基于词语量化关系的主题概念抽取算法研究

随着网络资源的快速膨胀,海量的文本自动处理任务面临着巨大的挑战,而文本主题抽取就是文本自动处理领域中的一项重要研究课题。针对词语量化关系的主题概念抽取算法,首先在词聚类的基础上建立概念向量空间模型,由知网中词语相似度,加权计算出概念权重;然后利用词典中词语之间量化关系,通过对概念的相关向量和权重的向量乘积得到每个概念的主题重要度;最后依据重要度抽取出反映文本主题的概念来。实验证明,上述与传统的词频统计相比,准确率更高。

基于深度学习的超声自动测量左室射血分数的研究

目的为提高基于超声心动图Simpson法的左室射血分数(LVEF)测量的效率,提出一种基于深度学习自动测量LVEF的方法。方法首先,建立卷积神经网络,利用收集的38 153幅标记的数据对网络进行训练测试和验证,将采集到的超声心动图数据自动分成5类,获取心尖二腔(A2C)和四腔(A4C)切面;其次,建立全卷积神经网络,以VGG-19为主干架构,利用收集的3871幅A2C和4679幅A4C数据进行训练测试和验证,对自动获得A2C和A4C的左室进行自动分割,计算LVEF。结果该方法获得A2C和A4C的准确率达96.8%,分割真阳性率达88.8%,所得LVEF误差率为0.038 947。结论深度学习自动测量LVEF的方法较传统方法精度和效率更高,具有较好的临床应用价值。

HAPA理论模型在冠心病患者健康行为促进干预中的应用效果

世界卫生组织数据显示,冠心病是目前最常见的致死原因,致死人数超过所有肿瘤死亡人数总和。已有研究证实,不健康的行为方式是导致冠心病发生的重要原因,如吸烟、高血压、糖尿病、高胆固醇血症、缺乏身体活动等[1]。但冠心病患者经常受到两种或更多风险因素的影响,许多研究都集中在单一风险因素上,干预效果并不显著[2-3]。Ferrier等[4]的研究证实,通过制定具体目标、识别障碍、制定计划并进行自我监测管理,可以作为心脏康复后行为改变的有效措施。