针对传统互联网低比特率编解码器(internet Low Bit Rate Codec,iLBC)语音隐写主要集中在线性频谱频率系数矢量量化、码本搜索矢量量化或增益量化的单个阶段,难以应对多阶段下的联合隐写检测等问题,提出一种基于多特征融合和双向长短时...针对传统互联网低比特率编解码器(internet Low Bit Rate Codec,iLBC)语音隐写主要集中在线性频谱频率系数矢量量化、码本搜索矢量量化或增益量化的单个阶段,难以应对多阶段下的联合隐写检测等问题,提出一种基于多特征融合和双向长短时记忆(Bi-Directional Long Short-Term Memory,BiLSTM)网络的iLBC语音隐写检测算法.通过分析隐写对不同阶段参数带来的影响,提取线性频谱频率系数矢量量化、码本搜索矢量量化和增益量化过程中的多种隐写特征,并分别输入到相应的BiLSTM检测网络,最后将各检测网络的结果进行融合,得到最终隐写检测结果 .实验表明,所提算法可以实现多阶段下的联合隐写检测,而且在语音时长较短时,仍能取得优异的检测结果,平均检测准确率达到了90%以上.展开更多
目的 探讨全腹腔镜脾切除术在儿童血液病性脾肿大中的应用价值并分析其临床疗效。方法 回顾性分析2020—2022年宁夏医科大学总医院小儿外科18例行脾切除治疗的血液病性脾肿大患儿的临床资料,并对患儿家长进行腹部手术切口大小及手术时...目的 探讨全腹腔镜脾切除术在儿童血液病性脾肿大中的应用价值并分析其临床疗效。方法 回顾性分析2020—2022年宁夏医科大学总医院小儿外科18例行脾切除治疗的血液病性脾肿大患儿的临床资料,并对患儿家长进行腹部手术切口大小及手术时间接受度进行问卷调查。5例行腹腔镜手术(腹腔镜组),13例行开腹手术(开腹组)。结果 腹腔镜组较开腹组术中出血量少[(8.33±2.34)mL vs (20.77±11.87)mL]、术后住院时间短[(5.80±2.10)d vs (8.39±4.19)d]、引流管放置时间短[(4.00±2.41)d vs (5.62±1.04)d],术后进食时间早[(1.60±1.81)d vs (2.69±0.75)d],手术时间较开腹组长[(3.80±1.11)h vs (1.42±0.45)h],差异均具有统计学意义(均P<0.05)。相比手术时间长短,93%的家长更接受手术切口较小的术式。结论 全腹腔镜下脾脏切除术治疗儿童血液病性脾大,患儿恢复快、疗效满意,且手术切口小,符合多数患儿家长的对切口瘢痕的要求。展开更多
文摘针对传统互联网低比特率编解码器(internet Low Bit Rate Codec,iLBC)语音隐写主要集中在线性频谱频率系数矢量量化、码本搜索矢量量化或增益量化的单个阶段,难以应对多阶段下的联合隐写检测等问题,提出一种基于多特征融合和双向长短时记忆(Bi-Directional Long Short-Term Memory,BiLSTM)网络的iLBC语音隐写检测算法.通过分析隐写对不同阶段参数带来的影响,提取线性频谱频率系数矢量量化、码本搜索矢量量化和增益量化过程中的多种隐写特征,并分别输入到相应的BiLSTM检测网络,最后将各检测网络的结果进行融合,得到最终隐写检测结果 .实验表明,所提算法可以实现多阶段下的联合隐写检测,而且在语音时长较短时,仍能取得优异的检测结果,平均检测准确率达到了90%以上.
文摘目的 探讨全腹腔镜脾切除术在儿童血液病性脾肿大中的应用价值并分析其临床疗效。方法 回顾性分析2020—2022年宁夏医科大学总医院小儿外科18例行脾切除治疗的血液病性脾肿大患儿的临床资料,并对患儿家长进行腹部手术切口大小及手术时间接受度进行问卷调查。5例行腹腔镜手术(腹腔镜组),13例行开腹手术(开腹组)。结果 腹腔镜组较开腹组术中出血量少[(8.33±2.34)mL vs (20.77±11.87)mL]、术后住院时间短[(5.80±2.10)d vs (8.39±4.19)d]、引流管放置时间短[(4.00±2.41)d vs (5.62±1.04)d],术后进食时间早[(1.60±1.81)d vs (2.69±0.75)d],手术时间较开腹组长[(3.80±1.11)h vs (1.42±0.45)h],差异均具有统计学意义(均P<0.05)。相比手术时间长短,93%的家长更接受手术切口较小的术式。结论 全腹腔镜下脾脏切除术治疗儿童血液病性脾大,患儿恢复快、疗效满意,且手术切口小,符合多数患儿家长的对切口瘢痕的要求。
文摘依存句法分析旨在从语言学的角度分析句子的句法结构。现有的研究表明,将这种类似于图结构的数据与图卷积神经网络(Graph Convolutional Network,GCN)进行结合,有助于模型更好地理解文本语义。然而,这些工作在将依存句法信息处理为邻接矩阵时,均忽略了句法依赖标签类型,同时也未考虑与依赖标签相关的单词语义,导致模型无法捕捉到文本中的深层情感特征。针对以上问题,提出了一种结合上下文和依存句法信息的中文短文本情感分析模型(Context and Dependency Syntactic Information,CDSI)。该模型不仅利用双向长短期记忆网络(Bidirectional Long Short-Term Memory,BiLSTM)提取文本的上下文语义,而且引入了一种基于依存关系感知的嵌入表示方法,以针对句法结构挖掘不同依赖路径对情感分类任务的贡献权重,然后利用GCN针对上下文和依存句法信息同时建模,以加强文本表示中的情感特征。基于SWB,NLPCC2014和SMP2020-EWEC数据集进行验证,实验表明CDSI模型能够有效融合语句中的语义以及句法结构信息,在中文短文本情感二分类以及多分类中均取得了较好的效果。
