机同相与异相电流幅值波动特征的故障分类诊断方法。在分析定子绕组匝间短路故障与转子局部退磁故障对电流幅值影响机理的基础上,分别提取转子旋转一周内同相电流幅值波动特征和异相电流幅值之间的波动特征,建立了故障分类诊断指示器。仿真与实验结果表明,该指示器可有效识别定子绕组匝间短路故障与转子局部退磁故障。该文提出的方法可直接嵌入永磁同步电机控制软件,不需要增加额外的传感设备,具有较好的实用价值。

肝病分类诊断与诊疗路径系统的构建及应用价值分析

肝病分类诊断系统是根据肝脏疾病的病因学、临床症候学、检验学、影像学、病理学和解剖学等特性,通过对肝脏疾病的分类、起病状态、病原学检测、肝功能情况、营养状态、感染情况、肝纤维化及肝硬化程度、肝脏并发症情况、多脏器功能情况、肝癌发生及进展情况和伴随疾病等不同层次、全方位的评价,准确反映肝脏疾病状态及各器官功能情况。肝病分类诊断系统中的每一诊断均对应一个以国内外最新诊疗标准、指南、共识等为依据,以循证医学为基础的诊断、治疗、康复及随访方案,最终根据不同诊断,组合生成全面的个体化综合治疗路径,使诊断、治疗、检查、随访以及生活指导更加标准、科学、规范。

基于粒子群-支持向量机的时间序列分类诊断模型

构建一种基于粒子群算法-支持向量机(PSO-SVM)的磁共振功能成像(fMRI)时间序列分类诊断模型,通过针对脑区多维时间序列数据的深层次分析实现病症患者和健康者的准确判断与区分,为面向fMRI时间序列数据的病症诊断和预测提供有效科学依据.该方法在以下4个方面不同于其他已有相关研究工作:(1)构建基于自回归模型的脑区多维时间序列数据特征表示;(2)构建基于支持向量机模型的脑区多维时间序列数据分类机制;(3)构建基于粒子群算法的分类学习参数寻优策略;(4)建立融合上述特征表示、优化分类与参数优选模式的fMRI时间序列数据分类诊断模型.通过以精神抑郁症作为实证分析的具体案例,所提出分类诊断模型已取得良好实验效果,展示出其有效性与合理性.

非参数逐步判别分析在脑中风分类诊断中的应用

本文采用不等带宽核密度估计的非参数逐步判别分析,使用SAS软件,对复旦大学附属中山医院78例脑中风样本病例,科学地进行了脑出血、脑缺血的分类诊断。经交叉证实法得判别正确率为:脑出血87 88%、脑缺血88 89%,总判别正确率88 46%,判别效果良好。应用78例训练样本建立的判别函数,在苏州大学附属医院2002年42例脑中风病人的分类诊断中,取得了成功的实际应用效果。

血清HCG、AFP水平联合MRI在前置胎盘植入及其分类诊断中的应用

目的探讨血清人绒毛膜促性腺激素(HCG)、甲胎蛋白(AFP)水平联合磁共振成像(MRI)在前置胎盘植入及其分类诊断中的应用。方法选择我院收治的65例前置胎盘植入患者为前置胎盘植入组,另选择同期收治的60例单纯前置胎盘患者为单纯前置胎盘组,50例无前置胎盘无植入产妇为对照组,三组产妇产前均进行血清HCG、AFP与MRI检查,比较不同检查方法对前置胎盘植入及其分类诊断结果。结果前置胎盘植入组血清HCG、AFP水平均显著高于单纯前置胎盘组和对照组(P<0.05)。穿透型患者血清HCG、AFP水平均显著高于粘连型和植入型(P<0.05),植入型患者血清HCG水平显著高于粘连型(P<0.05)。HCG+AFP+MRI对粘连型胎盘植入检出率为96.55%,对植入型胎盘植入检出率为95.65%,对穿透型胎盘植入检出率为100%,均高于单纯血清HCG、AFP和MRI检测。结论血清HCG、AFP联合MRI可明确前置胎盘植入及胎盘植入类型,临床应用价值较高。

