基于UPE-SVM模型的脊髓损伤康复方案决策算法

脊髓损伤患者康复治疗方案一般是由医生根据患者功能评估结果人工制定的,康复治疗方案决策存在效率低下、标准不一以及病例数据集样本类别不平衡等问题。本文提出了一种用于脊髓损伤智能康复治疗方案决策的UPE-SVM推理模型,并基于124例脊髓损伤病例建立了用于模型训练与验证的病例数据集。应用训练好的UPE-SVM模型,推理出对应患者病症特征的初始治疗方案,供治疗师参考修正出最终治疗方案,并更新到病例数据集。使用更新后的新病例数据集,继续在线训练UPE-SVM模型,提高UPE-SVM模型的学习能力和泛化能力。经测试集验证,此决策算法的AUC指标为0.85,F;-score为0.80,精确率为80%,召回率为85%,有效克服了数据集的样本类别不平衡问题,提高了智能康复治疗处方的决策准确率。

基于改进Faster R-CNN的嘴部检测方法

在通过嘴部进行人机交互的场景下,外界光线变化、小目标检测的复杂性、检测方法的不通用性等因素给不同场景下嘴部的识别带来了很大困难.该文以不同场景下的人脸图像为数据源,提出了一种基于改进Faster RCNN的人脸嘴部识别算法.该方法在Faster R-CNN框架中结合多尺度特征图进行检测,首先将同一卷积块不同卷积层输出的特征图结合,然后对不同的卷积块按元素进行求和操作,在输出的特征图上进行上采样得到高分辨率的表达能力更强的特征,从而提高了嘴部这种小目标的检测性能.在网络训练试验中运用多尺度训练和增加锚点数量增强网络检测不同尺寸目标的鲁棒性.实验表明,相比于原始的Faster R-CNN,对嘴部的检测准确率提高了8%,对环境的适应性更强.