跟骨骨折致伤机制的形态学分析及分类诊断进展

目的 通过对跟骨特殊复杂的解剖形态学特点的研究,来探讨跟骨骨折的致伤机制。通过对跟骨骨 折多种分类诊断的归纳综述来进一步为客观化科学化诊治跟骨骨折提供理论依据。跟骨骨折历来的诊断分类就 存在着很大的争议,没有一个统一的明确的诊断标准。随着现代科学技术的飞速发展,大型医疗辅助设备的出 现,尤其是CT和MRI的产生,使对跟骨骨折的诊断更加准确化,分类更加详细化,特别是涉及跟距关节面的关 节内复杂骨折,显得更为重要。结论准确清楚的致伤机制及分类定位诊断,能为有效的治疗临床上各种类型的 跟骨骨折奠定坚实的诊断学理论基础。

计算机网络故障分类诊断

结合工作实践,把网络常见的故障进行分类,以迅速、准确地查找到网络故障的根源,使之尽快修复,保证计算机的正常运行,对计算机网络故障的诊断及排除故障的方法进行了详尽的描述。

妊娠合并心脏病的分类诊断和妊娠风险评估

国内外报道妊娠合并心脏病的发病率为0.5%~3.0%。在西方国家,妊娠合并心脏病已经成为孕产妇死亡的主要原因[1-2]。在我国,全国孕产妇死亡前4位的原因是产科出血(34.2%)、羊水栓塞(13.2%)、妊娠合并心脏病(10.1%)和妊娠期高血压疾病(8.7%)[3]。2008年至2017年,有研究对上海地区64例死亡的危重孕产妇进行病因分析发现,排名前二位的死因分别为妊娠合并心脏病(17例,26.15%)以及重度子痫前期和子痫(9例,13.85%)[4],妊娠合并心脏病已成为目前导致孕产妇死亡的非产科因素的首位。

ACR TI-RADs分类诊断标准结合彩色多普勒超声对甲状腺结节鉴别诊断的价值

目的:探讨分析甲状腺结节鉴别诊断中结合应用ACR(美国放射学会) TI-RADs分类诊断标准和彩色多普勒超声检查技术的应用效果与价值。方法:本研究选取2018年1月-2021年7月间在我院就诊治疗的201例(248个病灶)甲状腺结节患者作为研究对象,所有研究对象均接受二维超声、彩色多普勒超声和手术病理检查,并采用ACR TI-RADs分类诊断标准对所有研究对象的甲状腺结节进行评分。本研究将通过分析比较甲状腺结节患者采用不同检查方式时的鉴别诊断结果差异,分析甲状腺结节鉴别诊断中结合应用ACR TI-RADs分类诊断标准或彩色多普勒超声检查技术的应用效果与价值。结果:ACR TI-RADs分类诊断结合彩色多普勒超声的灵敏度、特异度和准确度均要高于单纯采用ACR TI-RADs分类诊断和彩色多普勒超声,P<0.05。结论:ACR TI-RADs分类诊断标准结合彩色多普勒超声技术在甲状腺结节鉴别诊断中有着优质的效果,能够较精确的判定患者的病变情况,应用价值较高。

基于LVQ神经网络模型的飞机故障分类诊断

为了能够快速诊断出飞机故障产生的原因,判断故障发生的准确位置,把LVQ神经网络模型和分类诊断理论运用到了飞机的故障诊断中。以飞机电子设备和发动机故障诊断为实例,验证了此方法的故障诊断能力。实践表明:基于LVQ神经网络模型的飞机故障分类诊断方法能够为机务工作者提供有力的辅助决策参考。

网络常见故障的分类诊断

网络故障极为普遍,故障种类也十分繁杂。如果把网络故障的常见故障进行归类查找,那么无疑能够迅速而准确的查找故障根源,解决网络故障。文章主要就网络常见故障的分类诊断进行了阐述。